Ingeniería y sus Alcances, Revista
de Investigación
mayo-agosto 2023 / Volumen 7 / No. 18
ISSN: 2664 – 8245
ISSN-L: 2664 - 8245
https://revistaingenieria.org
pp. 316 – 324
Optimización de procesos de producción mediante el uso de algoritmos
genéticos
Optimization of production processes through the use of genetic
algorithms
Otimização de processos de produção usando algoritmos genéticos
Ronny Joel Angulo Guerrero
ronny.angulo@utelvt.edu.ec
https://orcid.org/0000-0002-3070-1823
Dario Javier Garcia Camacho
dario.camacho@utelvt.edu.ec
https://orcid.org/0009-0002-6616-3016
Centro de Innovación y Formación
Técnica Ronny Angulo SAS. Esmeraldas, Ecuador
Artículo
recibido 26 de enero 2023 / Aceptado 27 de febrero 2023 / Publicado 10 de mayo
2023
Escanea en tu dispositivo móvil o revisa este artículo en:
https://doi.org/10.33996/revistaingenieria.v7i18.109
RESUMEN
En este artículo, se
examina el empleo de algoritmos genéticos (AG) para optimizar procesos de producción,
destacando su eficacia en abordar diversos desafíos. El estudio se centra en
mejorar la eficiencia y el rendimiento industrial mediante una revisión
exhaustiva de la literatura sobre la aplicación de AG en la optimización de
procesos. Se explican los fundamentos teóricos de los AG y se proporcionan
ejemplos prácticos de su implementación en diversas industrias. Los resultados
demuestran la capacidad de los AG para encontrar soluciones óptimas o cercanas
a ellas, generando mejoras significativas en la eficiencia y productividad
empresarial. En conclusión, se destaca que la utilización de algoritmos
genéticos en la optimización de procesos de producción emerge como una
herramienta prometedora con potenciales beneficios tangibles para las organizaciones.
Palabras clave: Algoritmos genéticos; Rendimiento industrial; Optimización de procesos
de producción
ABSTRACT
In this article, the
use of genetic algorithms (GA) to optimize production processes is examined,
highlighting their effectiveness in addressing various challenges. The study
focuses on improving industrial efficiency and performance through a
comprehensive literature review on the application of GAs in process
optimization. The theoretical foundations of GAs are explained and practical examples
of their implementation in various industries are provided. The results
demonstrate the ability of GAs to find optimal or near-optimal solutions,
generating significant improvements in business efficiency and productivity. In
conclusion, it is highlighted that the use of genetic algorithms in the
optimization of production processes emerges as a promising tool with potential
tangible benefits for organizations.
Key words: Genetic algorithms;
Industrial performance; Optimization of production processes
RESUMO
Este artigo examina o
uso de algoritmos genéticos (AGs) para otimizar os processos de produção, destacando sua eficácia
na abordagem de vários desafios. O estudo se concentra na melhoria da
eficiência e do desempenho industrial por meio de uma revisão abrangente da
literatura sobre a aplicação de AGs na otimização de processos. Os fundamentos teóricos dos AGs são explicados e são fornecidos exemplos práticos de
sua implementação em vários setores. Os resultados
demonstram a capacidade dos AGs de encontrar soluções
ótimas ou quase ótimas, gerando melhorias significativas na eficiência e na
produtividade dos negócios. Concluindo, destaca-se que o uso de algoritmos
genéticos na otimização dos processos de produção
surge como uma ferramenta promissora com possíveis benefícios tangíveis para as
organizações.
Palavras-chave: Algoritmos
genéticos; Desempenho industrial; Otimização de processos de produção
INTRODUCCIÓN
La mejora continua de los procesos de
producción constituye un pilar esencial para las empresas modernas, que buscan
eficiencia operativa, reducción de costos y aumento sostenido de la
productividad. Estos procesos, caracterizados por su complejidad y la
existencia de diversas restricciones y objetivos, plantean un desafío
significativo en la búsqueda de soluciones óptimas. En este contexto, los
algoritmos genéticos han surgido como una herramienta poderosa y adaptable para
abordar problemas de optimización, destacándose en la optimización de la
producción industrial.
Este artículo tiene como propósito
explorar la aplicación de algoritmos genéticos en la optimización de procesos
de producción, analizando su eficacia y ofreciendo ejemplos prácticos de su
implementación en diversas industrias. La complejidad inherente a los procesos
de producción, con múltiples etapas, interacciones y variables, hace
indispensable el uso de técnicas de optimización para encontrar soluciones que
se aproximen a la óptima (Caler-Gallardo et al.,
2018).
En los últimos años, los algoritmos
genéticos han demostrado ser una herramienta versátil, inspirada en la
evolución biológica, al emplear selección natural, cruzamiento y mutación para
adaptarse y buscar soluciones en espacios de búsqueda amplios y complejos
(Figura 1 y Figura 2). El presente artículo no solo revisará la literatura
existente sobre la aplicación de algoritmos genéticos en la optimización de
procesos de producción, sino que también analizará los fundamentos teóricos que
sustentan estos algoritmos. Además, se discutirá la aplicabilidad de los algoritmos
genéticos en diferentes contextos industriales, respaldando su eficacia mediante
ejemplos prácticos (Cruz-Cuello, 2020).
Figura 1. Algoritmo genético.
Figura 2. Algoritmo genético condicional.
Este estudio se presenta como una
valiosa contribución al campo, ofreciendo una visión integral de cómo los
algoritmos genéticos pueden transformar y optimizar la producción industrial en
diversas industrias.
METODOLOGÍA
Este estudio adoptó un enfoque de investigación basado en una
revisión narrativa de la literatura existente sobre la optimización de procesos
de producción mediante algoritmos genéticos. La metodología se centró en la
identificación de investigaciones relevantes, su análisis crítico, y la
síntesis de información para proporcionar una comprensión integral del tema (Anachuri, 2018).
Los pasos considerados en el abordaje y análisis de la
información se realizaron cumpliendo los siguientes criterios:
Definición del tema
de investigación. Se definió claramente el tema de investigación:
"Optimización de procesos de producción mediante el uso de algoritmos
genéticos". Este paso aseguró una delimitación precisa del alcance del
estudio, abordando problemas de producción en diversas industrias y explorando
cómo los algoritmos genéticos pueden mejorar la eficiencia y rendimiento
(Chong, 2018).
Búsqueda de fuentes
bibliográficas. Se llevó a cabo una búsqueda exhaustiva en bases de datos
científicas, revistas especializadas, libros y congresos relacionados con la
optimización de procesos de producción y el uso de algoritmos genéticos. Las
palabras clave utilizadas incluyeron términos como "optimización de
procesos de producción", "algoritmos genéticos en producción", y
"optimización industrial con AG", entre otras (Contreras, 2019).
Selección de
artículos relevantes. Se seleccionaron cuidadosamente los artículos científicos
que abordaran directamente la temática de interés, considerando tanto
investigaciones empíricas como estudios teóricos y aplicaciones prácticas.
Revisión y análisis
de las fuentes. Cada fuente seleccionada fue sometida a una revisión y
análisis detallado. Se extrajeron los principales hallazgos, resultados,
metodologías utilizadas y conclusiones. Se prestaron especial atención a casos
de estudio y ejemplos prácticos que ejemplificaran la aplicación de algoritmos
genéticos en problemas de producción (Bojórquez et al., 2018).
Síntesis de la
información. A partir de la revisión y análisis, se sintetizó la
información relevante para ofrecer una visión general sobre la aplicación de
algoritmos genéticos en la optimización de procesos de producción. Se
destacaron beneficios, limitaciones, y se identificaron patrones y tendencias
en los resultados obtenidos en los diferentes estudios (García, 2018).
Esta metodología proporcionó una estructura sólida para la
revisión de la literatura, permitiendo una comprensión profunda de la
aplicación de algoritmos genéticos en la optimización de procesos de
producción.
Posteriormente, en la sección de desarrollo
y discusión, se presentarán los hallazgos derivados de la revisión y ejemplos
concretos de aplicación de algoritmos genéticos en problemas de optimización de
procesos de producción. La sección de discusión analizará y evaluará los
resultados, destacando las ventajas y desafíos asociados al uso de algoritmos
genéticos en este contexto (Domínguez, 2022).
DESARROLLO
Y DISCUSIÓN
Los resultados derivados del análisis
exhaustivo de la literatura y los casos de estudio seleccionados revelan que
los algoritmos genéticos representan una herramienta altamente efectiva para la
optimización de procesos de producción (Castelló et al., 2020). La evidencia
recopilada demuestra que estos algoritmos son capaces de encontrar soluciones
óptimas o cercanas a la óptima, incluso en situaciones de optimización
complejas que involucran múltiples objetivos y restricciones. La aplicación de
algoritmos genéticos en los procesos de producción ha arrojado resultados
significativamente positivos, contribuyendo a mejoras palpables en la
eficiencia, rendimiento y calidad de dichos procesos.
No obstante, la investigación también
ha identificado desafíos inherentes al uso de algoritmos genéticos en el
contexto de la optimización de procesos de producción (Cruz-Cuello, 2020).
Entre estos desafíos se destaca la importancia de determinar los parámetros
adecuados del algoritmo, un factor crucial que influye en la efectividad y
eficiencia del proceso de optimización. La necesidad de adaptar los modelos y
la representación del problema específico de producción también ha surgido como
un desafío relevante que debe abordarse para maximizar la utilidad de los
algoritmos genéticos en entornos industriales [Figura 3].
Estos resultados consolidan la
posición de los algoritmos genéticos como una herramienta prometedora en la
mejora de procesos de producción. La comprensión de sus beneficios y desafíos
contribuye a la formulación de recomendaciones prácticas y estrategias para la
implementación efectiva de algoritmos genéticos en entornos industriales
específicos.
Figura 3. Parámetros del algoritmo para la
producción.
Los resultados derivados de la
investigación bibliográfica sobre la "Optimización de procesos de
producción mediante el uso de algoritmos genéticos" (ver Figura 4) revelan
que esta técnica ha demostrado ser una herramienta efectiva y versátil para
abordar una amplia variedad de problemas en diversas industrias. A
continuación, se presentan los principales resultados y hallazgos obtenidos:
Figura 4. Optimización de
procesos de producción mediante el uso de algoritmos genéticos.
Mejora en la
eficiencia y productividad
Los algoritmos genéticos han sido
exitosamente aplicados para mejorar la eficiencia y productividad en diversos
procesos de producción. La optimización de tareas como la programación,
asignación de recursos y planificación de la producción ha conducido a
reducciones significativas en los tiempos de producción y costos operativos (Rubio-González,
y Rubio-Rodríguez 2018).
Adaptabilidad a
problemas complejos
Estos algoritmos demuestran ser
especialmente aptos para problemas complejos y multidimensionales,
caracterizados por la presencia de múltiples objetivos y restricciones. Han
sido empleados con éxito en la optimización de procesos de producción con
características como múltiples líneas de producción, maquinaria heterogénea,
restricciones de capacidad y prioridades de producción cambiantes (Montiel-Bohórquez,
y Pérez, 2019).
Búsqueda de
soluciones óptimas o cercanas a la óptima
Los algoritmos genéticos destacan por
su capacidad para encontrar soluciones óptimas o cercanas a lo óptimo en
problemas de alta complejidad y con múltiples soluciones factibles. Su enfoque
de búsqueda, basado en la evolución y selección natural, les permite explorar
amplios espacios de búsqueda en busca de soluciones prometedoras (Revuelta, y
Sanz 2019).
Flexibilidad y
adaptación
La versatilidad de los algoritmos
genéticos se refleja en su capacidad para adaptarse y personalizarse según las
características específicas de cada problema de producción. Esto incluye la
elección de la función objetivo, la definición de restricciones y la selección
de parámetros adecuados del algoritmo (Casalet, 2018;
Acevedo et al., 2014).
Reducción de
costos y tiempos de producción
Varios estudios respaldan que la
aplicación de algoritmos genéticos en la optimización de procesos de producción
ha resultado en reducciones significativas de costos y tiempos de producción.
Estas mejoras contribuyen directamente a la eficiencia operativa y a la entrega
eficaz de productos (Tigreros, 2021; Vergara, 2005).
Limitaciones y
desafíos
A pesar de su eficacia, los
algoritmos genéticos exhiben limitaciones y desafíos que deben abordarse. Estos
incluyen la sensibilidad a la selección de parámetros, la necesidad de una
representación adecuada del problema y la posibilidad de quedar atrapados en
óptimos locales en situaciones de alta complejidad. Estas consideraciones subrayan
la importancia de una cuidadosa configuración y adaptación de los algoritmos
genéticos para garantizar su rendimiento óptimo en entornos de producción
(Cárdenas, 2018).
Casos de estudio
y aplicaciones prácticas
La literatura revisada destaca
diversos casos de estudio y ejemplos prácticos que ilustran la aplicación
exitosa de algoritmos genéticos en la optimización de procesos de producción.
Estos casos abarcan una amplia gama de sectores industriales, incluyendo
manufactura, logística, energía y servicios. La variada aplicabilidad demuestra
la versatilidad de los algoritmos genéticos para resolver problemas específicos
y mejorar la eficiencia en contextos industriales diversos (Cárdenas, 2018;
Acevedo et al., 2014).
Discusión
Para finalizar es necesario destacar
la importancia fundamental de los algoritmos genéticos como herramienta de
optimización en los procesos de producción. Se resaltan sus ventajas, como la
capacidad para explorar espacios de búsqueda amplios y su flexibilidad para
abordar problemas complejos. Se analizan distintos enfoques y estrategias
utilizados en los estudios revisados, destacando la relevancia de adaptar los
algoritmos genéticos a las características específicas de cada problema de
producción. Además, se plantean posibles direcciones futuras de investigación y
se subrayan las limitaciones y desafíos que aún persisten en este campo en
constante evolución (Contreras, 2019).
CONCLUSIÓN
En síntesis, este artículo ha
validado de manera concluyente que la aplicación de algoritmos genéticos en la
optimización de procesos de producción se traduce en mejoras notables en la
eficiencia y el rendimiento empresarial. Los resultados derivados de la
revisión de la literatura y los ejemplos prácticos proporcionados respaldan la
eficacia de los algoritmos genéticos para abordar problemas complejos de
optimización y alcanzar soluciones óptimas o cercanas a lo óptimo.
No obstante, queda claro que la
implementación exitosa de algoritmos genéticos requiere una adaptación
cuidadosa a las particularidades de cada contexto industrial. La consideración
de las restricciones y objetivos específicos de los procesos de producción es
crucial para maximizar la utilidad de esta herramienta. En última instancia, se
concluye que los algoritmos genéticos son una herramienta prometedora con el
potencial de contribuir de manera sustancial a la optimización de procesos de
producción en una variedad de industrias. El desafío futuro radica en la
continua investigación y adaptación de estos algoritmos para abordar las
dinámicas cambiantes de los entornos industriales modernos.
CONFLICTO DE
INTERESES. Los autores declaran que no existe conflicto de intereses
para la publicación del presente artículo científico.
REFERENCIAS BIBLIOGRÁFICAS
Acevedo Jaimes, B. R., Fonseca Galindo, J. C.,
y Gómez Camperos, J. A. (2014). Desarrollo de una herramienta en Matlab para Sintonización de Controladores PID, utilizando algoritmos genéticos basado en técnicas de optimización multiobjetivo. Revista Sennova:
Revista Del Sistema De Ciencia, Tecnología E Innovación, 1(1), 80–103.
https://doi.org/10.23850/23899573.86
Anachuri, P. A. (2018). Determinación y
análisis de los niveles de contaminación de electrosmog
(densidad de potencia electromagnética) en los lugares de trabajo permanentes
de la Universidad Nacional del Comahue (Bachelor's thesis, Universidad
Nacional del Comahue. Facultad de Ciencias del
Ambiente y la Salud.). http://rdi.uncoma.edu.ar/handle/uncomaid/5797
Bojórquez Mora, E., Leyva
Madrigal, H., Reyes Salazar, A., Fernández González, E., Bojórquez Mora, J.,
Leal Graciano, J., y Serrano Corona, J. (2018). Diseño óptimo multi-objetivo de edificios de concreto reforzado
usando algoritmos genéticos. Ingeniería sísmica, (99), 23-47. https://www.scielo.org.mx/scielo.php?pid=S0185-092X2018000200023&script=sci_abstract&tlng=pt
Caler Gallardo, J.
L., Calet Machado, J. M., y Puertollano
Afán de Rivera, V. M. (2018). Cosmología y conceptos fundamentales de la física
contemporánea. https://digibug.ugr.es/handle/10481/51621
Cárdenas, K.
(2018). Manejo adecuado de las emisiones atmosféricas en la industria del
reciclaje de baterias de plomo. Bogotá: Universidad
distrital Francisco José de Caldas. https://n9.cl/jeek6
Casalet, M. (2018). La digitalización industrial: un
camino hacia la gobernanza colaborativa. Estudios de casos.
https://repositorio.cepal.org/handle/11362/44266
Castelló Gómez,
M. L., Tarrazo Morell, J.,
Heredia Gutiérrez, A. B., y Fito Suñer, P. J. (2020). Reducción de las pérdidas
de flujo de calor mediante el uso de aislantes térmicos. https://riunet.upv.es/handle/10251/145762
Chong, H.
(2018). Análisis para la obtención de energía eléctrica utilizando un Gasificador de Biomasa. Guayaquil-Ecuador: Universidad
Católica de Santiago de Guayaquil. https://repositorio.ucsg.edu.ec/bitstream/3317/11351/1/T-UCSG-PRE-TEC-IEM-148.pdf
Contreras Jaimes, J. A. (2019). Simulación de
una caldera bagacera mediante el software Aspen Plus para determinar su
desempeño energético. https://repository.unab.edu.co/handle/20.500.12749/7254
Cruz-Cuello, A. (2020). Determinación de propiedades térmicas para la
congelación de la pulpa de carambola (Averrhoa carambola L)
producido en la provincia de Tambopata, Departamento
de Madre de Dios. https://repositorio.unamad.edu.pe/handle/20.500.14070/625
Domínguez,
M. (2022) Análisis de la producción potencial de energía
con Biomasa en la región de Andalucía (España) utilizando Sistemas de
Información Geográfica. https://doi.org/10.4000/cybergeo.4478
García, Zerecero, G. G. (2018). Enlace
químico, orbital molecular y ontología. Scripta Philosophiæ Naturalis, (14),
93-109. https://dialnet.unirioja.es/servlet/articulo?codigo=7476601
Montiel-Bohórquez, N. D., y Pérez, J. F. (2019).
Generación de energía a partir de residuos sólidos urbanos. estrategias termodinámicas para optimizar el desempeño de
centrales térmicas. Información tecnológica, 30(1), 273-284. http://dx.doi.org/10.4067/S0718-07642019000100273
Revuelta, T., y Sanz, P. (2019). Estudio de la
Aplicación de la Industria 4.0 en el Ámbito de la Logística. Obtenido de
Universidad de Valladolid: https://uvadoc. uva. es/bitstream/handle/10324/36767/TFM-I-1140.
pdf.
Rubio-González, A., y Rubio Rodríguez, M. (2018). Integración y esquemas
energéticos para el máximo aprovechamiento de la biomasa cañera en la
generación de electricidad. Centro Azúcar,
45(4), 20-31. http://scielo.sld.cu/scielo.php?pid=S2223-48612018000400003&script=sci_arttext
Tigreros Cardenas,
I. D. (2021). Propuesta para la programación de
producción en máquinas paralelas con tiempos de alistamiento en una empresa del
sector agroindustrial. https://repositorio.uceva.edu.co/handle/20.500.12993/2744
Vergara Canizales, V. G.
(2005). Aplicación de Algoritmos Genéticos en el balanceo de líneas de
producción (Doctoral dissertation, Universidad
Autónoma de Nuevo León). http://eprints.uanl.mx/5560/1/1020150665.PDF