logística – El blog de Víctor Yepes

Los algoritmos genéticos

Charles Darwin en una fotografía tomada por J.M. Cameron en 1869.

Resulta fascinante comprobar cómo aplicando los mecanismos básicos de la evolución ya descrita por Darwin en su obra fundamental, El origen de las especies por medio de la selección natural, o la preservación de las razas preferidas en la lucha por la vida, publicada en 1859, se pueden generar algoritmos capaces de optimizar problemas complejos. Este tipo de metaheurísticas inspiradas en la Naturaleza ya se comentaron en artículos anteriores cuando hablamos de la optimización por colonias de hormigas o de la cristalización simulada. Aunque es un algoritmo ampliamente conocido por la comunidad científica, voy a intentar dar un par de pinceladas con el único afán de divulgar esta técnica. La verdad es que las implicaciones filosóficas que subyacen tras la teoría de Darwin son de una profundidad difícil de entender cuando se lleva a sus últimos extremos. Pero el caso es que estos algoritmos funcionan perfectamente en la optimización de estructuras de hormigón, problemas de transporte y otros problemas difíciles de optimización combinatoria.

Para aquellos interesados, os paso en las referencias un par de artículos donde hemos aplicado los algoritmos genéticos para optimizar rutas de transporte aéreo o pilas de puente huecas de hormigón armado.

Sin embargo, para aquellos otros que queráis un buen libro para pensar, os recomiendo “La peligrosa idea de Darwin”, de Daniel C. Dennett. A más de uno le hará remover los cimientos más profundos de sus creencias. Os paso la referencia al final.

Básicamente, los algoritmos genéticos “Genetic Algorithms, GA”, simulan el proceso de evolución de las especies que se reproducen sexualmente. De manera muy general, se puede decir que en la evolución de los seres vivos, el problema al que cada individuo se enfrenta diariamente es el de la supervivencia. Para ello cuenta, entre otras, con las habilidades innatas provistas en su material genético. A nivel de los genes, el problema consiste en la búsqueda de aquellas adaptaciones beneficiosas en un medio hostil y cambiante. Debido en parte a la selección natural, cada especie gana cierta “información” que es incorporada a sus cromosomas.

Durante la reproducción sexual, un nuevo individuo, diferente de sus padres, se genera a través de la acción de dos mecanismos fundamentales: El primero es el cruzamiento, que combina parte del patrimonio genético de cada progenitor para elaborar el del nuevo individuo; el segundo es la mutación, que supone una modificación espontánea de esta información genética. La descendencia será diferente de los progenitores, pero mantendrá parte de sus características. Si los hijos heredan buenos atributos de sus padres, su probabilidad de supervivencia será mayor que aquellos otros que no las tengan. De este modo, los mejores tendrán altas probabilidades de reproducirse y diseminar su información genética a sus descendientes.

Holland (1975) estableció por primera vez una metaheurística basada en la analogía genética. Un individuo se puede asociar a una solución factible del problema, de modo que se pueda codificar en forma de un vector binario “string”. Entonces un operador de cruzamiento intercambia cadenas de los padres para producir un hijo. La mutación se configura como un operador secundario que cambia, con una probabilidad pequeña, algunos elementos del vector hijo. La aptitud del nuevo vector creado se evalúa de acuerdo con una función objetivo.

Los pasos a seguir con esta metaheurística serían los siguientes:

Generar una población de vectores (individuos).
Mientras no se encuentre un criterio de parada:
1. Seleccionar un conjunto de vectores padre, que serán reemplazados de la población.
2. Emparejar aleatoriamente a los progenitores y cruzarlos para obtener unos vectores hijo.
3. Aplicar una mutación a cada descendiente.
4. Evaluar a los hijos.
5. Introducir a los hijos en la población.
6. Eliminar a aquellos individuos menos eficaces.

Normalmente este proceso finaliza después de un numero determinado de generaciones o cuando la población ya no puede mejorar. La selección de los padres se elige probabilísticamente hacia los individuos más aptos. Al igual que ocurre con en la Naturaleza, los sujetos con mayor aptitud diseminan sus características en toda la población.

Esta descripción de los GA se adapta a cada situación concreta, siendo habitual la codificación de números enteros en vez de binarios. Del mismo modo se han sofisticado los distintos operadores de cruzamiento y mutación.

Os dejo a continuación un vídeo explicativo que he elaborado para mis clases de “Modelos predictivos y de optimización heurística de estructuras de hormigón“, del Máster Universitario en Ingeniería del Hormigón, de la Universitat Politècnica de València.

Referencias:

DENNETT, D.C. (1999). La peligrosa idea de Darwin. Galaxia Gutenberg. Círculo de Lectores, Barcelona.

HOLLAND, J.H. (1975). Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor.

MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949. (link)

MEDINA, J.R.; YEPES, V. (2003). Optimization of touristic distribution networks using genetic algorithms. Statistics and Operations Research Transactions, 27(1): 95-112. ISSN: 1696-2281. (pdf)

PONZ-TIENDA, J.L.; YEPES, V.; PELLICER, E.; MORENO-FLORES, J. (2013). The resource leveling problem with multiple resources using an adaptive genetic algorithm. Automation in Construction, 29(1):161-172. DOI:http://dx.doi.org/10.1016/j.autcon.2012.10.003. (link)

YEPES, V. (2003). Apuntes de optimización heurística en ingeniería. Editorial de la Universidad Politécnica de Valencia. Ref. 2003.249. Valencia, 266 pp. Depósito Legal: V-2720-2003.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

18 años de la lectura de mi tesis doctoral: Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW

Hoy 4 de septiembre, pero del año 2002, tuve la ocasión de defender mi tesis doctoral titulada “Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW“. La tesis la dirigió el profesor Josep Ramon Medina Folgado, el tribunal lo presidió José Aguilar, acompañado por José Vicente Colomer, Francesc Robusté, Francisco García Benítez y Jesús Cuartero. La calificación fue de sobresaliente “cum laude” por unanimidad.

Por tanto, mi tesis ya ha cumplido la mayoría de edad. Es un buen momento de reflexionar sobre lo que este trabajo supuso para mí. Fue una tesis tardía, pues la leí con 38 años, teniendo ya una buena trayectoria profesional en la empresa privada (Dragados y Construcciones) y en la administración pública (Generalitat Valenciana). De alguna forma, ya tenía la vida más o menos solucionada, con experiencia acumulada, pero con muchas inquietudes. En aquel momento era profesor asociado a tiempo parcial y, en mis ratos libres, me dediqué a hacer la tesis doctoral. Ni decir tiene las dificultades que supone para cualquiera el sacar tiempo de donde no lo hay para hacer algo que, en aquel momento, era simplemente vocacional. No hubo financiación de ningún tipo, ni reducción de jornada laboral, ni nada por el estilo. En aquel momento ni se me ocurrió que acabaría, años después, como catedrático de universidad. Del 2002 al 2008 seguí como profesor asociado trabajando en la administración pública. Por último, por el sistema de habilitación nacional, accedí a la universidad directamente de profesor asociado a profesor titular, cosa bastante rara en aquel momento. Gracias a que era una verdadera oposición con el resto de candidatos, tuve la oportunidad de mostrar mis méritos ante un tribunal. Luego la cátedra vino por el sistema de acreditación, y la plaza, tras una penosa espera a causa de la crisis y por las cuotas de reposición. Pasé en 6 años de ser profesor asociado a tiempo parcial a estar habilitado como catedrático de universidad (12 de mayo del 2014). Todo eso se lo debo, entre otras cosas, a la gran producción científica que pude llevar a cabo y que tuvo su origen en esta tesis doctoral.

Por cierto, en aquella época la tesis doctoral tenía que ser inédita, es decir, no tenía que haberse publicado ningún artículo de la tesis. Hoy día es todo lo contrario, conviene tener 3-4 artículos buenos antes de pasar por la defensa. Luego publiqué al respecto algunos artículos en revistas nacionales e internacionales, pero sobre todo, comunicaciones a congresos.

La tesis supuso, en su momento, aprender en profundidad lo que era la algoritmia, el cálculo computacional y, sobre todo, la optimización heurística. En aquel momento, al menos en el ámbito de la ingeniería civil, nada o muy poco se sabía al respecto, aunque era un campo abonado a nivel internacional. Luego comprobé que todo lo aprendido se pudo aplicar al ámbito de las estructuras, especialmente a los puentes, pero eso es otra historia.

Os dejo las primeras páginas de la tesis y la presentación que utilicé en Powerpoint. Para que os hagáis una idea del momento, la presentación también la imprimí en acetato, pues aún se utilizada en ese momento en las clases la proyección de transparencias.

Referencia:

YEPES, V. (2002). Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW. Tesis Doctoral. Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos. Universitat Politècnica de València. 352 pp. ISBN: 0-493-91360-2.

Descargar (PDF, 340KB)

Descargar (PDF, 5.92MB)

Revisión de los métodos de optimización aplicados al consumo de energía en ferrocarriles

Acaban de publicarnos un artículo en la revista Journal of Cleaner Production, revista de ELSEVIER indexada en el primer decil del JCR. Se trata de un artículo de revisión del estado del arte donde se analizan 52 artículos científicos relacionados con el consumo energético en ferrocarriles. Se analizan dos áreas principales: las técnicas de modelización utilizadas para simular el movimiento de los trenes y el consumo de energía, y los métodos de optimización utilizados para conseguir una circulación ferroviaria más eficiente. Se describen brevemente los métodos más utilizados en cada caso y se analizan las principales tendencias encontradas. Además, se ha realizado un estudio estadístico para reconocer las relaciones entre los métodos y las variables de optimización. Se encontró que los modelos determinísticos basados en la ecuación de Davis son, con diferencia (85% de los trabajos revisados), los más comunes en términos de modelización. En cuanto a la optimización, los métodos meta-heurísticos son la opción preferida (57,8%), en particular los Algoritmos Genéticos. Este artículo forma parte de nuestra línea de investigación BRIDLIFE en la que se pretenden optimizar las infraestructuras atendiendo no sólo a su coste, sino al impacto ambiental y social que generan a lo largo de su ciclo de vida.

El artículo lo podéis descargar GRATUITAMENTE hasta el 3 de mayo de 2019 en el siguiente enlace: https://authors.elsevier.com/a/1YjHX3QCo9Uqa3

Abstract:

Railways are a rather efficient transport mean, and yet there is increasing interest in reducing their energy consumption and making them more sustainable in the current context of climate change. Many studies try to model, analyse and optimise the energy consumed by railways, and there is a wide diversity of methods, techniques and approaches regarding how to formulate and solve this problem. This paper aims to provide insight into this topic by reviewing up to 52 papers related to railways energy consumption. Two main areas are analysed: modelling techniques used to simulate train(s) movement and energy consumption, and optimisation methods used to achieve more efficient train circulations in railway networks. The most used methods in each case are briefly described and the main trends found are analysed. Furthermore, a statistical study has been carried out to recognise relationships between methods and optimisation variables. It was found that deterministic models based on the Davis equation are by far (85% of the papers reviewed) the most common in terms of modelling. As for optimisation, meta-heuristic methods are the preferred choice (57.8%), particularly Genetic Algorithms.

Keywords:

Railways

Energy efficiency

Modelling

Optimisation

Meta-heuristics

Reference:

MARTÍNEZ-FERNÁNDEZ, P.; VILLALBA-SANCHÍS, I.; INSA-FRANCO, R.; YEPES, V. (2019). A review of modelling and optimisation methods applied to railways energy consumption. Journal of Cleaner Production, 222:153-162. DOI:10.1016/j.jclepro.2019.03.037

Optimización heurística mediante aceptación por umbrales

En algunos posts anteriores hemos comentado lo que es un modelo matemático de optimización, qué son las metaheurísticas, o cómo poder optimizar las estructuras de hormigón. A continuación os presentamos un Polimedia donde se explica brevemente cómo podemos optimizar siguiendo la técnica de optimización heurística mediante aceptación por umbrales. Podréis comprobar cómo se trata de un caso similar a la famosa técnica de la cristalización simulada. Espero que os sea útil.

Podéis consultar, a modo de ejemplo, algunos artículos científicos que hemos escrito a ese respecto en las siguientes publicaciones:

CARBONELL, A.; GONZÁLEZ-VIDOSA, F.; YEPES, V. (2011). Heuristic optimization of reinforced concrete road vault underpasses. Advances in Engineering Software, 42(4): 151-159. ISSN: 0965-9978. (link)
MARTÍNEZ, F.J.; GONZÁLEZ-VIDOSA, F.; HOSPITALER, A.; YEPES, V. (2010). Heuristic Optimization of RC Bridge Piers with Rectangular Hollow Sections. Computers & Structures, 88: 375-386. ISSN: 0045-7949. (link)
YEPES, V.; MEDINA, J.R. (2006). Economic Heuristic Optimization for Heterogeneous Fleet VRPHESTW. Journal of Transportation Engineering, ASCE, 132(4): 303-311. (link)

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

Los condicionantes físicos en el emplazamiento de una obra

El espacio disponible, junto con las necesidades necesarias que se deben cubrir en una obra, son dos datos fundamentales para proyectar e implantar las instalaciones y planificar correctamente las tareas. Por ello, una correcta planificación debe considerar, entre otros, los siguientes aspectos: el solar, su situación geográfica, geometría, topografía y linderos, el emplazamiento respecto a la población, el planeamiento vigente, la calificación del suelo, el equipamiento urbano, las expropiaciones necesarias y servidumbres, etc. Es necesario un estudio geológico y geotécnico de la zona que ocupa la obra. Además, se debe conocer con precisión los condicionantes meteorológicos (temperatura, lluvia, viento, soleamiento, etc.). En obras marítimas también son necesarios estudios batimétricos, de clima marítimo, corrientes, etc.

Para el correcto desarrollo de las obras, se debe contar no sólo con el terreno necesario para la ocupación, sino que además, es necesario disponer, aunque sea de forma provisional, del espacio suficiente para las instalaciones de obra y los acopios de materiales, así como para obras provisionales inevitables como desvíos o ataguías. Además, resulta ineludible, en su caso, el acceso a las canteras o vertederos necesarios. Se aprovechan los desniveles para que la circulación de los materiales en las instalaciones sea por gravedad. En su caso, además, debe considerarse la necesidad de vallar el solar, o al menos, controlar sus accesos. Las aguas pluviales pueden dificultar el desarrollo normal de las obras, para lo cual se debe tener prevista la circulación y evacuación de dichas aguas. Para ello las pistas y caminos de obra deben drenar adecuadamente.

A este respecto, se distingue entre obras puntuales, lineales o extensas. Un ejemplo de las primeras son los edificios, donde los solares suelen ser pequeños con los consiguientes problemas de almacenamiento de materiales, instalaciones temporales, etc. Las obras lineales como las carreteras, los canales o las líneas ferroviarias, o las obras extensas como los aeropuertos o las urbanizaciones, presentan otros problemas como los transportes de materiales y equipos dentro de la obra, la reposición de servicios y servidumbres, o el control de los accesos, el vallado y la seguridad.

La elección del espacio necesario y de la situación óptima donde ubicar las instalaciones necesarias para ejecutar una obra es un problema que debe estudiarse con cierto detalle. En ocasiones tanto el espacio como su localización son datos fijos del problema, es decir, no existe la posibilidad de elegir alternativas. Por ejemplo, puede ocurrir que en una obra de edificación sólo podamos utilizar el propio solar o un solar anexo a la obra. Sin embargo, siempre que sea posible, es necesario dedicar el tiempo necesario para localizar la mejor opción posible. Hay que tener en cuenta que las personas y los materiales van a moverse por la obra de un sitio a otro. La elección de aquel lugar que minimice los movimientos va a tener una repercusión económica en los costes de ejecución de la obra. Una técnica de interés para estudiar la repercusión que tiene la localización de las instalaciones de una obra es el diagrama planimétrico de flujo o diagrama de recorrido. Se trata de una representación gráfica sobre plano del área en la cual se desarrolla la actividad, con las ubicaciones indicadas de los puestos de trabajo y el trazado de los movimientos de los hombres y de los materiales. Este tipo de gráfico muestra el trabajo realizado de forma clara y sencilla, permitiendo el estudio de cada actividad para realizar mejoras.

Referencias:

PELLICER, E.; YEPES, V.; TEIXEIRA, J.C.; MOURA, H.P.; CATALÁ, J. (2014). Construction Management. Wiley Blackwell, 316 pp. ISBN: 978-1-118-53957-6.

PELLICER, E.; YEPES, V.; TEIXEIRA, J.M.C.; MOURA, H.; CATALÁ, J. (2008). Construction Management. Construction Managers’ Library Leonardo da Vinci: PL/06/B/F/PP/174014. Ed. Warsaw University of Technology, 231 pp. ISBN: 83-89780-48-8.

¿Cuántas piezas de repuesto debo tener en mi almacén de obra?

La gestión de inventarios o de stocks no es algo nuevo. Sin embargo, a veces no sabemos muy bien cuántas piezas de repuesto deberíamos tener en nuestro almacén de obra. Pues bien, en esta entrada dejo una forma sencilla de calcularlo basada en la probabilidad prevista de fallos para un periodo de tiempo determinado. Espero que os sea útil.

Para un buen funcionamiento de una máquina es necesario mantener un stock de piezas de recambio y un utillaje adecuado. Si bien mantener estas existencias significa una fuerte suma de capital inactivo, también es cierto que la falta de recambios puede suponer pérdidas importantes en la producción.

La previsión de los repuestos necesarios de un elemento de una máquina para un periodo de tiempo determinado depende de su tasa de fallos. Cuando los fallos aparecen de forma independiente, la distribución de Poisson proporciona la probabilidad de que un suceso con una tasa de fallos constante l ocurra r veces en un intervalo de tiempo t:

Se comprueba que para r = 1 la distribución de Poisson describe el modelo exponencial de fallo descrito anteriormente.

Para el cálculo del número de repuestos, se puede acumular la probabilidad de tener r fallos o menos en un intervalo de tiempo t:

A continuación os dejo un Polimedia donde se explica con detalle la función de distribución de Poisson. Espero que os sea útil.

Os dejo un vídeo de mi canal de Youtube donde os explico un problema resuelto.

Referencias:

YEPES, V. (1997). Equipos de movimiento de tierras y compactación. Problemas resueltos. Colección Libro Docente nº 97.439. Ed. Universitat Politècnica de València. 253 pág. Depósito Legal: V-4598-1997. ISBN: 84-7721-551-0.

YEPES, V. (2015). Coste, producción y mantenimiento de maquinaria para construcción. Editorial Universitat Politècnica de València, 155 pp. ISBN: 978-84-9048-301-5. Ref. 402.

Esta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

¿Qué es la optimización combinatoria?

Los problemas de optimización en los que las variables de decisión son enteras, es decir, donde el espacio de soluciones está formado por ordenaciones o subconjuntos de números naturales, reciben el nombre de problemas de optimización combinatoria. En este caso, se trata de hallar el mejor valor de entre un número finito o numerable de soluciones viables. Sin embargo la enumeración de este conjunto resulta prácticamente imposible, aún para problemas de tamaño moderado.

Las raíces históricas de la optimización combinatoria subyacen en ciertos problemas económicos: la planificación y gestión de operaciones y el uso eficiente de los recursos. Pronto comenzaron a modelizarse de esta manera aplicaciones más técnicas, y hoy vemos problemas de optimización discreta en diversas áreas: informática, gestión logística (rutas, almacenaje), telecomunicaciones, ingeniería, etc., así como para tareas variadas como el diseño de campañas de marketing, la planificación de inversiones, la división de áreas en distritos políticos, la secuenciación de genes, la clasificación de plantas y animales, el diseño de nuevas moléculas, el trazado de redes de comunicaciones, el posicionamiento de satélites, la determinación del tamaño de vehículos y las rutas de medios de transporte, la asignación de trabajadores a tareas, la construcción de códigos seguros, el diseño de circuitos electrónicos, etc. (Yepes, 2002). La trascendencia de estos modelos, además del elevado número de aplicaciones, estriba en el hecho de que “contiene los dos elementos que hacen atractivo un problema a los matemáticos: planteamiento sencillo y dificultad de resolución” (Garfinkel, 1985). En Grötschel y Lobas (1993) se enumeran otros campos en los cuales pueden utilizarse las técnicas de optimización combinatoria.

REFERENCIAS

GARFINKEL, R.S. (1985). Motivation and Modeling, in LAWLER, E.L.; LENSTRA, J.K.; RINNOOY KAN, A.H.G.; SHMOYS, D.B. (eds.) The Traveling Salesman Problem: A Guide Tour of Combinatorial Optimization. Wiley. Chichester.

GRÖTSCHEL, M.; LÓVASZ, L. (1993). Combinatorial Optimization: A Survey. Technical Report 93-29. DIMACS, May.

YEPES, V. (2002). Optimización heurística económica aplicada a las redes de transporte del tipo VRPTW. Tesis Doctoral. Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos. Universitat Politècnica de València. 352 pp. ISBN: 0-493-91360-2. (pdf)

Planificación de redes de transporte con baja demanda

La planificación y gestión de redes de distribución de baja demanda exige disponer de técnicas eficientes de optimización de rutas. El sistema de optimización de rutas disponible, no sólo afecta el desarrollo de operaciones sino, también las decisiones tácticas y estratégicas como el tamaño óptimo de flota, estimación de costes, políticas de publicidad y rotura de servicio, etc. Por ejemplo, es habitual la venta de paquetes turísticos que incluyen el transporte; los precios se fijan mucho antes de que la demanda de transporte sea conocida, siendo frecuentes las cancelaciones de última hora y la llegada de nuevos clientes. Si el número de pasajeros que debe ser transportado es pequeño, en comparación con la máxima capacidad de carga del vehículo óptimo a la distancia correspondiente, los beneficios o pérdidas generadas por el transporte dependen críticamente de la eficiencia del sistema de optimización de rutas. La Figura describe la influencia de la optimización de operaciones en la planificación y gestión de redes de distribución de baja demanda.

Redes de baja demanda — Planificación y Gestión de Redes de Distribución de Baja Demanda

Así pues, la planificación Continue reading “Planificación de redes de transporte con baja demanda” →

Algoritmo del solterón aplicado a la optimización de rutas con flotas heterogéneas VRPHESTW

Me ha parecido interesante rescatar una pequeña publicación, que ya tiene 10 años, donde se aplicaba un algoritmo de optimización heurística curioso: Old Bachelor Acceptance, o “algoritmo del solterón“. En este caso, aplicado a la optimización de redes de transporte con flotas heterogéneas. Resulta curioso ver cómo determinados comportamientos sociales (colonias de hormigas), principios naturales (teoría de la evolución) o recreaciones de nuestro cerebro (redes neuronales) son capaces de resolver problemas complejos de optimización.

Espero que os sea de interés.

¿Por qué son tan complicados los problemas de distribución física?

Aspecto de diversas soluciones al problema de rutas

Los problemas de distribución física consisten básicamente en asignar una ruta a cada vehículo de una flota para repartir o recoger mercancías. Los clientes se localizan en puntos o arcos y a su vez pueden presentar horarios de servicio determinados; el problema consiste en establecer secuencias de clientes y programar los horarios de los vehículos de manera óptima. Los problemas reales de transporte son extraordinariamente variados. Yepes (2002) propone una clasificación que contiene un mínimo de 8,8·10⁹ combinaciones posibles de modelos de distribución. Si alguien fuese capaz de describir en un segundo cada uno de ellos, tardaría cerca de 280 años en enunciarlos todos. La investigación científica se ha centrado, por tanto, en un grupo muy reducido de modelos teóricos que además tienden a simplificar excesivamente los problemas reales. Son típicos problemas de optimización matemática combinatoria. Continue reading “¿Por qué son tan complicados los problemas de distribución física?” →