Algoritmos Memticos en problemas de Investigacin Operativa

Memetic Algorithms in Operational Research problems

Jess M. Larraaga Lesaca1, Ekaitz Zulueta Guerrero2, Fernando Elizagarate

Ubis3 ,Jon Alzola Bernardo4

Dpto. de Organizacin de Empresas. Escuela Universitaria de Ingeniera de Vitoria-Gasteiz.

Universidad del Pas Vasco Euskal Herriko Unibertsitatea (UPV-EHU). Nieves Cano 12, 01006 VitoriaGasteiz.
2
Dpto. de Ingeniera de sistemas. Escuela Universitaria de Ingeniera de Vitoria-Gasteiz. Universidad del
Pas Vasco Euskal Herriko Unibertsitatea (UPV-EHU). Nieves Cano 12, 01006 Vitoria-Gasteiz.
3
Dpto. de Organizacin de Empresas. Escuela Universitaria de Ingeniera de Vitoria-Gasteiz.
Universidad del Pas Vasco Euskal Herriko Unibertsitatea (UPV-EHU). Nieves Cano 12, 01006 VitoriaGasteiz.
4
Investigador predoctoral

Resumen.
En este artculo se plantea la resolucin de un problema de Investigacin Operativa
utilizando PHPSimplex (herramienta online de resolucin de problemas de optimizacin
utilizando el mtodo Simplex), Solver de Microsoft Excel y un prototipo hbrido que
combina las teoras de los Algoritmos Genticos con una tcnica heurstica de bsqueda
local. La hibridacin de estas dos tcnicas es conocida como Algoritmo Memtico. Este
prototipo ser capaz de resolver problemas de Optimizacin con funcin de
maximizacin o minimizacin conocida, superando las restricciones que se planteen.
Los tres mtodos conseguirn buenos resultados ante problemas de Investigacin
Operativa.
El objetivo, adems de resolver el problema propuesto, es comparar cmo se comportan
los tres mtodos anteriormente citados ante el problema y cmo afrontan las dificultades
que ste presenta. Adems, este artculo pretende dar a conocer diferentes tcnicas de
apoyo a la toma de decisiones, con la intencin de que se utilicen cada vez ms en el
entorno empresarial sustentando, de esta manera, las decisiones mediante la matemtica
o la Inteligencia Artificial y no basndose nicamente en la experiencia.
Abstract.
This article tries to give solution to an Operational Research problem by using
PHPSimplex (online tool to solve optimization problems by using Simplex method),
Microsoft Excel Solver and a hybrid prototype which combines the theories of Genetic
Algorithms with a local search heuristic technique. Hybridization of these two
techniques is known as Memetic Algorithm. This prototype will be able to solve
optimization problems with known maximization or minimization function, overcoming
the arised constraints.
The three methods will get good results with problems of Operational Research.
The goal, besides solving the proposed problem, is to compare how the three methods
mentioned behave with the problem and how they face the difficulties it presents.
Additionally, this article tries to present different techniques to support decision-making
with the intention of being used increasingly in the business environment sustaining,
thus, decisions by mathematics or artificial intelligence and not only by experience.
Palabras clave: Simplex, Solver, Algoritmos Genticos, Investigacin Operativa,
Programacin Lineal, Heursticas, Mtodo Hbrido, Algoritmos Memticos, Mtodos
cuantitativos, Optimizacin, Restricciones.
Keywords: Simplex, Solver, Genetic Algorithms, Operational Research, Linear
Programming, Heuristics, Hybrid Methods, Memetic Algorithms, Quantitative
Methods, Optimization, Constraints.
1.

Introduccin

La Investigacin Operativa es una moderna disciplina cientfica que se caracteriza por la

aplicacin de teora, mtodos y tcnicas especiales, para buscar la solucin de los
problemas. Para hallar la solucin, la Investigacin Operativa generalmente representa
el problema como un modelo matemtico, que es analizado y evaluado previamente. Es
imprescindible por tanto tener la informacin suficiente como para elaborar un modelo

fiel a la realidad, en caso contrario las decisiones se tomaran a travs de la experiencia

o se establecera el modelo a travs de la simulacin de los procesos productivos
(Villanueva, 2008).
El objetivo ms importante de la aplicacin de la Investigacin Operativa es apoyar en
la toma de decisiones optimas.
En este artculo se plantea la resolucin de un problema conocido como el Problema de
Elaboracin de zumos. El enunciado de este problema aparece en los libros:
Investigacin Operativa. Programacin lineal y aplicaciones de Sixto Ros (1996),
Problemas de Investigacin Operativa, Sixto Ros (Ra-Ma 2006); aunque planteado
aparece sin resolver.
El Problema de Elaboracin de zumos, por tanto, no tiene solucin conocida, por lo
que se buscar la resolucin con mtodos clsicos de optimizacin, como pueden ser los
mtodos cuantitativos, particularmente el mtodo Simplex a travs de la herramienta
gratuita www.PHPSimplex.com, y utilizando la herramienta Solver de Microsoft Excel.
Por ltimo, se mostrar cmo un prototipo, desarrollado en lenguaje de programacin
C++ y basado en la metaheurstica conocida como Algoritmos Genticos, junto a una
heurstica creada para mejorar el funcionamiento, es capaz de llegar a la solucin
ptima. Esta hibridacin de ambas tcnicas recibe el nombre de Algoritmo Memtico.
Antes de enfrentarse al Problema de Elaboracin de zumos, se probar el correcto
funcionamiento de las tres tcnicas en un problema ms sencillo, el del Productor de
Cerveza (Sixto Ros, 1996).
2.

Tcnicas de optimizacin

Existen varias alternativas para dar solucin a un problema complejo que cumpla las
restricciones propuestas y optimice, maximizando o minimizando, una funcin
conocida. En este artculo utilizaremos tres, los cuales se describen a continuacin:
2.1. PHPSimplex
La web www.PHPSimplex.com permite resolver problemas de optimizacin utilizando
el mtodo Simplex.
El mtodo Simplex, descubierto por el matemtico norteamericano George Bernard
Dantzig en 1947, es una tcnica popular para dar soluciones numricas a problemas de
programacin lineal en los que intervienen tres o ms variables.
El lgebra matricial y el proceso de eliminacin de Gauss-Jordan para resolver un
sistema de ecuaciones lineales constituyen la base del mtodo simplex. La resolucin de
programas lineales mediante el mtodo Simplex implica la realizacin de gran cantidad
de clculos a travs de sucesivas tablas, sobre todo cuando el nmero de variables y/o
restricciones es relativamente elevado. En casos reales, la magnitud de los problemas
hace necesario recurrir al uso del computador.
PHPSimplex permite hacer la resolucin paso a paso viendo los cambios que se
producen en las tablas del Simplex.
2.2. Herramienta Solver de Microsoft Excel
Solver es una herramienta para resolver y optimizar ecuaciones mediante el uso de
mtodos numricos. Solver se puede utilizar para optimizar funciones de una o ms

variables, sin o con restricciones. La opcin Solver de EXCEL sirve para resolver
problemas de optimizacin lineal y no lineal; tambin se pueden indicar restricciones
enteras sobre las variables de decisin. Con Solver es posible resolver problemas que
tengan hasta 200 variables de decisin, 100 restricciones explcitas y 400 simples (cotas
superior e inferior o restricciones enteras sobre las variables de decisin). Para acceder a
Solver, seleccione Tools en el men principal y luego Solver.
La forma de usar la herramienta Solver se describe a continuacin. La ventana Solver
Parameters se utiliza para describir el problema de optimizacin a EXCEL. El campo
Set Target Cell contiene la celda donde se encuentra la funcin objetivo correspondiente
al problema en cuestin. Si desea hallar el mximo o el mnimo, seleccione Max o Min.
Si la casilla Value of est seleccionada, Solver tratar de hallar un valor de la celda
igual al valor del campo que se encuentra a la derecha de la seleccin. El cuadro de
dilogo By Changing Cells contendr la ubicacin de las variables de decisin para el
problema. Por ltimo, las restricciones se deben especificar en el campo Subject to the
Constraints haciendo clic en Add. El botn Change permite modificar las restricciones
recin introducidas y Delete sirve para borrar las restricciones precedentes. Reset All
borra el problema en curso y restablece todos los parmetros a sus valores por defecto.
2.3. Algoritmos Genticos, Heursticas y Algoritmos Memticos
En los aos 70, y basndose en la Teora de la Evolucin (Darwin, 1859), se desarrolla
una novedosa tcnica de bsqueda conocida como Algoritmos Genticos (Holland,
1975), la cual, va seleccionando las mejores soluciones posibles hasta llegar a la
solucin ptima a travs de distintos mtodos basados en la naturaleza, como son la
seleccin, el cruzamiento o la mutacin. De esta manera se produce una evolucin en
las soluciones hacia la solucin ptima. Los principios bsicos de los Algoritmos
Genticos
se encuentran bien descritos en numerosos textos, (Davis, 1991),
(Michalewicz, 1996), (Whitley, 1994).
Las heursticas son tcnicas basadas en la experiencia que ayudan a resolver un
problema. Son reglas, que surgen de la experiencia, las cuales se utilizan cuando se
quiere obtener una buena solucin en un tiempo razonable o cuando no existe un
mtodo capaz de alcanzar soluciones ptimas, bajo las restricciones del problema.
Puede encontrarse diversa informacin en distintos artculos, (Michalewicz and Fogel,
2004), (Pearl, 1984), (Chica, et al., 2009).
Los Algoritmos Memticos surgen como combinacin de los Algoritmos Genticos y
tcnicas heursticas, normalmente de bsqueda local. Los individuos creados por ambas
tcnicas compiten y cooperan de manera sinrgica (Moscato, 1989), obteniendo muy
buenos resultados. Aparecen bien descritos en el siguiente artculo, (Cotta, 2007).
3.

El Problema del Productor de Cerveza

3.1. Enunciado
Una fbrica de cervezas produce tres tipos distintos denominados negra, rubia y de baja
graduacin. Para su obtencin son necesarios, adems de agua y lpulo para los cuales
no hay limitacin de disponibilidad, malta y levadura, que limitan la capacidad diaria de
produccin. La tabla siguiente da la cantidad necesaria de cada uno de estos recursos
para producir un litro de cada una de las respectivas cervezas, los kilos disponibles de
cada recurso y el beneficio en unidades monetarias (u.m.) por litro de cada cerveza

producida. El problema del fabricante consiste en decidir cunto debe fabricar de cada
cerveza para que el beneficio total diario sea mximo.
Tabla 1: Resumen del enunciado del problema del productor de cerveza

Negra

Rubia

Baja graduacin

Disponibilidad

Malta

30

Levadura

45

Beneficio

3.2. Modelo del problema

Variables de decisin:

X1 = Produccin en litros de cerveza negra (N) por da.

X2 = Produccin en litros de cerveza rubia (R) por da.
X3 = Produccin en litros de cerveza de baja graduacin (B) por da.

Restricciones:

2 X 1 + X 2 + 2 X 3 30
X 1 + 2 X 2 + 2 X 3 45

Funcin de maximizacin del beneficio:

Max z = 4 X 1 + 7 X 2 + 3 X 3
4.

Resolucin del Problema del Productor de Cerveza

4.1. PHPSimplex
Como se ha comentado anteriormente, se va a utilizar el programa gratuito integrado en
la web www.PHPSimplex.com para buscar las soluciones, y es que PHPSimplex es una
herramienta online para resolver problemas de programacin lineal cuyo uso es libre y
gratuito.
Introducimos el modelo del problema para ver los resultados y comprobar si llega a la
misma solucin que hemos obtenido anteriormente con el Solver y el prototipo de
Algoritmos Genticos.
En primer lugar, elegimos el mtodo Simplex, e introducimos el nmero de variables y
restricciones, tres y dos respectivamente, para este problema, y pulsamos sobre el botn
de Continuar. Ver Figura 1.

Fig. 1: Primera fase para la resolucin del problema con PHPSimplex.

A continuacin, elegimos la opcin de Maximizar, ya que buscamos el beneficio

mximo para este problema y vamos rellenando los huecos con los respectivos
coeficientes, una vez rellenados los campos pulsamos el botn de Continuar. Ver
Figura 2.

Fig. 2: Segunda fase para la resolucin del problema con PHPSimplex.

Una vez introducido el modelo, el programa nos lo muestra ordenadamente, como

podemos observar en la Figura 3.

Fig. 3: Tercera fase para la resolucin del problema con PHPSimplex.

Una vez comprobado que todos los datos son correctos pulsamos sobre el botn
Solucin directa para que nos de la decisin ptima que maximiza el beneficio para
los datos introducidos. Ver Figura 4.

Fig. 4: Cuarta fase para la resolucin del problema con PHPSimplex.

4.2. Herramienta Solver de Excel

En primer lugar se introducen los datos del modelo del problema en Excel, para despus
aplicar la herramienta Solver. El resultado, como podemos observar en la Figura 5, es el
mismo que habamos obtenido anteriormente para este problema utilizando
PHPSimplex.

Fig. 5: Modelo del problema en Excel y resultado obtenido a travs del Solver.

4.3. Algoritmo Memtico o hibridacin entre Algoritmos Genticos y Tcnicas

Heursticas
Para la realizacin del prototipo basado en Algoritmos Genticos se han hecho
numerosas pruebas definiendo distintos tipos de mutacin, cruzamiento, tamao de
poblacin, reemplazamiento Tras estas pruebas se han seleccionado los mtodos y
valores con los que se han obtenido los mejores resultados. Sin embargo, se observa que
el funcionamiento del prototipo es excelente, excepto en soluciones que requieren
valores enteros, ya que el prototipo trabaja con nmeros reales y le cuesta alcanzar las
soluciones ptimas enteras. Por ello, se ha implementado una tcnica heurstica de
bsqueda local que modifica la mejor solucin cambiando los valores reales de las
variables por los enteros ms cercanos, creando as nuevos individuos que tambin
compiten por entrar en la poblacin. Los resultados del prototipo hbrido no han podido
ser ms satisfactorios, como se ver a continuacin en la Figura 6.
Las caractersticas del algoritmo son las siguientes:
Generacin aleatoria de la poblacin inicial.
Nmero de individuos evaluados = 1000.
Probabilidad de mutacin = 20 %.
Tamao de la poblacin = 20.
Cruzamiento uniforme (cada variable o rasgo gentico de un nuevo individuo tiene
el 50% de posibilidades de pertenecer a un progenitor o al otro), (Syswerda, 1989).
El valor de fitness es el mximo valor de z (beneficio).
Seleccin por Ruleta (Michalewicz, 1996).

 Reemplazo por distancia para mantener la diversidad de la poblacin en la que dos

individuos muy parecidos (distancia eucldea entre ambos menor que 0.01 uds.) no
pueden coexistir en la poblacin (Worst Among Most Similar Replacement,
WAMS) (Shuhei, 2003), y mantenimiento del tamao de la poblacin reemplazando
al peor individuo (Replace Worst Strategy, RW) siempre y cuando cumpla el
criterio de diversidad anterior.
Mtodo heurstico que prueba los enteros ms cercanos a la mejor solucin de la
poblacin en cada generacin.
Los pasos de ejecucin del prototipo son los siguientes:
1. Generacin de la poblacin inicial a partir de la solucin generada manualmente.
2. Clculo del valor de fitness para cada individuo.
Repetir
3. Aplicacin del operador de seleccin (Ruleta) para obtener los dos padres.
4. Aplicacin de operadores de cruzamiento y mutacin.
5. Aplicacin del mtodo heurstico de probar enteros.
6. Clculo del valor de fitness para las nuevas generaciones creadas.
7. Reemplazamiento WAMS y RW.
Hasta alcanzar el criterio de parada.
La evolucin de las soluciones hasta alcanzar la solucin final se muestra a
continuacin.
En la Figura 6, puede observarse la poblacin inicial generada aleatoriamente para
solucionar el problema en estudio. La tres primeras columnas corresponden a X1, X2 y
X3, respectivamente, y la cuarta columna al valor de adaptacin o Fitness Value
extrado de la funcin de maximizacin.

Fig. 6: Poblacin inicial generada aleatoriamente.

A continuacin puede observarse, en la Figura 7, la evolucin de la mejor de las

soluciones hasta alcanzar la decisin ptima para este problema. Puede observarse
como el mtodo heurstico de ajuste ha funcionado correctamente entre la Generacin
19 y la 20, acelerando enormemente el proceso de bsqueda de soluciones ptimas.

Fig. 7: Evolucin del mejor individuo hacia la solucin ptima.

En la Figura 8, puede observarse las 20 soluciones que conforman en este caso la

poblacin final, encabezada por la mejor solucin encontrada en la primera posicin.

Fig. 8: Poblacin final alcanzada.

Por ltimo, el programa emite la recomendacin final, correspondiente al mejor

individuo o solucin encontrada (Figura 9), la cual corresponde a X1 = 5, X2 = 20, X3
= 0, lo que nos da un beneficio mximo de 160.

Fig. 9: Solucin final recomendada.

Puede observarse el correcto funcionamiento de las tres tcnicas de optimizacin, ya

que todas llegan a alcanzar la solucin ptima para este problema.
5.

El Problema de Elaboracin de zumos

5.1. Enunciado
Una empresa de alimentacin produce zumos de pera, naranja, limn, tomate, manzana,
adems de otros dos tipos denominados H y G que son combinados de algunos de los
anteriores. La disponibilidad de fruta para el perodo prximo, as como los costes de
produccin y precios de venta para los zumos, vienen dados en la Tabla 1.
Tabla 1. Especificaciones de los zumos de fruta simples.

Fruta
Naranja (N)
Pera (P)
Limn (L)
Tomate (T)
Manzanas (M)

Disponibilidad
mxima (Kg)
32.000
25.000
21.000
18.000
27.000

Coste
(cnts de /Kg)
94
87
73
47
68

Precio de venta
(cnts de /Kg)
129
125
110
88
97

Las especificaciones y precios de venta de los combinados vienen dados en la Tabla 2.

Tabla 2. Especificaciones de los zumos de fruta combinados.

Combinado

Especificacin
No ms del 50% de M
No ms del 20% de P
No menos del 10% de L
40% de N
35% de L
25% de P

Precio de venta
(cnts de /Kg)
100

120

La demanda de los distintos zumos es grande por lo que se espera vender toda la
produccin. Por cada Kg de fruta se produce un litro del correspondiente zumo.
Formular un programa lineal para determinar los niveles de produccin de los siete
zumos de manera que se tenga beneficio mximo para el perodo entrante.
5.2. Modelo del problema
Se ha reducido el nmero de restricciones de 13 a 11, despareciendo los zumos
combinados, H y G, como variable y apareciendo nicamente como variable la cantidad
de cada zumo simple que forman un combinado, H = Hm + Hp + Hl y G = Gn + Gl +
Gp.
Las variables de decisin, por tanto, son: N (Naranja), P (Pera), L (Limn), T (Tomate),
M (Manzana), Gn (Parte de Naranja del combinado G), Gl (Parte de Limn del
combinado G), Gp (Parte de Pera del combinado G), Hm (Parte de Manzana del
combinado H), Hp (Parte de Pera del combinado H), Hl (Parte de Limn del combinado
H).
Las Restricciones son las siguientes:

N + Gn 32000

P + Hp + Gp 25000
L + Hl + Gl 21000
T 18000
M + Hm 27000

Gn = 0'4(Gn + Gl + Gp)
Gl = 0'35(Gn + Gl + Gp)
Gp = 0'25(Gn + Gl + Gp)
Hm 0'5( Hm + Hp + Hl )
Hp 0'2( Hm + Hp + Hl )
Hl 0'1( Hm + Hp + Hl )
La funcin de maximizacin del beneficio es:
Max z = 35 N + 38 P + 37 L + 41T + 29 M + 120(Gn + Gl + Gp ) 94Gn 73Gl 87Gp +

+ 100( Hm + Hp + Hl ) 68 Hm 87 Hp 73Hl

Simplificando:
Max z = 35 N + 38 P + 37 L + 41T + 29M + 26Gn + 47Gl + 33Gp + 32 Hm + 13Hp + 27 Hl

6.

Resolucin del Problema de Elaboracin de zumos

6.1. Mtodo Simplex

Se ha introducido el modelo en la web www.PHPSimplex.com como puede observarse
en la Figura 10.

Figura 10. Datos introducidos para resolver el problema mediante Simplex a travs de
www.PHPSimplex.com.

Una vez introducidos los datos, el programa nos muestra el modelo con las variables de
holgura y variables artificiales aadidas.

Figura 11. Modelo en www.PHPSimplex.com con los datos introducidos.

Una vez llegado a este punto, dando al botn de continuar o de Solucin Directa que
observamos en la Figura 3, el programa nos proporciona un resultado ptimo igual al
alcanzado por el Algoritmo Memtico propuesto en el punto 6.2 de este articulo.
6.2. Algoritmo Memtico o hibridacin entre Algoritmos Genticos y Tcnicas
Heursticas
Se ha implementado un prototipo de Algoritmo Gentico con las siguientes
caractersticas:
Generacin aleatoria de la poblacin inicial.
Nmero de individuos evaluados = 1000.
Probabilidad de mutacin = 20 %.
Tamao de la poblacin = 20.
Cruzamiento uniforme (cada variable o rasgo gentico de un nuevo individuo tiene
el 50% de posibilidades de pertenecer a un progenitor o al otro), Syswerda (1989).
El valor de fitness es el mximo valor de z (beneficio).
Seleccin por Ruleta, Michalewicz 1996.
Reemplazo por distancia para mantener la diversidad de la poblacin en la que dos
individuos muy parecidos (distancia eucldea entre ambos menor que 0.01 uds.) no
pueden coexistir en la poblacin (Worst Among Most Similar Replacement,
WAMS), Shuhei 2003, y mantenimiento del tamao de la poblacin reemplazando

al peor individuo (Replace Worst Strategy, RW) siempre y cuando cumpla el

criterio de diversidad anterior.
Mtodo heurstico que prueba los enteros ms cercanos a la mejor solucin de la
poblacin en cada generacin.
Los pasos de ejecucin del prototipo son los siguientes:
1. Generacin de la poblacin inicial a partir de la solucin generada manualmente.
2. Clculo del valor de fitness para cada individuo.
Repetir
3. Aplicacin del operador de seleccin (Ruleta) para obtener los dos padres.
4. Aplicacin de operadores de cruzamiento y mutacin.
5. Aplicacin del mtodo heurstico de probar enteros.
6. Clculo del valor de fitness para las nuevas generaciones creadas.
7. Reemplazamiento WAMS y RW.
Hasta alcanzar el criterio de parada.
Con estas caractersticas alcanza la solucin ptima para este problema con un beneficio
de 4368000.
En la Figura 13, se puede observar la poblacin inicial generada aleatoriamente. Las 11
primeras columnas, corresponden con el valor que toman las variables N, P, L, T, M,
Gn, Gl, Gp, Hm, Hp, Hl. La ltima corresponde al beneficio que se obtendra con los
valores asociados de las 11 variables.

Figura 13. Poblacin inicial generada aleatoriamente.

En la Figura 14, puede observarse la evolucin del mejor individuo de la poblacin

hasta alcanzar la solucin ptima. Al igual que en la Figura 3, las 11 primeras
columnas, corresponden con el valor que toman las variables N, P, L, T, M, Gn, Gl, Gp,

Hm, Hp, Hl. La ltima, que en esta ocasin se encuentra en la siguiente lnea,
corresponde al beneficio que se obtendra con los valores asociados de las 11 variables.

Figura 14. Solucin alcanzada por prototipo de Algoritmos Genticos

6.3. Herramienta Solver de Microsoft Excel 2007

Se utiliza la herramienta Solver de Microsoft Excel 2007 para encontrar la solucin del
problema de Elaboracin de zumos modelado en el punto 5.2 de este articulo.
El resultado ha sido muy satisfactorio, al alcanzar exactamente la misma solucin que
la propuesta por el Algoritmo Memtico.

7.

Conclusiones

Se presentan en este artculo tres maneras de resolver problemas de Investigacin

Operativa, concretamente de Programacin Lineal. PHPSimplex y Solver de Microsoft
Excel utilizan el mtodo Simplex para alcanzar soluciones ptimas en los problemas
planteados.
Por otro lado el Algoritmo Memtico implementado, que combina la bsqueda basada
en poblaciones y la mejora local con sus pautas de diseo alcanza la solucin ptima en
los problemas enunciados en este artculo.
A lo largo del artculo se explica cmo utilizar cada uno de los mtodos, para que se
conozcan cada vez ms y puedan utilizarse en el entorno empresarial con el objetivo de
ayudar en la toma de decisiones.
Referencias
Chica M, Cordn O, Damas S, et al. 2009. Heursticas constructivas multiobjetivo para
el problema de equilibrado de lneas de montaje considerando tiempo y espacio,
Comunicacin, MAEB'09, VI Congreso Espaol sobre Metaheursticas, Algoritmos
Evolutivos y Bioinspirados, Mlaga, p. 649-656.
Cotta C. 2007. Una Visin General de los Algoritmos Memticos. 1 Edicin.
Procedimientos Metaheursticos en Economa y Empresa. Espaa, ASEPUMA. p. 139166.
Darwin C. 1859. On the Origin of Species by Means of Natural Selection, London,
Murray. 502 p. ISBN: N/A.
Davis L. 1991 Handbook of Genetic Algorithms, 1st Edition. New York, Van Nostrand
Reinhold, 385 p. ISBN: 978-0442001735.
Holland J. 1975. Adaptation in Natural and Artificial Systems, 1st Edition, USA, Ann
Arbor, University of Michigan Press. 228 p. ISBN: 978-0262581110
Michalewicz Z. 1996. Genetic algorithms + data structures = evolution programs. 1st
Edition. USA, Springer. 387 p. ISBN: 978-3540606765
Michalewicz Z, Fogel D. B. 2004. How to Solve It: Modern Heuristics. 2nd Edition
Revised and Extended. USA, Springer. 467 p. ISBN: 978-3540224945
Moscato P. 1989. On Evolution, Search, Optimization, Genetic Algorithms and Martial
Arts: Toward Memetics Algorithms. Technical Report Caltech Concurrent
Computation Program, C3P. California Institute of Technology, Pasadena. California,
USA. Report 826.
Pearl J. 1984. Heuristics. Intelligent Search Strategies for Computer Problem Solving.
1st Edition. Massachusests: Addison Wesley. 399 p. ISBN: 978-0201055948
Ros S. 1996. Investigacin Operativa. Programacin lineal y aplicaciones. 1 Edicin.
Madrid, Editorial Centro de Estudios Ramn Areces S.A. ISBN: 84-8004-206-0
Syswerda G. 1989. Uniform crossover in genetic algorithms. Proceedings of the 3rd
International Conference on Genetic Algorithms, USA, p. 2-9.
Shuhei K. 2003. A Genetic Algorithm with Distance Independent Diversity Control for
High Dimensional Function Optimization. Transactions of the Japanese Society for
Artificial Intelligence. Vol 18, p. 193-202.

Villanueva J. 2008. La simulacin de procesos, clave en la toma de decisiones, DYNA

- Ingeniera e Industria. Vol. 83, N 4, p. 221-227.
Whitley D. 1994. A Genetic Algorithm Tutorial Statistics and Computing. Vol. 4.
Number 2, p. 65-85.

NOTA ACLARATORIA
Por solicitud de D. Jess M Larraaga Lesaka, autor del artculo Algoritmos memticos
en problemas de Investigacin Operativa, publicado originalmente en el nmero 18
(diciembre de 2011) de la Revista de Direccin y Administracin de Empresas (ISSN 11352051), pginas. 189 208, se rectifica su artculo en los siguientes puntos.
En el punto de RESUMEN (pg.190) dice textualmente:
Los tres mtodos conseguirn buenos resultados ante problemas sencillos de Investigacin
Operativa, sin embargo, se propone otro problema en el cual el Algoritmo Memtico y la
herramienta Solver de Microsoft Excel, alcanzaran la solucin optima. La resolucin del
problema utilizando PHPSimplex resultar inviable.
Siendo rectificado por:
Los tres mtodos conseguirn buenos resultados ante problemas de Investigacin Operativa.
En el punto 6 de Resolucin del problema de la elaboracin de zumos (pgs. 202 y
siguientes), concretamente al final del punto 6.1 se dice textualmente:

Una vez llegado a este punto, tanto dando al botn de continuar o de Solucin Directa que
observamos en la Figura 2, el programa se bloquea y no es capaz de proporcionar ninguna
solucin
Siendo rectificado por:
Una vez llegado a este punto, dando al botn de continuar o de Solucin Directa que
observamos en la Figura 3, el programa nos proporciona un resultado ptimo igual al
alcanzado por el Algoritmo Memtico propuesto en el punto 6.2 de este articulo.

Y en el punto 7 de Conclusiones (pg. 207), se dice textualmente:

PHPSimplex y Solver de Microsoft Excel utilizan el mtodo Simplex para intentar
alcanzar soluciones ptimas en los problemas planteados, sin embargo, el primero de
ellos se atasca en uno de los problemas propuestos.
Siendo rectificado por:
Se presentan en este artculo tres maneras de resolver problemas de Investigacin Operativa,
concretamente de Programacin Lineal. PHPSimplex y Solver de Microsoft Excel utilizan el
mtodo Simplex para alcanzar soluciones ptimas en los problemas planteados.
Por otro lado el Algoritmo Memtico implementado, que combina la bsqueda basada en
poblaciones y la mejora local con sus pautas de diseo alcanza la solucin ptima en los
problemas enunciados en este artculo.
La versin on line ha sido actualizada.

Se agradecen las aportaciones realizadas por D. Juan Jos Ruiz Ruiz CEO de PHPSimplex.