DESARROLLO DE UNA META-HEURÍSTICA DE INTELIGENCIA

ARTIFICIAL BASADA EN SIMULATED ANNEALING ORIENTADA

A LA RESOLUCIÓN DE PROBLEMAS DE OPTIMIZACIÓN EN SIMULACIÓN
MULTIOBJETIVO

Eduardo Alberto Avello Cid

eavello@yahoo.com
Felipe Baesler Abufarde
Fbaesler@ubiobio.cl

Departamento de Ingeniería Industrial

Universidad del Bío-Bío
Avenida Collao 1202, Casilla 5C
Concepción

Resumen

El siguiente trabajo aborda el problema de optimización en simulación multi objetivo a

través de la meta heurística Simulated annealing. Dado que esta técnica corresponde a un
método asociado a optimización de objetivos simples, se ha diseñado una modificación que
permita enfrentar la búsqueda desde una perspectiva multi objetivo. La eficiencia y eficacia
de la metodología propuesta será puesta a prueba con varios casos reales los cuales se
modelaron a través de simulación discreta.

Palabras Claves: Simulación, Optimización Simulated Annealing, Multi Objetivo

Revisión Bibliográfica

El estudio sobre el estado del arte indica que a la fecha no se han realizado estudios
empíricos ni teóricos sobre la aplicación de una meta-heurística basada en simulated
annealing a la resolución de problemas de optimización en simulación multiobjetivo. En
simulación convencional o de un sólo objetivo, basados en simulated annealing, han
publicado los autores como Bulgak y Sanders (1988), Haddok y Mittentahal (1992),
Lacksonen y Anussornnitisarn (1995), y Brady y McGarvey (1998), pero considerando el
algoritmo simulated annealing convencional, el cual permite trabajar o efectuar búsqueda
sólo con un objetivo a optimizar. En el ámbito multiobjetivo, otros autores han investigado
el tema de optimización en simulación multiobjetivo, pero empleando herramientas
diferentes a simulated annealing, tales como metamodelos, métodos basados en gradiente, y
algoritmos genéticos. Entre los autores que han abordado el tema multiobjetivo utilizando
algoritmos genéticos se puede mencionar a Baesler (2000), uilizando metamodelos a Boyle
(1985), utilizando métodos basados en gradiente a Mollaghasemi (1994), Mollaghasemi y
Evans (1994), y Mollaghasemi, Evans y Biles (1991).

Lineamientos Para Desarrollar Un Nuevo Algoritmo Multi Objetivo Basado En SA

El nuevo algoritmo basado en SA tiene como principal función guiar la búsqueda en
dirección a una solución óptima, de modo de satisfacer todos los objetivos en forma
simultánea, de acuerdo a un criterio específico de “navegación”. El principal asunto que
este nuevo algoritmo debe resolver en cada etapa de la búsqueda es decidir cuál de los
objetivos, o bien, cuál resultado o salida de cada uno de los objetivos considerar para
evaluar la función de aceptación que contempla la meta-heurística de SA. Esto se consigue
seleccionando un objetivo en cada paso de la búsqueda, o bien evaluando la salida o
resultado de todos los objetivos y calcular un promedio ponderado u otro tipo de función de
salida colectiva.

Nueva Meta Heurística Basada en SA

En cada etapa de la búsqueda, tras la evaluación de todos los objetivos, se pueden enfrentar
tres escenarios: todos los objetivos mejoran, todos empeoran, o algunos mejoran y otros
empeoran. En el primer caso, no hay mayor problema en decidir continuar la búsqueda en
esa dirección, ya que la última solución es mejor que la anterior. En caso que todos los
objetivos empeoren, la última solución probada debe ser evaluada por algún tipo de función
de aceptación. En el tercer caso se debe tomar una decisión. Elegir uno de los objetivos
como referente, y efectuar el movimiento acorde al desempeño de ese objetivo particular en
la etapa de la búsqueda en que se encuentre. La solución se debe aceptar si ese objetivo
mejoró, o evaluar una función de aceptación particular para ese objetivo, en caso que haya
empeorado. En este caso, un solo objetivo guía la búsqueda de todo el problema, basado en
una selección dada por una función.

El algoritmo general se puede describir de acuerdo a la siguiente programación:

1) Definir solución inicial X0.

2) Definir vecindad de X0.
3) Correr modelo de simulación. Evaluar objetivos F(X0).
4) Seleccionar solución X1 en vecindad de X0.
5) Correr modelo de simulación. Evaluar objetivos F(X1).
6) Si F(X1) es mejor que F(X0) para todos los objetivos, hacer X0 = X1 y volver a 2).
7) Si F(X1) es peor que F(X0) para todos los objetivos, evaluar función de selección
FS. Obtener objetivo referente OR. Ir a 9).
8) Si F(X1) es peor que F(X0) sólo para algunos objetivos, evaluar función de
selección FS. Obtener objetivo referente OR. Ir a 13).
9) Obtener temperatura T de curva de enfriamiento global CEG.
10) Evaluar función de aceptación específica FAE para objetivo referente OR.
11) Si FAE rechaza la solución, volver a 4).
12) Si FAE es aceptada, hacer X0 = X1 y volver a 2).
13) Si OR mejora, hacer X0 = X1 y volver a 2).
14) Si OR empeora, obtener temperatura T de curva de enfriamiento global CEG.
15) Evaluar función de aceptación específica FAE para objetivo referente OR.
16) Si FAE rechaza la solución, volver a 4).
17) Si FAE es aceptada, hacer X0 = X1 y volver a 2).
Selección del Problema de Prueba

Como problema de prueba se seleccionó la resolución de un problema de optimización en

simulación multiobjetivo, el cual contiene 4 objetivos y 4 variables discretas independientes
o variables solución. El problema de prueba se refiere a las situación de un centro de
atención ambulatoria para el cáncer, el cual debe optimizar 4 objetivos, minimizar el tiempo
de espera de los pacientes, maximizar la tasa de utilización de sillones de atención,
minimizar el tiempo de cierre del centro, y maximizar la tasa de utilización de enfermeras.
En forma arbitraria, los 4 objetivos han sido denominados O1, O2, O3 y O4,
respectivamente. Las 4 variables independientes corresponden a número de sillones de
atención, número de enfermeras, capacidad del laboratorio, y capacidad de la farmacia.
También en forma arbitraria, las 4 variables solución han sido denominadas X1, X2, X3 y
X4.

Conclusiones

La programación computacional del algoritmo se encuentra en fase final. Una vez

concluida, se procederá a correr el problema seleccionado empleando el nuevo algoritmo
basado en SA, para poder comparar los resultados con aquellos obtenidos mediante la meta-
heurística de algoritmos genéticos adaptada para problemas de optimización en simulación
multi objetivo. Los resultados se entregaran en la exposición del congreso.

Referencias

Baesler, F., 2000, “Multi-Response Simulation Optimization Using Stochastic Genetic

Search Within A Goal Programming Framework”, University Of Central Florida.
Brady, T. and MacGarvey, B., 1998, “”Heuristics Optimization Using Computer
Simulation: A Study Of Staffing Levels In A Pharmaceutical Manufacturing
Laboratory”, Proceedings Of The 1998 Winter Simulation Conference.
Bulgak, A. A. and Sanders, L. J., 1988, “Integrating A Modified Simulated Annealing
Algorithm With The Simulation Of A Manufacturing System To Optimize Buffer Sizes
In Automatic Assembly Systems”, Proceedings Of The 1988 Winter Simulation
Conference.
Haddock, J., Mittenthal, J., 1992. Simulation Optimization Using Simulated Annealing.
Computers and Industrial Engineering. Vol. 22, 4, pp. 387-395.
Lacksonen, T. and Anussornnitisarn, P., 1995, “Empirical Comparison Of Discrete Event
Simulation Techniques”, Proceeding Of The 1995 SCSC.
Law, A. M. and Kelton, W. D., 1991, “Simulation Modeling And Analysis”, McGraw-Hill.
Mollaghasemi, M. and Pet-Edwards, J. “Making Multiple-Objective Decisions”, IEEE
Computer Society, Technical Briefing, 1997.
Montgomery, D. C., 1991, “Design And Analysis Of Experiments”, Wiley.
Rayward-Smith, V. J., Osman, I. H., Reeves, C. R., and Smith, G. D., 1996, “Modern
Heuristic Search Methods”, Wiley.