Índice

Resumen

Introducción

Historia de la inteligencia artificial

Definiciones de inteligencia artificial

Tendencias de los sistemas de inteligencia artificial

Aplicaciones de la inteligencia artificial y las técnicas que usan

Aplicación de la inteligencia artificial en los sistemas productivos

Aplicaciones de la inteligencia artificial en la solución de problemas específicos de producción

Conclusiones

Bibliografía

1. RESUMEN

Este documento está centrado en analizar más a fondo lainteligencia artificial con sus diferentes paradigmas, siendo los másrelevantes las redes neuronales, algoritmos genéticos, sistemas de lógicadifusa y autómatas programables, con sus diferentes aplicaciones en la vidacotidiana y más específicamente aplicados a las soluciones de problemasrelacionados con la ingeniería industrial.

Se considera que la producción en nuestros días puede estarmuy apoyada en las nuevas tecnologías, como es la inteligencia artificial yasea como soporte para una toma de decisiones más eficaz o en la ayuda delabores, tareas, que exijan gran demanda de tiempo o representen un alto gradode peligrosidad al ser humano.

Palabras claves: Inteligencia artificial, redesneuronales, algoritmos genéticos, sistemas de lógica difusa, producción.

2. INTRODUCCIÓN

La inteligencia artificial es un área de la investigacióndonde se desarrollan algoritmos para controlar cosas, y es así que en 1956 seestablecen las bases para funcionar como un campo independiente de la informática.

Son muchos los estudios y aplicaciones que se han logrado conel desarrollo de esta ciencia , entre las cuales tenemos redes neuronalesaplicadas al control de la calidad donde la red evalúa si determinado productocumple o no con las especificaciones demandadas, control del proceso químico enel grado de acidez, algoritmos genéticos aplicados al problema cuadrático deasignación de facilidades que trata de la asignación de N trabajos en M máquinas,los autómatas programables que se usan para la optimización de sistemas deproducción, en fin, todavía queda mucho por descubrir con respecto a lasaplicaciones de esta ciencia.

3. HISTORIA DE LA INTELIGENCIA ARTIFICIAL

Se podría situar los orígenes de la inteligencia artificialcon la definición de la neurona formal dada por McCulloch & Pitts [1943],como un dispositivo binario con varias entradas y salidas.

Ya en el año de 1956 se volvió a tocar el tema deinteligencia artificial (IA) en el instituto de tecnología de Massachussets porJohn McCarthy donde se celebró la conferencia de Dartmouth en Hanover (EstadosUnidos). En este certamen McCarthy, Marvin Minsky, Nathaniel Rochester y ClaudeE. Shannon establecieron las bases de la inteligencia artificial como un campoindependiente dentro de la informática. Previamente, en 1950, Alan M. Turinghabía publicado un artículo en la revista Mind, titulado "ComputingMachinery and Intelligence" ("Ordenador e inteligencia"), en elque reflexionaba sobre el concepto de inteligencia artificial y establecía loque luego se conocería como el test de Turing, una prueba que permitedeterminar si un ordenador o computadora se comporta conforme a lo que seentiende como artificialmente inteligente o no.

La inteligencia artificial en los años sesenta, como tal notuvo muchos éxitos ya que requería demasiada inversión para ese tiempo y lamayoría de tecnologías eran propias de grandes centros de investigación. Enlos años 70 a 80 se lograron algunos avances significativos en una de sus ramasllamada Sistemas Expertos, con la introducción de PROLOG LISP. Básicamente loque pretende la inteligencia artificial es crear una maquina secuencialprogramada que repita indefinidamente un conjunto de instrucciones generadas porun ser humano.

En la actualidad mucho se sigue investigando en los grandeslaboratorios tecnológicos educativos y privados; sin dejar de lado los notablesavances en sistemas de visión por computadora (aplicados por ejemplo, para laclasificación de artículos revueltos -tornillería o piezas marcadas por códigosde colores, por citar un caso-), control robótico autónomo (Sony, con susrobots capaces de moverse en forma casi humana y reaccionar a presiones tal comolo hace una persona al caminar), aplicaciones de lógica difusa (aplicación deltracking automático en nuestras video caseteras, por citar una aplicación),etc. Sin embargo, la Inteligencia Artificial sigue en su gran mayoría acotadopor su dominio tecnológico, y poco ha podido salir al mercado del consumidorfinal o a la industria.

4. DEFINICIONES DE INTELIGENCIA ARTIFICIAL

Con respecto a las definiciones actuales de inteligenciaartificial se encuentran autores como Rich & Knight [1994], Stuart [1996],quienes definen en forma general la IA como la capacidad que tienen las máquinaspara realizar tareas que en el momento son realizadas por seres humanos; otrosautores como Nebendah [1988], Delgado [1998], arrojan definiciones máscompletas y las definen cómo el campo de estudio que se enfoca en la explicacióny emulación de la conducta inteligente en función de procesos computacionalesbasadas en la experiencia y el conocimiento continuo del ambiente.

Hay más autores como Marr [1977], Mompin [1987], Rolston[1992], que en sus definiciones involucran los términos de soluciones aproblemas muy complejos.

A criterio de los autores las definiciones de Delgado yNebendan son muy completas, pero sin el apoyo del juicio formado, emocionalidaddel ser humano pueden perder peso dichas soluciones, por eso, hay que lograr unambiente sinérgico entre ambas partes para mayor efectividad de soluciones.

5. TENDENCIAS DE LOS SISTEMAS DE INTELIGENCIAARTIFICIAL

Actualmente según Delgado [1998], Stuart [1996], existentres paradigmas en cuánto al desarrollo de la IA.

• Redes Neuronales.

• Algoritmos genéticos.

• Sistemas de Lógica difusa.

Pero se han venido destacando otros paradigmas como lo sonlos agentes de decisión inteligente y autómatas programables, con respecto aestos últimos se suelen emplear en gran medida en procesos industriales deacuerdo a necesidades a satisfacer como, espacio reducido, procesos de producciónperiódicamente cambiantes, procesos secuenciales, maquinaria de procesosvariables, etc.

A juicio de los autores se determina que todos estosdesarrollos acortan bastante el proceso de decisiones y optimizan las mismas,pero ahí que tener mucho cuidado ya que hay que analizar los diferentesimpactos ya sean ambientales, sociales, políticos y económicos.

5.1 Redes neuronales

A grandes rasgos, se recordará que el cerebro humano secompone de decenas de billones de neuronas interconectadas entre sí formandocircuitos o redes que desarrollan funciones específicas.

Una neurona típica recoge señales procedentes de otrasneuronas a través de una pléyada de delicadas estructuras llamadas dendritas.La neurona emite impulsos de actividad eléctrica a lo largo de una fina ydelgada capa denominada axón, que se escinde en millares de ramificaciones.

Las extremidades de estas ramificaciones llegan hasta lasdendritas de otras neuronas y establecen conexión llamada sinapsis, quetransforma el impulso eléctrico en un mensaje neuroquímico mediante liberaciónde unas sustancias llamadas neurotransmisores que excitan o inhiben sobre laneurona, de esta manera la información se transmite de neuronas a otras y vasiendo procesada a través de las conexiones sinápticas y el aprendizaje varíade acuerdo a la efectividad de la sinapsis.

Figura 1. Neuronas y conexiones sinápticas.

Fuente: Sandra Patricia Daza, Universidad Militar NuevaGranada, 2003.

Un psicólogo D Hebb [1949], introdujo dos ideasfundamentales que han influido de manera decisiva en el campo de las redesneuronales. La hipótesis de Hebb, basadas en investigaciones psicofisiológicas,presentan de manera intuitiva el modo en que las neuronas memorizan informacióny se plasman sintéticamente en la famosa regla de aprendizaje de Hebb ( tambiénconocida como regla de producto). Esta regla indica que las conexiones entre dosneuronas se refuerza si ambas son activadas. Muchos de los algoritmos actualesproceden de los conceptos de este psicólogo.

Widrow [1959], publica una teoría sobre la adaptaciónneuronal y unos modelos inspirados en esta teoría, el Adaline (AdaptativeLinear Neuron) y el Madaline (Múltiple Adaline). Estos modelos fueron usados ennumerosas aplicaciones y permitieron usar, por primera vez, una red neuronal enun problema importante del mundo real: filtros adaptativos que eliminan ecos enlas línea telefónicas.

Hopfield [1980], elabora un modelo de red consistente enunidades de proceso interconectadas que alcanzan mínimos energéticos,aplicando los principios de estabilidad desarrollados por Grossberg. El modeloresultó muy ilustrativo sobre los mecanismos de almacenamiento y recuperaciónde la memoria. Su entusiasmo y claridad de presentación dieron un nuevo impulsoal campo y provocó el incremento de las investigaciones.

Otros desarrollos destacables de esta década son la máquinade Boltzmann y los modelos Bam (Bi-directinal Associative Memory).

Analogía de redes neuronales biológicas y artificiales

Según Herrera Fernandez

Las neuronas se modelan mediante unidades de proceso,caracterizadas por una función de actividades que convierte la entrada totalrecibida de otras unidades en un valor de salida, el cual hace la función detasa de disparo de la neurona.

Las conexiones sinápticas se simulan mediante conexionesponderadas, la fuerza o peso de la conexión cumple el papel de la efectividadde la sinapsis. Las conexiones determinan si es posible que una unidad influyasobre otra.

Una unidad de proceso recibe varias entradas procedentes delas salidas de otras unidades de proceso de entrada total de una unidad deproceso y se suele calcular como la suma de todas las entradas ponderadas, esdecir, multiplicadas por el peso de la conexión. El efecto inhibitorio oexcitatorio de la sinapsis se logra usando pesos negativos o positivosrespectivamente

Tabla 1. Comparativo entre neuronas reales y las unidades deproceso empleadas en los modelos computacionales.

Fuente: Francisco Herrera Fernández

Las redes neuronales deben tener como estructura varias capaslas cuales son: primera capa como buffer de entrada, almacenando la informaciónbruta suministrada en la red ó realizando un sencillo preproceso de la misma,la llamamos capa de entrada; otra capa actúa como interfaz o buffer de salidaque almacena la respuesta de la red para que pueda ser leída, la llamamos capade salida; y las capas intermedias, principales encargadas de extraer, procesary memorizar la información, las denominan capas ocultas.

Figura 2. Modelo de red en cascada de varias capas.

Fuente: Sandra Patricia Daza, Universidad Militar NuevaGranada, 2003.

5.2 Sistemas de lógica difusa

A concepto de Delgado [1998] es la segunda herramienta quepermite emular el razonamiento humano. Los seres humanos pensamos y razonamospor medio de palabras y en grados entre dos estados por ejemplo blanco y negroó frío y caliente, etc. Estos sistemas de lógica difusa son una mejora a lossistemas experto tradicionales, en el sentido de que permiten utilizar lenguajehumano como nosotros razonamos

Ya hablando de sistemas expertos tradicionales, estosintentan reproducir el razonamiento humano de forma simbólica. Es un tipo deprograma de aplicación informática que adopta decisiones o resuelve problemasde un determinado campo, como los sistemas de producción, las finanzas o lamedicina, utilizando los conocimientos y las reglas analíticas definidas porlos expertos en dicho campo. Los expertos solucionan los problemas utilizandouna combinación de conocimientos basados en hechos y en su capacidad derazonamiento. En los sistemas expertos, estos dos elementos básicos estáncontenidos en dos componentes separados, aunque relacionados: una base deconocimientos y una máquina de deducción, o de inferencia. La base deconocimientos proporciona hechos objetivos y reglas sobre el tema, mientras quela máquina de deducción proporciona la capacidad de razonamiento que permiteal sistema experto extraer conclusiones. Los sistemas expertos facilitan tambiénherramientas adicionales en forma de interfaces de usuario y los mecanismos deexplicación. Las interfaces de usuario, al igual que en cualquier otra aplicación,permiten al usuario formular consultas, proporcionar información e interactuarde otras formas con el sistema. Los mecanismos de explicación, la parte másfascinante de los sistemas expertos, permiten a los sistemas explicar ojustificar sus conclusiones, y también posibilitan a los programadoresverificar el funcionamiento de los propios sistemas. Los sistemas expertoscomenzaron a aparecer en la década de 1960. Sus campos de aplicación son la química,la geología, la medicina, la banca e inversiones y los seguros.

A experiencia de uno de los autores, el hardware en que sefundamentan estos sistemas que son circuitos integrados digitales son muyeficaces y de durabilidad de por vida si se les da correcto uso.

5.3 Algoritmos genéticos:

Según Delgado [1998] son una técnica inspirada en aspectosbiológicos, el proceso de la evolución del que Charles Darwin hace referenciase puede aplicar para optimizar dispositivos de control o robots o cualquierotro tipo de aspectos que sean susceptibles de ser optimizados como líneas deproducción.

En general es aceptado que cualquier algoritmo genético pararesolver un problema, debe tener cinco componentes básicos como se vera acontinuación:

• Se necesita una codificación o representación del problema, que resulte adecuada al mismo.
• Una manera de crear una población inicial de soluciones.
• Una función de ajuste ó adaptación al problema, también llamada función de evaluación, la cual asigna un número real a cada posible solución codificada.
• Durante la ejecución del algoritmo, los padres – dos individuos pertenecientes a la población inicial, que son soluciones factibles del problema- deben ser seleccionados para la reproducción; a continuación dichos padres seleccionados se cruzarán generando dos hijos, nuevas soluciones al problema, sobre cada uno de los cuales actuará un operador de mutación de acuerdo con una cierta probabilidad. El resultado de la combinación de las anteriores funciones será un conjunto de individuos (posibles soluciones al problema), los cuales en la evolución del Algoritmo Genético formarán parte de la siguiente población.
• Valores para los parámetros: tamaño de la población, probabilidad de aplicación de los operadores genéticos.

6. APLICACIONES DE LA INTELIGENCIA ARTIFICIALY LAS TÉCNICAS QUE USAN

Dentro del enfoque de la ingeniería de la InteligenciaArtificial, se clasifican las técnicas que pueden ser usadas como herramientaspara solucionar problemas en las siguientes categorías:

1. Técnicas básicas, así llamadas por encontrarse a labase de diversas aplicaciones de IA. Entre otras se encuentran Búsqueda Heurísticade Soluciones, Representación del Conocimiento, Deducción Automática,Programación Simbólica (LISP) y Redes Neuronales. Estas técnicas son lasbases de las aplicaciones. En su mayoría, no necesita conocerla el usuariofinal, sino los profesionales que se dedican a su aplicación y la generaciónde aplicaciones comerciales.
2. Tecnologías, o combinaciones de varias técnicas básicas, orientadas aresolver familias de problemas. Las tecnologías son más especializadas que lastécnicas básicas y están más cerca de las aplicaciones finales. Se puedenmencionar a la Robótica y Visión, Lenguaje Natural, Sistemas Expertos
3. Clases o tipos de aplicaciones: Diagnóstico, Predicción (sistemas deautocontrol de reactores atómicos), Secuenciamiento de operaciones("Scheduling"), Diseño, Interpretación de datos. Todas ellas sonfamilias de problemas tipo. Por ejemplo, el diagnóstico se refiere a encontrarlas causas de fallas, ya sea que se trate de fallas en una línea de produccióno de enfermedades en una persona.
4. Campos de aplicación: Ingeniería, Medicina, Sistemas de Manufactura,Administración, Apoyo a la Toma de Decisiones Gerenciales, etc. Todas caendentro de las áreas de los sistemas computacionales, pero que se considerancomo clientes de la Inteligencia Artificial.

7. APLICACIÓN DE LA INTELIGENCIAARTIFICIAL EN LOS SISTEMAS PRODUCTIVOS

La incorporación de agentes de decisión inteligente, redesneuronales, sistemas expertos, algoritmos genéticos y autómatas programablespara optimización de sistemas de producción es una tendencia activa en elambiente industrial de países con alto desarrollo tecnológico y con una graninversión en investigación y desarrollo. Dichos componentes de la InteligenciaArtificial tienen como función principal controlar de manera independiente, yen coordinación con otros agentes, componentes industriales tales como celdasde manufactura o ensamblaje, y operaciones de mantenimiento, entre otras.

Existe una tendencia creciente a la implementación desistemas de manufactura/ensamblaje más autónomos e inteligentes, debido a lasexigencias del mercado por obtener productos con niveles muy altos de calidad;lo cual con operaciones manuales se hace complicada y hace que los paísessubdesarrollados como el nuestro no alcance niveles competitivos a nivelmundial. Al diseñar un sistema de producción integrado por computadora se debedar importancia a la supervisión, planificación, secuenciación cooperación yejecución de las tareas de operación en centros de trabajo, agregado alcontrol de los niveles de inventario y características de calidad yconfiabilidad del sistema. Los factores mencionados determinan la estructura delsistema y su coordinación representa una de las funciones más importantes enel manejo y control de la producción.

Muy frecuentemente, la razón para construir un modelo desimulación es para encontrar respuestas a interrogantes tales como ¿Cuálesson los parámetros óptimos para maximizar o minimizar cierta funciónobjetivo? En los últimos años se han producido grandes avances en el campo dela optimización de sistemas de producción. Sin embargo, el progreso en eldesarrollo de herramientas de análisis para resultados de modelos de simulaciónha sido muy lento. Existe una gran cantidad de técnicas tradicionales deoptimización que sólo individuos con gran conocimiento estadístico y deconceptos de simulación han logrado aportes significativos en el área.

Debido al auge de los algoritmos de búsqueda meta-heurísticos,se ha abierto un nuevo campo en el área de optimización con simulación.Nuevos paquetes de software, tales como OptQuest (Optimal Technologies),SIMRUNNER (Promodel Corporation) y Evolver (Palisade Software), han salido almercado brindando soluciones amigables de optimización de sistemas que norequieren control interno sobre el modelo construido, sino sobre los resultadosque dicho modelo arroja bajo diferentes condiciones. Además, nuevas técnicasde inteligencia artificial aplicadas a problemas de optimización estocástica,han demostrado su eficiencia y capacidad de cómputo y aproximación.

El Aprendizaje Reforzado (Reinforcement Learning) es unconjunto de técnicas diseñadas para dar solución a problemas cuya base sonlos procesos de decisión markovianos. Los procesos markovianos son procesosestocásticos de decisión que se basan en el concepto de que la acción a tomaren un estado determinado, en un instante determinado, depende sólo del estadoen que se encuentre el sistema al momento de tomar la decisión.

Una de las áreas que puede tener mayor incidencia directa enlos procesos productivos de la industria nivel mundial, es el diseño desistemas de soporte para la toma de decisiones basados en la optimización delos parámetros de operación del sistema. Para tal efecto, el uso de técnicasinteligentes paramétricas y no paramétricas para el análisis de datos es degran interés.

Sin embargo, a juicio de los autores en la mayoría de lasarquitecturas propuestas hasta el momento para manufactura integrada porcomputadora, carecen de un factor de integración fundamental. Lacomunicación entre los diversos niveles jerárquicos de una planta de producciónes muy poca, ya que cada departamento se limita a realizar su función sinbuscar una integración de toda la planta productiva a excepciones de empresascomo ABB con su software Baan, etc.

8. APLICACIONES DE LA INTELIGENCIAARTIFICIAL EN LA SOLUCION DE PROBLEMAS ESPECIFICOS DE PRODUCCIONOperaciónautomática de control de calidad usando un sistema de visión porcomputador (Royman López Beltrán, Edgar Sotter Solano, Eduardo Zurek Varela.Laboratorio de Robótica y Producción Automática. Universidad del Norte)

Todo proceso industrial es evaluado por la calidad de su producto final, estohace de la etapa de control de calidad una fase crucial del proceso. Losmecanismos utilizados para establecer la calidad de un producto varíandependiendo de los parámetros que tengan relevancia en el mismo. Cuando el parámetrorelevante es la geometría o forma del objeto fabricado se suele dejar a lavista del operario que lleve a cabo tal función tanto de inspección como deverificación para el control de calidad, sin embargo pueden existir errores enla geometría de un objeto que escapen de la vista de un operario y que luegoimpidan el buen funcionamiento de dicho objeto. En un caso como éste, surgecomo una buena alternativa el utilizar un sistema de visión artificial capaz dedetectar aquellos errores que un operario pudiera pasar por alto. El sistema devisión artificial Robot Visión PRO, es capaz de ejecutar de manera totalmenteautomática las labores de identificación de objetos y de control de calidad delos mismos.

El sistema Robot Visión PRO es un paquete de software de visión que permitela adquisición de imágenes, preprocesamiento y segmentación. Además realizaprocesamiento de datos de alto nivel que brinda filtrado de imágenes, elaboraciónde clusters y patrones, e identificación de objetos. Este sistema cuenta conuna videocámara y un monitor encargado de identificar cada una de las piezassalientes del proceso y hacer una comparación con piezas de 100% calidad paraluego determinar si el empaque puede salir al mercado o debe desecharse.

A continuación se presentan algunas imágenes suministradas por el sistemaRobot Visión PRO Para la ejecución de la operación de control de calidad.Fueron dispuestos los empaques de tal forma que las geometrías quedaranplenamente contenidas en el programa, y se procedió posteriormente a realizarde forma individual el control de calidad para cada uno de los empaques.

Figura 3.empaque bueno con 100% de calidad

En las dos figuras posteriores se muestra empaques defectuosos porque nocumple con las especificaciones necesarias y por ende el sistema de calidadrechaza el producto.

Figura 4. Empaque rechazado por malacalidad

Figura 5. Empaque rechazado por mala calidad

El sistema de visión por computador Robot Visión PRO después de ser evaluado en la empresa resultó eficiente para la detección de defectos geométricos en los empaques de compresores centrífugos, ya que la flexibilidad del software permitió ajustar las condiciones del proceso al sistema de calidad requerido para la apropiada medición de los empaques. Este sistema es lo bastante didáctico como para desarrollar expresiones que permitan realizar de manera totalmente automática mediciones del objeto, labores de reconocimiento y de control de calidad.

Los autores opinan que es muy adecuado el uso de esta tecnología en empresas donde el acabado superficial de una pieza sea muy exigente ó estrechas tolerancias como por ejemplo repuestos de carros, instrumentación industrial, etc.

1. Proyectos en vía de desarrollo por la línea de investigación y desarrollo de inteligencia artificial (grupo de investigación de la Universidad de Manizales)

JAT (Sistema Inteligente de despacho y Control para el Transporte Publico): su idea principal es mejorar el servicio de transporte urbano de la ciudad de Manizales a través de despacho y control inteligente que permita mejorar la calidad del servicio y reduzca los costos de operación. El parte inteligente se encarga de programar el despacho de rutas buscando todas las busetas las cubran de manera equitativa.

Sistema inteligente de Vigilancia y Monitoreo Remoto: se busca implementar sistemas de circuito cerrado de TV, que incluyan la capacidad de monitoreo remoto a través de un computador y una línea telefónica desde cualquier lugar del mundo y a través de Internet.

2. Reconocimiento de ambientes en robótica móvil por medio de redes neuronales

Este estudio está centrado en la identificación global de ambientes ejecutada por un robot móvil con base en el entrenamiento de una red neuronal que recibe la información captada del medio ambiente por el sistema sensorial del robot (ultrasonido). Se considera que el robot, a través de la red neuronal, tiene como única tares maximizar el conocimiento del ambiente que se le presenta. De esta forma este modela y explora el ambiente eficientemente mientras ejecuta algoritmos de evasión de obstáculos.

El resultado de este estudio es de gran importancia en el campo de la robótica móvil debido a que: el robot adquiere una mayor autonomía del movimiento, se optimiza el uso del ultrasonido como detector de obstáculos y es una herramienta importante para el desarrollo de planificadores de trayectoria y controladores ´´inteligentes´´.

Usando una arquitectura: 2 - 2 -1

Nih: Número de neuronas de entrada(2).

Nhid: Número de neuronas de la capa intermedia(1).

Nout: Número de neuronas de salida(2).

Se va a mostrar a groso modo uno de los ejemplos con los cuáles fue entrenada la red (para mayor detalle consultar investigación de Rivera & Gauthier [1995] Universidad de los Andes).

Los parámetros usados en el entrenamiento fueron constante de aprendizaje de 0.2 y constante de momento de 0.9

Fuente: Claudia Rivera 1995

Figura 6. ambiente de entrenamiento de tres obstáculos

Se ubica el robot en ocho posiciones diferentes y en cada una de estas se hizo un barrido y de esta manera se formaron ocho archivos con los cuales se entreno la red, y esta ya reconociendo el ambiente no se estrellará con ningún obstáculo.

En la red neuronal a medida que se aumenten las capaz internas tendrá más capacidad y velocidad de aprender diversos ambientes.

A intervención de los autores, determinan que es muy importante el uso de la robótica móvil en procesos productivos donde el hombre no pueda soportar ambientes de altas temperaturas o bajas temperaturas por intervalos largos de tiempo, como por ejemplo en MEALS, donde se podría entrenar un robot y a medida que se perfeccione su entrenamiento prepararlo posteriormente como transportador de carga.

3. Algoritmos genéticos aplicados al problema cuadrático de asignación de facilidades QAP (

Departamento de Investigación Operativa, Escuela de Ingeniería Industrial, Universidad de Carabobo, Valencia, Venezuela. Ninoska Maneiro. Algoritmo Genético Aplicado a Problemas de Localización de Facilidades. Año 2001 www.cemisid.ing.ula.ve/area3 ).

El QAP es un problema combinatorio, considerado por algunos autores como NP-completo. El objetivo del QAP es encontrar una asignación de facilidades a sitios, a fin de minimizar una función que expresa costos o distancias.

La localización y distribución de facilidades es uno de los tópicos más importantes en la formación de profesionales en el área de Ingeniería Industrial y de todos aquellos

profesionales que se encargan de la planificación, organización y crecimiento sistemático de las ciudades. En la vida cotidiana y profesional de todo individuo, se presentan una gran variedad de problemas de localización de facilidades.

Los problemas de localización y distribución de facilidades son estratégicos para el éxito de cualquier operación de manufactura. La principal razón es que los costos de manejo al de materiales comprenden entre el 30 y el 75% de los costos totales de manufactura. Una buena solución problema de asignación de facilidades contribuiría a la eficiencia total de las operaciones, una pobre distribución puede conducir a la acumulación de inventario de producto en proceso, sobrecarga de los sistemas de manejo de materiales, puestas a punto ineficientes y largas colas. Dentro de esta amplia clase de problemas que pueden ser catalogados como QAP se encuentra el problema de flujo en línea generalizado, que es una línea de flujo en la cual las operaciones fluyen hacia adelante y no se procesan necesariamente en todas las máquinas de la línea. Un trabajo en tal clase de línea puede comenzar a procesarse y completar su proceso en cualquier máquina, moviéndose siempre hacia delante (downstream) por operaciones sucesivas de acuerdo con la secuencia de trabajo del proceso. Cuando la secuencia de operaciones para un trabajo no especifica una máquina colocada delante de su localización actual, el trabajo tiene que viajar en sentido contrario (upstream) a fin de completar la operación requerida. Este "viaje en reversa" de las operaciones, es llamado backtracking, y se desvía de una línea de flujo ideal para un trabajo específico, resultando en una estructura de trabajo menos eficiente, como se muestra en la siguiente figura.

Al parecer de los autores, este problema de asignación cuadrática debería tratarse en la clase de taller de producción por su relevancia al analizar secuencias N / M.

Fig. 7. Una línea de flujo generalizada Fuente: NinoskaManeiro 2001.

9. CONCLUSIONES

• En la universidad Nacional sede Manizales en el programa deingeniería industrial se debería trabajar más en las ciencias informáticas,con el fin, de profundizar en áreas de la inteligencia artificial aplicadas ala ingeniería industrial.
• Con el desarrollo de este trabajo se han obtenido resultados satisfactorios a nivel de investigación teórica, ya que con la documentación obtenida se conocieron avances en las ciencias informáticas que en algunos casos eran desconocidos para los autores.
• Los grandes avances de I.A aplicada a sistemas de producción han hecho que día a día la industria en su constante búsqueda por mejorar su competitividad logren dicho objetivo, pero en muchos de los casos desplazar gran cantidad de mano de obra que llevan consigo un deterioro social que se ve reflejado en los indicadores globales de desempleo y niveles de pobreza.

10. BIBLIOGRAFIA

• Elaine Rich. Knight Kevin. Inteligencia Artificial. Segunda Edición.Mc Graw Hill. México 1994.
• Stuart Rusell. Norving Meter. Inteligencia Artificial un Enfoque Moderno. Printice Hall. México 1996.
• Revista La Ventana Informática. Edición N⁰ 9. Universidad de Manizales. Pág. 56 – 57. Mayo 2003.
• Delgado Alberto. Inteligencia Artificial y Mini robots. Segunda Edición. Ecoe Ediciones. Julio 1998.
• Delgado Alberto. Inteligencia Artificial y Mini robots. VII Congreso Nacional de Estudiantes de Ingeniería Industrial, Administrativa y de Producción Universidad Nacional Sede Manizales. Memorias Congreso. Octubre 4 - 10 de 1998.
• Enciclopedia Informática y Computación. Ingeniería del Software e Inteligencia artificial. Julio 1992.
• Nebendah Dieter. Sistemas Expertos. Ingeniería y Comunicación. Editores Marcombo. Barcelona 1988.
• Marr D.C. Artificial Intelligence: a Personal View, Artificial Intelligence. EEUU 1977.
• Rolston W. David. Principios de Inteligencia Artificial y Sistemas Expertos. Mc Graw Hill. México 1992.
• Mompin P. José. Inteligencia Artificial: Conceptos, Técnicas y aplicaciones. Marcomobo S.A Ediciones. España 1987.
• Revista Iberoamericana de Inteligencia Artificial. Aplicación de Inteligencia Artificial en Sistemas Automatizados de Producción. Llata, J.R. , Sarabia, E.G., Fernández, D., Arce J., Oria, J.P.. Numero 10, páginas 100-110. Disponible en (http://www.aepia.org/).

Autor:

Alejandro Humberto Vargas R

alevar99@hotmail.com

Leonardo Hernández

Compartir