Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización
Esta investigación propone k-NSGA-II, un algoritmo basado en computación evolutiva que mezcla propiedades de micro algoritmos y fundamentos de inteligencia artificial como la clusterización. El objetivo de k-NSGA-II es optimizar procesos en entornos reales y apoyar eficientemente a la toma de decisi...
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
Universidad de Cuenca
2020
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/34050 |
| _version_ | 1785802377280880640 |
|---|---|
| author | Berrezueta Guamán, Nelson Bladimiro |
| author2 | Jadán Avilés, Diana Carolina |
| author_facet | Jadán Avilés, Diana Carolina Berrezueta Guamán, Nelson Bladimiro |
| author_sort | Berrezueta Guamán, Nelson Bladimiro |
| collection | DSpace |
| description | Esta investigación propone k-NSGA-II, un algoritmo basado en computación evolutiva que mezcla propiedades de micro algoritmos y fundamentos de inteligencia artificial como la clusterización. El objetivo de k-NSGA-II es optimizar procesos en entornos reales y apoyar eficientemente a la toma de decisiones en organizaciones.
Los cambios desarrollados se realizaron en NSGA-II, un algoritmo genético multiobjetivo basado en la no dominancia de sus resultados. La funcionalidad de k-NSGA-II se verificó mediante pruebas de rendimiento comparándolo con NSGA-II y µ-NSGA-II. Estas pruebas se realizaron en distintas funciones objetivo y en un caso de estudio, el mismo que se fundamentó en la optimización de la producción y distribución de productos. Los objetivos fueron la minimización de residuos y maximización del beneficio obtenido mediante las ventas.
k-NSGA-II se utilizó para optimizar las funciones generando resultados interesantes para la empresa. También fue más útil con respecto a NSGA-II ya que generó un número reducido de soluciones precisas que el analista pudo revisar rápidamente antes de tomar una decisión, en comparación con NSGA-II que trabaja con conjuntos de 200 soluciones o µ-NSGA-II que no presentó soluciones que puedan ser útiles para la empresa.
El algoritmo k-NSGA-II presenta una innovación con respecto a NSGA-II al ser un micro algoritmo preciso cuyas soluciones son de gran utilidad para la toma de decisiones en entornos de problemas reales. Mejora el tiempo de evaluación y evita la fatiga del analista al no presentar una gran cantidad de resultados que muchas veces no son revisados. |
| format | bachelorThesis |
| id | oai:dspace.ucuenca.edu.ec:123456789-34050 |
| institution | Universidad de Cuenca |
| language | spa |
| publishDate | 2020 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-340502020-02-28T12:35:04Z Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización Berrezueta Guamán, Nelson Bladimiro Jadán Avilés, Diana Carolina Ingeniería Industrial Inteligencia artificial Ingeniería de producción Técnica de producción Esta investigación propone k-NSGA-II, un algoritmo basado en computación evolutiva que mezcla propiedades de micro algoritmos y fundamentos de inteligencia artificial como la clusterización. El objetivo de k-NSGA-II es optimizar procesos en entornos reales y apoyar eficientemente a la toma de decisiones en organizaciones. Los cambios desarrollados se realizaron en NSGA-II, un algoritmo genético multiobjetivo basado en la no dominancia de sus resultados. La funcionalidad de k-NSGA-II se verificó mediante pruebas de rendimiento comparándolo con NSGA-II y µ-NSGA-II. Estas pruebas se realizaron en distintas funciones objetivo y en un caso de estudio, el mismo que se fundamentó en la optimización de la producción y distribución de productos. Los objetivos fueron la minimización de residuos y maximización del beneficio obtenido mediante las ventas. k-NSGA-II se utilizó para optimizar las funciones generando resultados interesantes para la empresa. También fue más útil con respecto a NSGA-II ya que generó un número reducido de soluciones precisas que el analista pudo revisar rápidamente antes de tomar una decisión, en comparación con NSGA-II que trabaja con conjuntos de 200 soluciones o µ-NSGA-II que no presentó soluciones que puedan ser útiles para la empresa. El algoritmo k-NSGA-II presenta una innovación con respecto a NSGA-II al ser un micro algoritmo preciso cuyas soluciones son de gran utilidad para la toma de decisiones en entornos de problemas reales. Mejora el tiempo de evaluación y evita la fatiga del analista al no presentar una gran cantidad de resultados que muchas veces no son revisados. This research proposes k-NSGA-II, an algorithm based on evolutionary computing that mixes properties of micro-algorithms and artificial intelligence fundamentals such as clustering. The objective of k-NSGA-II is to optimize processes in real environments and to efficiently support decision making in organizations. The changes developed were made in NSGA-II, a multiobjective genetic algorithm based on the non-dominance of its results. The functionality of k-NSGA-II was verified by performance tests comparing it with NSGA-II and µ-NSGA-II. These tests were performed on different objective functions and on a case study, which was based on the optimization of product production and distribution. The objectives were to minimize waste and maximize profit through sales. k-NSGA-II was used to optimize the functions generating interesting results for the company. It was also more useful with respect to NSGA-II as it generated a small number of accurate solutions that the analyst could review quickly before making a decision, compared to NSGA-II which works with sets of 200 solutions or µ-NSGA-II which did not present solutions that could be useful to the company. The k-NSGA-II algorithm presents an innovation with respect to NSGA-II as it is a precise micro algorithm whose solutions are very useful for decision making in real problem environments. It improves the evaluation time and avoids the analyst's fatigue because it does not present a great amount of results that many times are not analysed. Ingeniero Industrial Cuenca 2020-02-28T12:35:02Z 2020-02-28T12:35:02Z 2020-02-28 bachelorThesis Proyectos de investigación http://dspace.ucuenca.edu.ec/handle/123456789/34050 spa TN;793 application/pdf application/pdf Universidad de Cuenca |
| spellingShingle | Ingeniería Industrial Inteligencia artificial Ingeniería de producción Técnica de producción Berrezueta Guamán, Nelson Bladimiro Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización |
| title | Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización |
| title_full | Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización |
| title_fullStr | Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización |
| title_full_unstemmed | Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización |
| title_short | Optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización |
| title_sort | optimización de la cadena de suministro mediante el uso de un algoritmo genético basado en clusterización |
| topic | Ingeniería Industrial Inteligencia artificial Ingeniería de producción Técnica de producción |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/34050 |
| work_keys_str_mv | AT berrezuetaguamannelsonbladimiro optimizaciondelacadenadesuministromedianteelusodeunalgoritmogeneticobasadoenclusterizacion |