Estudiantes unicentralistas participaron con éxito en el Segundo Encuentro Nacional de Semilleros de Investigación en Ingeniería Industrial.
El Segundo Encuentro Nacional de Semilleros de Investigación en Ingeniería Industrial (ENSIII) fue organizado por la Universidad Santo Tomás, el pasado 26 de octubre.
Con el proyecto “Optimización multiobjetivo para la solución de problemas flexible Job Shop Scheduling (FJSSP) usando algoritmos evolutivos”, el estudiante Osmar Camilo Soriano Rubiano obtuvo el primer puesto en la modalidad de Proyecto.
La investigación —desarrollada con la tutoría del docente Daniel Stevenson Grass Guaqueta— partió de la optimización combinatoria y la flexibilidad que existe para programar y secuenciar el número de operaciones que debe ser procesado por una serie demáquinas para finalizar determinado trabajo.
El proyecto cuenta con cuatro funciones objetivo que buscan minimizar:
1) El tiempo de finalización para los trabajos (minimización del makespan).
2) Los tiempos ociosos de la maquinas.
3) El tiempo de espera entre los trabajos.
4) El número de mantenimientos preventivos para las máquinas de procesamiento.
De igual manera, se presentó el modelo matemático con el cual se desarrolló el problema FJSSP, con el que se ejecutan con una serie de instancias iniciales comunes que tienen en cuenta: unos tamaños determinados respecto a los números de trabajos, máquinas y operaciones presentes en los trabajos; actividades de mantenimiento; tiempos de procesamiento de cada una de las actividades a ser realizadas en las máquinas y de mantenimiento de las máquinas.
El algoritmo usado para la resolución del problema fue metaheurística NGSAll, el cual hace parte de los algoritmos evolutivos para la solución de problemas multiobjetivo. En él se parte del esquema general de una serie de individuos creados aleatoriamente que consecutivamente serán evaluados (en las funciones objetivo) y, de esta manera, los individuos con mejor desempeño serán seleccionados, para posteriormente ser cruzados.
Este proceso iterativo busca determinar un numero de generaciones finito y buscar la mejor solución dentro del espacio de soluciones del problema.
En la solución del problema se establece una población inicial de 100 individuos para realizar 100 generaciones. Cada instancia del problema se ejecutó 50 veces para determinar la media poblacional de cada una de ellas y su desviación estándar.
Machine learning
Con el Proyecto “Modelo de simulación del comportamiento de la movilidad del centro de Bogotá integrando herramientas de machine learning con algoritmos de ruta más corta” participaron los unicentralistas Jonathan Campos Lozano y Ross Mary Lugo, quienes orientados por los docentes Oscar Cepeda y José Bello.
Las herramientas de machine learning tienen como finalidad realizar un pronóstico del estado vehicular. Estas herramientas son bien conocidas por ser de autoaprendizaje y poder tomar numerosas variables de entrada con el fin de realizar predicciones más acertadas.
Para desarrollar esta investigación realizaron un análisis de las diferentes fuentes de información sobre comportamiento vehicular. Como resultado descubrieron que, para esta tarea, google posee un API que, integrándola con un desarrollo en Java, es capaz de obtener los datos necesarios para dicho análisis. Con esta información se definió un grafo del centro de Bogotá en el que se pudo ejecutar el algoritmo de ruta más corta Floyd Warshall.
Para poder utilizar las herramientas de machine learning es necesario contar con una amplia cantidad de datos, lo que llevó a generar descargas de información cada 5 minutos durante dos meses (información generada de google). En el trascurso de este periodo, se validaron diferentes rutas generadas por el algoritmo Floyd Warshall, en recorridos simulados y reales con un vehículo, en los que se obtuvo resultados de interés que ayudaron a concluir algunos de los objetivos planteados.
Actualmente, se están desarrollando herramientas como árboles predictivos (random forest) y redes neuronales sencillas y recurrentes para la predicción del estado vehicular, pues se ha identificado que presentan menos errores frente a los datos reales, pero aun así no lo suficientemente válidos.
Una vez se logre realizar un pronóstico eficiente, se plantea cambiar los datos de entrada del algoritmo de ruta más corta por los pronósticos calculados.
Fuente: Víctor Manuel Díaz León
Corresponsal de Ingeniería Industrial
