Aplicaciones de la inteligencia artificial en problemas de produccin

ndice

Resumen

Introduccin

Historia de la inteligencia artificial

Definiciones de inteligencia artificial

Tendencias de los sistemas de inteligencia artificial

Aplicaciones de la inteligencia artificial y las tcnicas que usan

Aplicacin de la inteligencia artificial en los sistemas productivos

Aplicaciones de la inteligencia artificial en la solucin de problemas especficos de produccin

Conclusiones

Bibliografa

1. RESUMEN
Este documento est centrado en analizar ms a fondo lainteligencia artificial con sus diferentes paradigmas, siendo los
msrelevantes las redes neuronales, algoritmos genticos, sistemas de lgicadifusa y autmatas programables, con sus
diferentes aplicaciones en la vidacotidiana y ms especficamente aplicados a las soluciones de problemasrelacionados con
la ingeniera industrial.
Se considera que la produccin en nuestros das puede estarmuy apoyada en las nuevas tecnologas, como es la
inteligencia artificial yasea como soporte para una toma de decisiones ms 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 genticos, sistemas de lgica difusa, produccin.
2. INTRODUCCIN
La inteligencia artificial es un rea de la investigacindonde se desarrollan algoritmos para controlar cosas, y es as que en
1956 seestablecen las bases para funcionar como un campo independiente de la informtica.
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 evala si determinado productocumple o no con las
especificaciones demandadas, control del proceso qumico enel grado de acidez, algoritmos genticos aplicados al
problema cuadrtico deasignacin de facilidades que trata de la asignacin de N trabajos en M mquinas,los autmatas
programables que se usan para la optimizacin de sistemas deproduccin, en fin, todava queda mucho por descubrir con
respecto a lasaplicaciones de esta ciencia.
3. HISTORIA DE LA INTELIGENCIA ARTIFICIAL
Se podra situar los orgenes de la inteligencia artificialcon la definicin de la neurona formal dada por McCulloch & Pitts
[1943],como un dispositivo binario con varias entradas y salidas.
Ya en el ao de 1956 se volvi a tocar el tema deinteligencia artificial (IA) en el instituto de tecnologa de Massachussets
porJohn McCarthy donde se celebr 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 informtica. Previamente, en 1950, Alan M. Turinghaba publicado un artculo en la revista
Mind, titulado "ComputingMachinery and Intelligence" ("Ordenador e inteligencia"), en elque reflexionaba sobre el concepto
de inteligencia artificial y estableca loque luego se conocera 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 aos sesenta, como tal notuvo muchos xitos ya que requera demasiada inversin para ese
tiempo y lamayora de tecnologas eran propias de grandes centros de investigacin. Enlos aos 70 a 80 se lograron
algunos avances significativos en una de sus ramasllamada Sistemas Expertos, con la introduccin de PROLOG LISP.
Bsicamente 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 tecnolgicos educativos y privados; sin dejar de
lado los notablesavances en sistemas de visin por computadora (aplicados por ejemplo, para laclasificacin de artculos
revueltos -tornillera o piezas marcadas por cdigosde colores, por citar un caso-), control robtico autnomo (Sony, con
susrobots capaces de moverse en forma casi humana y reaccionar a presiones tal comolo hace una persona al caminar),
aplicaciones de lgica difusa (aplicacin deltracking automtico en nuestras video caseteras, por citar una aplicacin),etc.
Sin embargo, la Inteligencia Artificial sigue en su gran mayora acotadopor su dominio tecnolgico, 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 mquinaspara realizar tareas que en el
momento son realizadas por seres humanos; otrosautores como Nebendah [1988], Delgado [1998], arrojan definiciones
mscompletas y las definen cmo el campo de estudio que se enfoca en la explicaciny emulacin de la conducta
inteligente en funcin de procesos computacionalesbasadas en la experiencia y el conocimiento continuo del ambiente.
Hay ms autores como Marr [1977], Mompin [1987], Rolston[1992], que en sus definiciones involucran los trminos 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 sinrgico entre
ambas partes para mayor efectividad de soluciones.
5. TENDENCIAS DE LOS SISTEMAS DE INTELIGENCIAARTIFICIAL
Actualmente segn Delgado [1998], Stuart [1996], existentres paradigmas en cunto al desarrollo de la IA.

Redes Neuronales.
Algoritmos genticos.
Sistemas de Lgica difusa.

Pero se han venido destacando otros paradigmas como lo sonlos agentes de decisin inteligente y autmatas
programables, con respecto aestos ltimos se suelen emplear en gran medida en procesos industriales deacuerdo a
necesidades a satisfacer como, espacio reducido, procesos de produccinperidicamente 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 ah que tener mucho cuidado ya que hay que analizar los diferentesimpactos ya sean ambientales, sociales,
polticos y econmicos.
5.1 Redes neuronales
A grandes rasgos, se recordar que el cerebro humano secompone de decenas de billones de neuronas interconectadas
entre s formandocircuitos o redes que desarrollan funciones especficas.
Una neurona tpica recoge seales procedentes de otrasneuronas a travs de una plyada de delicadas estructuras
llamadas dendritas.La neurona emite impulsos de actividad elctrica a lo largo de una fina ydelgada capa denominada axn,
que se escinde en millares de ramificaciones.
Las extremidades de estas ramificaciones llegan hasta lasdendritas de otras neuronas y establecen conexin llamada
sinapsis, quetransforma el impulso elctrico en un mensaje neuroqumico mediante liberacinde unas sustancias llamadas
neurotransmisores que excitan o inhiben sobre laneurona, de esta manera la informacin se transmite de neuronas a otras y
vasiendo procesada a travs de las conexiones sinpticas y el aprendizaje varade acuerdo a la efectividad de la sinapsis.

Figura 1. Neuronas y conexiones sinpticas.

Fuente: Sandra Patricia Daza, Universidad Militar NuevaGranada, 2003.
Un psiclogo D Hebb [1949], introdujo dos ideasfundamentales que han influido de manera decisiva en el campo de las
redesneuronales. La hiptesis de Hebb, basadas en investigaciones psicofisiolgicas,presentan de manera intuitiva el modo
en que las neuronas memorizan informaciny se plasman sintticamente en la famosa regla de aprendizaje de Hebb (
tambinconocida 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 psiclogo.
Widrow [1959], publica una teora sobre la adaptacinneuronal y unos modelos inspirados en esta teora, el Adaline
(AdaptativeLinear Neuron) y el Madaline (Mltiple 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 lnea telefnicas.
Hopfield [1980], elabora un modelo de red consistente enunidades de proceso interconectadas que alcanzan mnimos
energticos,aplicando los principios de estabilidad desarrollados por Grossberg. El modeloresult muy ilustrativo sobre los
mecanismos de almacenamiento y recuperacinde la memoria. Su entusiasmo y claridad de presentacin dieron un nuevo
impulsoal campo y provoc el incremento de las investigaciones.
Otros desarrollos destacables de esta dcada son la mquinade Boltzmann y los modelos Bam (Bi-directinal Associative
Memory).
Analoga de redes neuronales biolgicas y artificiales
Segn Herrera Fernandez
Las neuronas se modelan mediante unidades de proceso,caracterizadas por una funcin de actividades que convierte la
entrada totalrecibida de otras unidades en un valor de salida, el cual hace la funcin detasa de disparo de la neurona.
Las conexiones sinpticas se simulan mediante conexionesponderadas, la fuerza o peso de la conexin 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 conexin. 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 Fernndez
Redes neuronales Redes neuronales

biolgicas artificiales
Neuronas Unidades de proceso
Conexiones sinpticas Conexiones ponderadas
Efectividad de la sinapsis Peso de las conexiones
Efecto excitatorio o inhibitorio Signo del peso de una conexin
Estimulacin total Entrada total ponderada
Activacin (tasa de disparo) Funcin de activacin (salida)

Las redes neuronales deben tener como estructura varias capaslas cuales son: primera capa como buffer de entrada,
almacenando la informacinbruta suministrada en la red realizando un sencillo preproceso de la misma,la llamamos capa
de entrada; otra capa acta como interfaz o buffer de salidaque almacena la respuesta de la red para que pueda ser leda,
la llamamos capade salida; y las capas intermedias, principales encargadas de extraer, procesary memorizar la informacin,
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 lgica 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 negro fro y caliente,
etc. Estos sistemas de lgica 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 simblica. Es
un tipo deprograma de aplicacin informtica que adopta decisiones o resuelve problemasde un determinado campo, como
los sistemas de produccin, las finanzas o lamedicina, utilizando los conocimientos y las reglas analticas definidas porlos
expertos en dicho campo. Los expertos solucionan los problemas utilizandouna combinacin de conocimientos basados en
hechos y en su capacidad derazonamiento. En los sistemas expertos, estos dos elementos bsicos estncontenidos en dos
componentes separados, aunque relacionados: una base deconocimientos y una mquina de deduccin, o de inferencia. La
base deconocimientos proporciona hechos objetivos y reglas sobre el tema, mientras quela mquina de deduccin
proporciona la capacidad de razonamiento que permiteal sistema experto extraer conclusiones. Los sistemas expertos
facilitan tambinherramientas adicionales en forma de interfaces de usuario y los mecanismos deexplicacin. Las interfaces
de usuario, al igual que en cualquier otra aplicacin,permiten al usuario formular consultas, proporcionar informacin e
interactuarde otras formas con el sistema. Los mecanismos de explicacin, la parte msfascinante de los sistemas expertos,
permiten a los sistemas explicar ojustificar sus conclusiones, y tambin posibilitan a los programadoresverificar el
funcionamiento de los propios sistemas. Los sistemas expertoscomenzaron a aparecer en la dcada de 1960. Sus campos
de aplicacin son la qumica,la geologa, 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 genticos:
Segn Delgado [1998] son una tcnica inspirada en aspectosbiolgicos, el proceso de la evolucin 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 lneas deproduccin.
En general es aceptado que cualquier algoritmo gentico pararesolver un problema, debe tener cinco componentes bsicos
como se vera acontinuacin:

Se necesita una codificacin o representacin del problema, que resulte adecuada al mismo.
Una manera de crear una poblacin inicial de soluciones.
Una funcin de ajuste adaptacin al problema, tambin llamada funcin de evaluacin, la cual asigna un nmero
real a cada posible solucin codificada.
Durante la ejecucin del algoritmo, los padres dos individuos pertenecientes a la poblacin inicial, que son
soluciones factibles del problema- deben ser seleccionados para la reproduccin; a continuacin dichos padres
seleccionados se cruzarn generando dos hijos, nuevas soluciones al problema, sobre cada uno de los cuales
actuar un operador de mutacin de acuerdo con una cierta probabilidad. El resultado de la combinacin de las
anteriores funciones ser un conjunto de individuos (posibles soluciones al problema), los cuales en la evolucin del
Algoritmo Gentico formarn parte de la siguiente poblacin.
Valores para los parmetros: tamao de la poblacin, probabilidad de aplicacin de los operadores genticos.

6. APLICACIONES DE LA INTELIGENCIA ARTIFICIALY LAS TCNICAS QUE USAN

Dentro del enfoque de la ingeniera de la InteligenciaArtificial, se clasifican las tcnicas que pueden ser usadas como
herramientaspara solucionar problemas en las siguientes categoras:
1. Tcnicas bsicas, as llamadas por encontrarse a labase de diversas aplicaciones de IA. Entre otras se encuentran
Bsqueda Heursticade Soluciones, Representacin del Conocimiento, Deduccin Automtica,Programacin Simblica
(LISP) y Redes Neuronales. Estas tcnicas son lasbases de las aplicaciones. En su mayora, no necesita conocerla el
usuariofinal, sino los profesionales que se dedican a su aplicacin y la generacinde aplicaciones comerciales.
2. Tecnologas, o combinaciones de varias tcnicas bsicas, orientadas aresolver familias de problemas. Las tecnologas
son ms especializadas que lastcnicas bsicas y estn ms cerca de las aplicaciones finales. Se puedenmencionar a la
Robtica y Visin, Lenguaje Natural, Sistemas Expertos
3. Clases o tipos de aplicaciones: Diagnstico, Prediccin (sistemas deautocontrol de reactores atmicos), Secuenciamiento
de operaciones("Scheduling"), Diseo, Interpretacin de datos. Todas ellas sonfamilias de problemas tipo. Por ejemplo, el
diagnstico se refiere a encontrarlas causas de fallas, ya sea que se trate de fallas en una lnea de produccino de
enfermedades en una persona.
4. Campos de aplicacin: Ingeniera, Medicina, Sistemas de Manufactura,Administracin, Apoyo a la Toma de Decisiones
Gerenciales, etc. Todas caendentro de las reas de los sistemas computacionales, pero que se considerancomo clientes de
la Inteligencia Artificial.
7. APLICACIN DE LA INTELIGENCIAARTIFICIAL EN LOS SISTEMAS PRODUCTIVOS
La incorporacin de agentes de decisin inteligente, redesneuronales, sistemas expertos, algoritmos genticos y autmatas
programablespara optimizacin de sistemas de produccin es una tendencia activa en elambiente industrial de pases con
alto desarrollo tecnolgico y con una graninversin en investigacin y desarrollo. Dichos componentes de la
InteligenciaArtificial tienen como funcin principal controlar de manera independiente, yen coordinacin con otros agentes,
componentes industriales tales como celdasde manufactura o ensamblaje, y operaciones de mantenimiento, entre otras.
Existe una tendencia creciente a la implementacin desistemas de manufactura/ensamblaje ms autnomos 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 pasessubdesarrollados como el nuestro no alcance niveles competitivos a
nivelmundial. Al disear un sistema de produccin integrado por computadora se debedar importancia a la supervisin,
planificacin, secuenciacin cooperacin yejecucin de las tareas de operacin en centros de trabajo, agregado alcontrol de
los niveles de inventario y caractersticas de calidad yconfiabilidad del sistema. Los factores mencionados determinan la
estructura delsistema y su coordinacin representa una de las funciones ms importantes enel manejo y control de la
produccin.
Muy frecuentemente, la razn para construir un modelo desimulacin es para encontrar respuestas a interrogantes tales
como Culesson los parmetros ptimos para maximizar o minimizar cierta funcinobjetivo? En los ltimos aos se han
producido grandes avances en el campo dela optimizacin de sistemas de produccin. Sin embargo, el progreso en
eldesarrollo de herramientas de anlisis para resultados de modelos de simulacinha sido muy lento. Existe una gran
cantidad de tcnicas tradicionales deoptimizacin que slo individuos con gran conocimiento estadstico y deconceptos de
simulacin han logrado aportes significativos en el rea.
Debido al auge de los algoritmos de bsqueda meta-heursticos,se ha abierto un nuevo campo en el rea de optimizacin
con simulacin.Nuevos paquetes de software, tales como OptQuest (Optimal Technologies),SIMRUNNER (Promodel
Corporation) y Evolver (Palisade Software), han salido almercado brindando soluciones amigables de optimizacin de
sistemas que norequieren control interno sobre el modelo construido, sino sobre los resultadosque dicho modelo arroja bajo
diferentes condiciones. Adems, nuevas tcnicasde inteligencia artificial aplicadas a problemas de optimizacin
estocstica,han demostrado su eficiencia y capacidad de cmputo y aproximacin.
El Aprendizaje Reforzado (Reinforcement Learning) es unconjunto de tcnicas diseadas para dar solucin a problemas
cuya base sonlos procesos de decisin markovianos. Los procesos markovianos son procesosestocsticos de decisin que
se basan en el concepto de que la accin a tomaren un estado determinado, en un instante determinado, depende slo del
estadoen que se encuentre el sistema al momento de tomar la decisin.
Una de las reas que puede tener mayor incidencia directa enlos procesos productivos de la industria nivel mundial, es el
diseo desistemas de soporte para la toma de decisiones basados en la optimizacin delos parmetros de operacin del
sistema. Para tal efecto, el uso de tcnicasinteligentes paramtricas y no paramtricas para el anlisis de datos es degran
inters.
Sin embargo, a juicio de los autores en la mayora de lasarquitecturas propuestas hasta el momento para manufactura
integrada porcomputadora, carecen de un factor de integracin fundamental. Lacomunicacin entre los diversos niveles
jerrquicos de una planta de produccines muy poca, ya que cada departamento se limita a realizar su funcin sinbuscar
una integracin 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
PRODUCCIONOperacinautomtica de control de calidad usando un sistema de visin porcomputador (Royman Lpez
Beltrn, Edgar Sotter Solano, Eduardo Zurek Varela.Laboratorio de Robtica y Produccin Automtica. 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 varandependiendo de los
parmetros que tengan relevancia en el mismo. Cuando el parmetrorelevante es la geometra o forma del objeto fabricado
se suele dejar a lavista del operario que lleve a cabo tal funcin tanto de inspeccin como deverificacin para el control de
calidad, sin embargo pueden existir errores enla geometra de un objeto que escapen de la vista de un operario y que
luegoimpidan el buen funcionamiento de dicho objeto. En un caso como ste, surgecomo una buena alternativa el utilizar un
sistema de visin artificial capaz dedetectar aquellos errores que un operario pudiera pasar por alto. El sistema devisin
artificial Robot Visin PRO, es capaz de ejecutar de manera totalmenteautomtica las labores de identificacin de objetos y
de control de calidad delos mismos.
El sistema Robot Visin PRO es un paquete de software de visin que permitela adquisicin de imgenes,
preprocesamiento y segmentacin. Adems realizaprocesamiento de datos de alto nivel que brinda filtrado de imgenes,
elaboracinde clusters y patrones, e identificacin de objetos. Este sistema cuenta conuna videocmara y un monitor
encargado de identificar cada una de las piezassalientes del proceso y hacer una comparacin con piezas de 100% calidad
paraluego determinar si el empaque puede salir al mercado o debe desecharse.
A continuacin se presentan algunas imgenes suministradas por el sistemaRobot Visin PRO Para la ejecucin de la
operacin de control de calidad.Fueron dispuestos los empaques de tal forma que las geometras quedaranplenamente
contenidas en el programa, y se procedi 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 visin por computador Robot Visin PRO despus de ser evaluado en la empresa result
eficiente para la deteccin de defectos geomtricos en los empaques de compresores centrfugos, ya que la
flexibilidad del software permiti ajustar las condiciones del proceso al sistema de calidad requerido para la
apropiada medicin de los empaques. Este sistema es lo bastante didctico como para desarrollar
expresiones que permitan realizar de manera totalmente automtica mediciones del objeto, labores de
reconocimiento y de control de calidad.
Los autores opinan que es muy adecuado el uso de esta tecnologa en empresas donde el acabado
superficial de una pieza sea muy exigente estrechas tolerancias como por ejemplo repuestos de carros,
instrumentacin industrial, etc.

1. Proyectos en va de desarrollo por la lnea de investigacin y desarrollo de inteligencia artificial

(grupo de investigacin 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 travs de despacho y control inteligente que
permita mejorar la calidad del servicio y reduzca los costos de operacin. 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 travs de un computador y una lnea telefnica desde
cualquier lugar del mundo y a travs de Internet.

2. Reconocimiento de ambientes en robtica mvil por medio de redes neuronales

 Este estudio est centrado en la identificacin global de ambientes ejecutada por un robot mvil con base
en el entrenamiento de una red neuronal que recibe la informacin captada del medio ambiente por el
sistema sensorial del robot (ultrasonido). Se considera que el robot, a travs de la red neuronal, tiene como
nica tares maximizar el conocimiento del ambiente que se le presenta. De esta forma este modela y
explora el ambiente eficientemente mientras ejecuta algoritmos de evasin de obstculos.
El resultado de este estudio es de gran importancia en el campo de la robtica mvil debido a que: el robot
adquiere una mayor autonoma del movimiento, se optimiza el uso del ultrasonido como detector de
obstculos y es una herramienta importante para el desarrollo de planificadores de trayectoria y
controladores inteligentes.
Usando una arquitectura: 2 - 2 -1
Nih: Nmero de neuronas de entrada(2).
Nhid: Nmero de neuronas de la capa intermedia(1).
Nout: Nmero de neuronas de salida(2).
Se va a mostrar a groso modo uno de los ejemplos con los cules fue entrenada la red (para mayor detalle
consultar investigacin de Rivera & Gauthier [1995] Universidad de los Andes).
Los parmetros 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 obstculos
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
estrellar con ningn obstculo.
En la red neuronal a medida que se aumenten las capaz internas tendr ms capacidad y velocidad de
aprender diversos ambientes.
A intervencin de los autores, determinan que es muy importante el uso de la robtica mvil 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 podra entrenar un robot y a medida
que se perfeccione su entrenamiento prepararlo posteriormente como transportador de carga.

3. Algoritmos genticos aplicados al problema cuadrtico de asignacin de facilidades QAP (

Departamento de Investigacin Operativa, Escuela de Ingeniera Industrial, Universidad de Carabobo,

Valencia, Venezuela. Ninoska Maneiro. Algoritmo Gentico Aplicado a Problemas de Localizacin de
Facilidades. Ao 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 asignacin de facilidades a sitios, a fin de minimizar una funcin que expresa costos
o distancias.
La localizacin y distribucin de facilidades es uno de los tpicos ms importantes en la formacin de
profesionales en el rea de Ingeniera Industrial y de todos aquellos
profesionales que se encargan de la planificacin, organizacin y crecimiento sistemtico de las ciudades.
En la vida cotidiana y profesional de todo individuo, se presentan una gran variedad de problemas de
localizacin de facilidades.
Los problemas de localizacin y distribucin de facilidades son estratgicos para el xito de cualquier
operacin de manufactura. La principal razn es que los costos de manejo al de materiales comprenden
entre el 30 y el 75% de los costos totales de manufactura. Una buena solucin problema de asignacin de
 facilidades contribuira a la eficiencia total de las operaciones, una pobre distribucin puede conducir a la
acumulacin 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 lnea generalizado, que es una lnea de flujo
en la cual las operaciones fluyen hacia adelante y no se procesan necesariamente en todas las mquinas
de la lnea. Un trabajo en tal clase de lnea puede comenzar a procesarse y completar su proceso en
cualquier mquina, movindose 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 mquina colocada delante de su localizacin actual, el trabajo tiene que viajar en sentido contrario
(upstream) a fin de completar la operacin requerida. Este "viaje en reversa" de las operaciones, es llamado
backtracking, y se desva de una lnea de flujo ideal para un trabajo especfico, resultando en una estructura
de trabajo menos eficiente, como se muestra en la siguiente figura.
Al parecer de los autores, este problema de asignacin cuadrtica debera tratarse en la clase de taller de
produccin por su relevancia al analizar secuencias N / M.

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

9. CONCLUSIONES

En la universidad Nacional sede Manizales en el programa deingeniera industrial se debera trabajar ms en las
ciencias informticas,con el fin, de profundizar en reas de la inteligencia artificial aplicadas ala ingeniera industrial.
Con el desarrollo de este trabajo se han obtenido resultados satisfactorios a nivel de investigacin terica, ya que
con la documentacin obtenida se conocieron avances en las ciencias informticas que en algunos casos eran
desconocidos para los autores.
Los grandes avances de I.A aplicada a sistemas de produccin han hecho que da a da la industria en su constante
bsqueda 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 Edicin.Mc Graw Hill. Mxico 1994.
Stuart Rusell. Norving Meter. Inteligencia Artificial un Enfoque Moderno. Printice Hall. Mxico 1996.
Revista La Ventana Informtica. Edicin N0 9. Universidad de Manizales. Pg. 56 57. Mayo 2003.
Delgado Alberto. Inteligencia Artificial y Mini robots. Segunda Edicin. Ecoe Ediciones. Julio 1998.
Delgado Alberto. Inteligencia Artificial y Mini robots. VII Congreso Nacional de Estudiantes de Ingeniera Industrial,
Administrativa y de Produccin Universidad Nacional Sede Manizales. Memorias Congreso. Octubre 4 - 10 de 1998.
Enciclopedia Informtica y Computacin. Ingeniera del Software e Inteligencia artificial. Julio 1992.
Nebendah Dieter. Sistemas Expertos. Ingeniera y Comunicacin. 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. Mxico 1992.
Mompin P. Jos. Inteligencia Artificial: Conceptos, Tcnicas y aplicaciones. Marcomobo S.A Ediciones. Espaa
1987.
Revista Iberoamericana de Inteligencia Artificial. Aplicacin de Inteligencia Artificial en Sistemas Automatizados de
Produccin. Llata, J.R. , Sarabia, E.G., Fernndez, D., Arce J., Oria, J.P.. Numero 10, pginas 100-110. Disponible
en (http://www.aepia.org/).