Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

Sistema de Informacin Cientfica

CARLOS ANDRS DOMNGUEZ GUAL, GEOVANNI DE LOS ROS SALDARRIAGA, JUAN DAVID
VELSQUEZ HENAO
Distribucin de espacios en plantas industriales usando bsqueda tab
Dyna, vol. 72, nm. 145, marzo, 2005, pp. 77-84,
Universidad Nacional de Colombia
Colombia

Disponible en: http://www.redalyc.org/articulo.oa?id=49614507

Dyna,
ISSN (Versin impresa): 0012-7353
dyna@unalmed.edu.co
Universidad Nacional de Colombia
Colombia

Cmo citar? Fascculo completo Ms informacin del artculo Pgina de la revista

www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
 DISTRIBUCIN DE ESPACIOS EN PLANTAS
INDUSTRIALES USANDO BSQUEDA TAB

SPACE DISTRIBUTION IN INDUSTRIAL PLANTS USING

TABU SEARCH METHOD

CARLOS ANDRS DOMNGUEZ GUAL

Escuela de la Organizacin, Facultad de Minas, Universidad Nacional de Colombia

GEOVANNI DE LOS ROS SALDARRIAGA

Escuela de la Organizacin, Facultad de Minas, Universidad Nacional de Colombia

JUAN DAVID VELSQUEZ HENAO

Escuela de Sistemas, Facultad de Minas, Universidad Nacional de Colombia

Recibido para revisin 6 de Abril de 2004, aceptado 29 de Julio de 2004, versin final recibida 10 de Noviembre de 2004

RESUMEN: En el problema de la distribucin de espacios en plantas industriales se pretende

ubicar de forma ptima los departamentos de acuerdo con sus necesidades. Este es un
problema complejo de optimizacin combinatoria debido al gran nmero de distribuciones
posibles, y para cuya solucin han sido propuestos varios algoritmos heursticos; no obstante,
dichas tcnicas de solucin exploran parcialmente y de forma limitada el espacio de posibles
combinaciones. Como una alternativa de solucin a este problema, se presente una adaptacin
del mtodo de Bsqueda Tab, la cual realiza una exploracin heurstica de mayor amplitud
que los mtodos tradicionales. Los resultados obtenidos para los casos de aplicacin
presentados, indican que la metodologa propuesta puede encontrar distribuciones de calidad
superior, o al menos igual, a los mtodos tradicionales.

PALABRAS CLAVE: Algoritmos Heursticos, Bsqueda Tab.

ABSTRACT: In the problem of space distribution in industrial plants the aim is to locate
optimally the departments according to its necessities. This is a combinatory optimization
complex problem due to great number of possible distributions, and for whose solution has
been proposed several heuristic algorithms; notwithstanding, these solution techniques
explore partially and in a limit way the space of possible combinations. As a alternative
solution, an adaptation of Tabu search method is presented, which made a heuristic
exploration of major extend that the traditional methods. The obtained results indicate the
proposed methodology can find distributions of better quality, or at least equal, than the
traditional methods.

KEYWORDS: Heuristic Algorithms, Tabu Search.

Dyna, Ao 72, Nro. 145, pp. 77-84. Medelln, Marzo de 2005. ISSN 0012-7353
78 Domnguez et al
1. INTRODUCCIN
El problema de distribucin de los espacios
en plantas industriales (DEPI) ha sido
comnmente resuelto mediante tcnicas
heursticas que hacen la distribucin de
acuerdo con algn criterio emprico
previamente definido, realizando una
bsqueda restringida sobre las posibles
configuraciones realizables. Estas regiones de
bsqueda en el espacio de posibles
combinaciones son definidas de acuerdo con
los criterios heursticos utilizados,
obtenindose como resultado, soluciones
factibles que no son necesariamente las
ptimas.
No obstante, la distribucin ptima de
espacios puede ser interpretado como un
problema de optimizacin combinatoria, cuyo
espacio de soluciones est conformado por
todas las distribuciones factibles que puedan
realizarse; en consecuencia, su solucin
puede ser realizada mediante algoritmos
heursticos de bsqueda diseados para la
solucin de problemas combinatorios.
El objetivo de este trabajo es explorar la
aplicabilidad de la Bsqueda Tab (Glover y
Laguna, 1993), en la solucin del problema
de distribucin de espacios en plantas
industriales (DEPI), y proponer una
adaptacin de dicha metodologa para la
solucin del problema en cuestin. Para ello,
en la seccin 2 se clasifican algunas de las
metodologas convencionales comnmente
utilizadas, y posteriormente en la seccin 3,
se analizan algunas de sus limitantes. En la
seccin 4 se presenta la metodologa
propuesta, para exponer posteriormente en la
seccin 5 un ejemplo real de aplicacin.
Finalmente, las principales conclusiones son
presentadas en la seccin 6.
2. CLASIFICACIN DE LAS METO-
DOLOGAS CONVENCIONALES
Las metodologas convencionales utilizadas
para la DEPI pueden clasificarse en diferentes
formas:
!" De acuerdo con el tipo de datos
requeridos para su ejecucin: Algunos
algoritmos utilizan slamente un flujo
cualitativo de datos denotado por las
cartas o matrices de relaciones de
cercana entre los departamentos.
Tambin existen otros que utilizan
informacin cuantitativa organizada en
matrices de origen -- destino, mientras
que otros algoritmos tienen la capacidad
de utilizar tanto informacin cualitativa
como cuantitativa.
!" Por su funcin objetivo: Algunos
algoritmos tienen como objetivo
minimizar el producto de flujo de
material y distancias, utilizando las
matrices de origen-destino para lograr
este objetivo. Asimismo, es posible
minimizar el puntaje de adyacencia, para
lo cual se utilizan las cartas de relaciones.
!" Por el formato de representacin de la
disposicin: la mayora de los algoritmos
utilizan una representacin discreta con la
ayuda de bloques, donde el rea de cada
departamento se redondea al nmero
entero ms cercano de bloques; por lo
tanto para obtener una mejor resolucin
se debe utilizar el rea mnima posible de
bloques. La representacin continua no es
de uso extendido y no utiliza bloques
para ubicar los departamentos.
!" La cuarta forma de clasificar estas
metodologas esta dada por la rutina que
utilizan: Las rutinas de construccin usan
tcnicas graficas para que a partir de los
datos de entrada se despliegue una
disposicin de los departamentos como es
el algoritmo ALDEP -Automated Layout
Design Program- (Tompkins y Moore,
1978). Las rutinas de mejoramiento
requieren como entrada una disposicin
inicial para realizarle cambios y as
reducir los costos de transporte de
materiales como es el algoritmo CRAFT
-Computarized Relative Allocation of
Facilities Technique-.
3. DESVENTAJAS DE LAS METODO-
LOGAS CONVENCIONALES
Entre las principales desventajas encontradas
en estos mtodos es que la exploracin est
limitada a subregiones del espacio de
soluciones conformado por todas las posibles
combinaciones en que pueden repartirse los
departamentos, las cuales no garantizan
 Dyna 145, 2005
contener la distribucin ptima que minimiza
el criterio de seleccin usado.
Dichas tcnicas convencionales estn basadas
en criterios heursticos dismiles para la
distribucin de espacios, lo que genera para
un mismo problema diferentes distribuciones
finales.
Los algoritmos de mejoramiento usan una
distribucin inicial de arranque dada por el
usuario, la cual debe ser obtenida por otro
mtodo. Como una consecuencia, se pueden
alcanzar soluciones diferentes dependiendo
del punto inicial de arranque. Dichos
algoritmos de mejoramiento, basan su
bsqueda en el intercambio entre
departamentos que tienen un rea igual o
comparten un borde.
Finalmente, las metodologas analizadas no
exploran todas las posibilidades para realizar
la distribucin de los departamentos, lo que
conlleva a que para un mismo problema, cada
mtodo entregue una solucin diferente.
4. METODOLOGA PROPUESTA
Como ya se indic, la DEPI es un problema
de optimizacin combinatoria, por lo que los
algoritmos comnmente usados para la
solucin de este tipo genrico de problemas
pueden ser potencialmente usados para hallar
las distribuciones ptimas de los espacios.
Diversos autores ya han explorado el uso de
Algoritmos Genticos en la solucin del
problema DEPI (Islier, 1998; Tam y Chan,
1998) encontrndose que estas tcnicas
permiten hallar soluciones superiores a las
obtenidas usando tcnicas convencionales.
Sin embargo, estas tcnicas de optimizacin
son voraces en cuento a los recursos
computacionales y al tiempo requerido para
encontrar soluciones ptimas, debido
principalmente, a la forma en que est
concebido el algoritmo.
Se propone entonces, una nueva
aproximacin metodolgica basada en la
tcnica de Bsqueda Tab (BT) desarrollada
por Glover y Laguna (1993), la cual realiza
una exploracin heurstica inteligente del
espacio de soluciones, y que requiere
menores recursos computacionales que los
Algoritmos Genticos para su aplicacin,
79
permitiendo obtener resultados superiores a
las tcnicas convencionales.
4.1 BSQUEDA TAB
La BT es un mtodo heurstico de bsqueda
global en el espacio de soluciones de un
problema, en la cual una memoria de largo
plazo registra las soluciones visitadas, y
obliga a que el proceso de bsqueda visite de
forma determinstica soluciones no
evaluadas; sin embargo, es posible hacer el
proceso estocstico adicionando algunos
elementos probabilsticos.
En su forma tradicional, la BT opera sobre
una cadena binaria que representa una posible
solucin del problema. El proceso de
optimizacin consiste en explorar las
vecindades de la mejor solucin encontrada
hasta el momento, movindose a una nueva
solucin ptima, en la medida en que ella
tenga un mejor valor de la funcin objetivo.
Para evadir los ptimos locales, la BT evita
visitar algunas de las soluciones vecinas a la
solucin ptima actual, considerando que los
movimientos en el espacio de soluciones que
llevan de una solucin a la otra son tab, de
tal forma que ellos no pueden ser aceptados
durante un cierto tiempo o un cierto nmero
de iteraciones. Para ello, los movimientos
aceptados son almacenados en una memoria
de corto plazo.
Cuando el algoritmo converge finalmente a
un punto de ptima local, para el cual no es
posible encontrar soluciones vecinas mejores,
la solucin es almacenada como el mejor
ptimo encontrado; posteriormente, la
memoria de corto plazo es borrada, y se
escoge como nuevo punto de arranque del
algoritmo, alguna de las soluciones
previamente visitadas que se encuentran
almacenadas en la memoria de largo plazo.
Para mayores detalles sobre el algoritmo
vase a Glover y Laguna (1993).
4.2 BSQUEDA TAB MODIFICADA
La metodologa de BT no puede ser
directamente aplicada al problema de DEPI,
por lo que debe ser modificada teniendo en
cuenta las condiciones particulares de este
problema.
80 Domnguez et al

4.2.1 Representacin de la solucin

En primer lugar es necesario definir la
representacin de la solucin en una forma tal
Bandas
que pueda ejecutarse el algoritmo de BT. En
nuestra aproximacin, la solucin es
representada como un vector con tantas
posiciones como departamentos ms uno sea
necesario ubicar en la planta industrial. A
diferencia de la BT tradicional, que usa un
Figura 1. Reparticin de departamentos
vector binario, cada posicin del vector oscilatoria vertical
contiene un ordinal que representa el ndice
Figure 1. Departments distribution vertical
del departamento, e indica el orden en que
oscillating
ellos sern repartidos en el rea; la ltima
posicin contiene las letras A o B, que
representan la forma en que se realizar la
distribucin. De esta forma, un problema con
4 departamentos podra tener la siguiente
solucin:
Bandas
x = { 4, 1, 3, 2, A }

En la actualidad, la versin implementada

considera dos formas de repartir los
departamentos: oscilatoria en forma
horizontal que es representada por la letra A,
y oscilatoria en forma vertical que es
representada por la letra B, las cuales pueden
apreciarse en las Figuras 1 y 2. Para realizar
la reparticin, es necesario dividir el rea de
la planta en una cuadrcula donde cada
cuadro representa la unidad mnima de
superficie que es usada en la ubicacin de
cada departamento; en consecuencia, es
necesario ajustar el requerimiento de rea de
cada departamento a un nmero entero de
unidades mnimas de superficie.
Para realizar la ubicacin de acuerdo con los
valores del vector solucin se procede de la
siguiente forma: en la reparticin oscilatoria
vertical el rea de la planta es dividida en
bandas verticales; luego se toma el primer
departamento, el 4 para el ejemplo
presentado, y se empiezan a asignar unidades
mnimas de rea en el sentido indicado por la
flecha en la Figura 1, hasta completar el
nmero de unidades requerido por dicho
departamento; posteriormente se procede a
ubicar los departamentos restantes de igual
forma. La reparticin oscilatoria vertical es
realizada de manera similar.
Figura 2. Reparticin de departamentos
oscilatoria horizontal
Figure 2. Departments distribution horizontal
oscillating
4.2.2 Evaluacin de la funcin de costo
Para establecer la bondad de una solucin, se
evala una funcin de costo que relaciona la
distancia entre los departamentos, el costo
unitario de transporte y el flujo entre ellos.
4.2.3 Solucin inicial
Nuestra propuesta de modificacin de la BT
para este problema funciona de la siguiente
forma: cuando se inicia el algoritmo, se
genera una distribucin aleatoria de los
departamentos en el vector de solucin, y se
evalan las dos formas de reparticin,
calculndose para cada una de ellas su costo
respectivo. La solucin inicial corresponde a
la reparticin con mejor costo.
4.2.4 Generacin de las soluciones
vecinas
A partir de este punto se entra en un proceso
iterativo en el cual se van intercambiando
departamentos en el vector de solucin hasta
 Dyna 145, 2005
que el algoritmo converge a un punto de
ptima. Supngase que la solucin inicial,
para un problema con 7 departamentos, est
dada por:
x(1) = { 4, 1, 3, 2, 7, 5, 6, A }
la cual tiene un costo inferior a la solucin x
=\{ 4, 1, 3, 2, 7, 5, 6, B } tal como ya se
indic. Para encontrar las soluciones en la
vecindad de la solucin optima actual, el
departamento en la primera posicin del
vector intercambia su posicin con cada uno
de los departamentos restantes. Es as como
la primera solucin vecina se obtiene
intercambiando el departamento 4 en la
primera posicin con el departamento 5;
posteriormente el 4 con el 6 y as
sucesivamente. Para cada una de las
soluciones vecinas al punto actual, se
evaluarn cada una de las formas de
reparticin consideradas; es as como para el
ejemplo presentado, se evalan las siguientes
formas de reparticin; la solucin marcada
con asterisco corresponde a la solucin
vecina con menor costo:
x = { 5, 1, 3, 2, 7, 4, 6, A }
x = { 6, 1, 3, 2, 7, 5, 4, A }
x = { 7, 1, 3, 2, 4, 5, 6, A }
x = { 1, 4, 3, 2, 7, 5, 6, A }
x = { 2, 1, 3, 4, 7, 5, 6, A }
x* = { 3, 1, 4, 2, 7, 5, 6, A }
x = { 5, 1, 3, 2, 7, 4, 6, B }
x = { 6, 1, 3, 2, 7, 5, 4, B }
x = { 7, 1, 3, 2, 4, 5, 6, B }
x = { 1, 4, 3, 2, 7, 5, 6, B }
x = { 2, 1, 3, 4, 7, 5, 6, B }
x = { 3, 1, 4, 2, 7, 5, 6, B }
S x* tiene un costo inferior a x(1), ella ser
aceptada como la nueva mejor solucin
encontrada x(2) = x*.
4.2.5 Memoria de Corto Plazo
Para implementar la memoria de corto plazo
se usa un vector de enteros con tantas
posiciones como departamentos hay en el
problema, donde el entero en cada posicin
indica el nmero de iteraciones que dicha
81
posicin ser tab y con la cual no es posible
realizar intercambios de departamentos. Ya
que en el ejemplo presentado se encontr una
solucin mejor, la primera posicin quedar
bloqueada, y su valor no podr cambiar
durante las prximas n iteraciones; de esta
forma, y si el bloqueo es por las prximas 3
iteraciones, la memoria de corto plazo ser:
m(2) = { 3, 0, 0, 0, 0, 0, 0 }
Ntese que cuando se inicia el algoritmo, m(1)
= { 0, 0, 0, 0, 0, 0, 0 }, por lo que se evalan
todos los intercambios de departamentos. En
esta la implementacin, este valor n es igual
al nmero de departamentos sobre dos.
4.2.6 Memoria de Largo Plazo
La memoria de largo plazo se implementa
como una matriz de enteros donde cada fila
corresponde a una de las soluciones visitadas.
Cuando se inicia el algoritmo la matriz est
vaca. Cada vez que se evala una solucin
no visitada, ella es introducida en la matriz,
tal que al final del primer ciclo, la memoria
de corto plazo contiene a x(1) y todas sus
soluciones vecinas.
En el siguiente ciclo, se tomar como
solucin inicial a:
x(2) = { 3, 1, 4, 2, 7, 5, 6, A }
Ya que la primera posicin del vector se
encuentra bloqueada en la memoria de corto
plazo, se procede a realizar el intercambio de
departamentos entre la segunda y el resto, tal
que se evalan las siguientes combinaciones:
x = { 3, 2, 4, 1, 7, 5, 6, A }
x = { 3, 4, 1, 2, 7, 5, 6, A }
x = { 3, 5, 4, 2, 7, 1, 6, A }
x = { 3, 6, 4, 2, 7, 5, 6, A }
x = { 3, 7, 4, 2, 1, 5, 6, A }
x = { 3, 2, 4, 1, 7, 5, 6, B }
x = { 3, 4, 1, 2, 7, 5, 6, B }
x* = { 3, 5, 4, 2, 7, 1, 6, B }
x = { 3, 6, 4, 2, 7, 5, 6, B }
x = { 3, 7, 4, 2, 1, 5, 6, B }
Ntese que no hubo intercambios con el
departamento 3. Ahora, cada vez que se
82 Domnguez et al

genera una solucin vecina, se verifica que Tabla 2. Flujo de productos entre departamentos
ella no se encuentre en la memoria de largo por unidad de tiempo
plazo para ser considerada. En el caso de que Table 2. Product flow between departments by
ya hubiera sido visitada, es descartada del time unit
conjunto de soluciones vecinas. Ya que se
encontr la solucin vecina x* con un costo Desde Hacia
menor a x(2), se disminuye en 1 todas aquellas 1 2 3 4 5 6 7
posiciones de la memoria de corto plazo 1 45 15 25 10 5
diferentes de cero, y se asigna 3 a la posicin 2 30 25 15
2. De esta forma, la memoria de corto plazo 3 5 10
se transforma a: 4 20 35
5 65 35
(3) 6 5 65
m = { 2, 3, 0, 0, 0, 0, 0 }
7
A la memoria de largo plazo se ha adicionado
la solucin x(2) y todas sus vecinas.
Este proceso continua hasta que despus de Para ejecutar el algoritmo, se supuso un
elemento mnimo cuadrado con un rea de
visitar todas las posiciones del vector no
bloqueadas que pueden cambiarse, no se 400 unidades cuadradas. Igualmente, se
asumi el ancho de la banda vertical en dos
obtiene una solucin vecina mejor al punto
unidades cuadradas, y el de la banda
actual. En este momento se hacen todas las
posiciones de la memoria de corto plazo horizontal en dos unidades cuadradas. El
rea total para distribuir los departamentos
iguales a cero y se toma como nuevo punto
inicial, una solucin almacenada en la tiene 10 filas y 18 columnas de elementos
mnimos cuadrados. Se asumi un costo
memoria de largo plazo seleccionada de
unitario de un peso por unidad de carga
forma aleatoria.
transportada una unidad de distancia.

5. APLICACIN A UN CASO REAL Este mismo problema fue solucionado

El mtodo propuesto fue aplicado a la usando los programas CRAFT y ALDEP,
distribucin de siete departamentos en una encontrndose que la configuracin
planta. Los departamentos tienen las reas obtenida usando la metodologa propuesta,
presentadas en la Tabla 1. Los flujos entre tiene un costo inferior a las soluciones
departamentos son presentados en la Tabla 2. encontradas con estos dos programas. Los
resultados se resumen en la Tabla 3, y las
distribuciones encontradas se presentan en las
Tabla 1. rea de los Departamentos
Figuras 3 a 5; en cada una de dichas Figuras,
Table 1. Departments area cada dgito indica una unidad mnima de rea.
El cero representa unidades de rea que no
Departamento Area( u2 ) han sido asignadas a ningn departamento.
Los dgitos entre 1 y 7 indican a que
1 12000
departamento a sido asignada cada unidad
2 8000
3 6000 mnima de rea. De esta forma, en la Figura
4 12000 4, el departamento 1 ocupa una regin de 10
5 8000 unidades horizontales por 3 unidades
6 12000 verticales, ubicada en la esquina superior
7 12000 izquierda de la planta.
 Dyna 145, 2005 83

113333444466667777
113333444466667777
Tabla 3. Costos obtenidos para las distintas 113332444465667777
configuraciones encontradas 113322444455667777
Table 3. Costs for different found configurations 113322444455667777
111122444455667777
Mtodo Costo 111122444455667777
111122245455666707
111122225555666600
ALDEP 3199.95
111122225555666600
CRAFT 2833.5
Bsqueda Tab Modificada 2024.78
Figura 5. Solucin encontrada usando el
programa Propuesto
Figure 5. Found solution using proposed
program
00000000000000000000
01122224455666677770
01122224455666677770
01122224455666677770 6. CONCLUSIONES
01122224455666677770
01122224455666677770
La metodologa propuesta permite explorar
01111444455663377770 de una forma ms completa el espacio de
01111444455663377770 solucin. Debido a la forma en como est
01111444455663337070 expresada la funcin de costo a optimizar, es
01111444455663333000 posible hacerla tan compleja como sea
01111444455663333000 necesario, pudiendo incorporarse elementos
00000000000000000000 de anlisis multiobjetivo si fuese necesario.
En su forma conceptual y de
Figura 3. Solucin encontrada usando el implementacin, la BT modificada
programa ALDEP propuesta, es conceptualmente mucho ms
Figure 3. Found solution using program ALDEP simple que otras tcnicas que pueden
producir resultados comparables tales como
Algoritmos Genticos. Igualmente la
metodologa propuesta, puede obtener
111111111177777777 soluciones en menor tiempo, ya que
111111111177777777 realiza comparativamente un nmero
111111111177777777 inferior de clculos, si se la compara con
333222222266777777 Algoritmos Genticos.
333322222266666666
La metodologa propuesta combina
333322222266666666
333324444555555666 elementos de los programas normalmente
444444444555555666 utilizados, explorando un espacio solucin
444444444555555666 mucho ms amplio que el de ellos, lo que
444444440000055666 posibilita encontrar mejores soluciones.
Para el caso de aplicacin, se encontr
Figura 4. Solucin encontrada usando el que la solucin obtenida por nuestra
programa CRAFT aproximacin metodolgica equivale al 63%
Figure 4. Found solution using program CRAFT del costo encontrado con ALDEP y del 71%
del encontrado con CRAFT. Estos resultados
muestran que la nueva metodologa puede
permitir encontrar valores inferiores
respecto a las metodologas tradicionales.
84 Domnguez et al

REFERENCIAS [3] Tam, K. Y. y Chan, S. K. (1998),

[1] Glover, F. y Laguna, M. (1993), Tabu
search in Modern Heuristic Techniques
for Combinatorial Problems,
Blackwell, Oxford.
[2] Islier, A. A. (1998), A genetic
algorithm approach for multiple
criteria facility layout design, Int. J.
Prod. Res. 36(12), 15491569.
Solving facility layout problems with
geometric constrains using parallel
genetic algorithms: experimentation
and findings, Int. J. Prod. Res. 36(12),
32533272.
[4] Tompkins, J. y Moore, J. (1978),
Computer Aided Layout: Users
Guide. FP & D Monograph Series No
1. AIIE-FP & D - 77 - 1.