Las Metaheurísticas- Tendencias Actuales y Su Aplicabilidad en La Ergonomía

Ingeniería Industrial. Actualidad y Nuevas

Tendencias

ISSN: 1856-8327

[email protected]

Universidad de Carabobo

Venezuela

Márquez Gómez, Mervyn

Las metaheurísticas: tendencias actuales y su aplicabilidad en la ergonomía

Ingeniería Industrial. Actualidad y Nuevas Tendencias, núm. 12, enero-junio, 2014, pp.

108-120

Universidad de Carabobo

Carabobo, Venezuela

Disponible en: http://www.redalyc.org/articulo.oa?id=215037911009

Cómo citar el artículo

Número completo

Más información del artículo

Página de la revista en redalyc.org

Sistema de Información Científica

Red de Revistas Científicas de América Latina, el Caribe, España y Portugal

Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

http://www.redalyc.org/revista.oa?id=2150



http://www.redalyc.org/articulo.oa?id=215037911009

http://www.redalyc.org/comocitar.oa?id=215037911009

http://www.redalyc.org/fasciculo.oa?id=2150&numero=37911

http://www.redalyc.org/articulo.oa?id=215037911009


http://www.redalyc.org

Ingeniería Industrial.Actualidad y Nuevas Tendencias Año 7, Vol. IV, N° 12

ISSN: 1856-8327

Márquez. Las metaheurísticas: tendencias actuales y su aplicabilidad en ergonomía, p. 108-120

108

Las metaheurísticas: tendencias actualesy su aplicabilidad en la ergonomía

Metaheuristics: current trends and its applicability in ergonomics

Mervyn Márquez Gómez

Palabras Clave: metaheurísticas, ergonomía, optimización.Key words: metaheuristics, ergonomics, optimization.

RESUMEN

Cuando los métodos convencionales no permiten darlesolución a ciertos problemas de optimización, debido ala complejidad de los mismos, se debe recurrir al uso demétodos aproximados o heurísticos que permitanalcanzar soluciones buenas en un tiempo razonable. Portal motivo, a lo largo de los años se han venidodesarrollando y validando todo un conjunto demetodologías conocidas como metaheurísticas, para queguíen una heurística subordinada, combinando distintosconceptos para explorar y explotar adecuadamente elespacio de búsqueda. En el presente trabajo documentalse realizan algunos planteamientos con relación a lascaracterísticas generales de las metaheurísticas, susaplicaciones, sus tendencias actuales así como su posibleaplicación en el área de la ergonomía. Al respecto serealizó una revisión de los artículos publicados en losúltimos diez años en portales académicos reconocidos,encontrándose que los algoritmos genéticos constituyenla metaheurística más utilizada y el tipo de problemamás tratado es el relacionado a la programación detareas. Se planteó la posibilidad de emplearmetaheurísticas en el abordaje de problemas de tipoergonómico, en particular, en lo referente a clasificaciónde trabajos según el riesgo, determinación de relacionesentre tarea y riesgo, y desarrollo de soluciones de tipoadministrativas.

ABSTRACT

When conventional methods do not solve certainoptimization problems, due to the complexity of it,approximate or heuristic methods must be used toachieve good solutions in a reasonable time. For thisreason, over the years it has been developing andvalidating a set of methodologies known asmetaheuristics, so they guide a subordinate heuristic bycombining different concepts to explore and exploit thesearch space properly. In this documentary work someapproaches are carried out in relation to the generalcharacteristics of metaheuristics, their applications, theircurrent trends as well as their possible application in theergonomic area. In this respect a review of articlespublished in the last ten years in academic portalsrecognized was conducted, finding that geneticalgorithms are the most commonly used metaheuristicsand more treated problem type is the relatedprogramming tasks. It raised the possibility of usingmetaheuristics in ergonomic problems, in particular inrelation to classification of works according to the risk,determining administrative relationships between taskand risk, and development of solutions.

INTRODUCCION

En ocasiones, cuando se afrontan determinadosproblemas en el campo de la ingeniería industrial,no es suficiente con encontrar una solución, sinoque es indispensable encontrar la mejor soluciónposible, o en otras palabras, optimizar. De estaforma, en ingeniería industrial y en especial en elárea de investigación de operaciones, laoptimización se refiere al proceso mediante el cual

se trata de encontrar la mejor solución posible paraun problema determinado, por lo general en untiempo limitado, aunque coloquialmente se le hautilizado de forma imprecisa como significado de“hacerlo mejor” (Duarte, 2007; Martí, 2003). En unproblema de optimización se presentan diferentessoluciones y algún criterio para discriminar entreellas, en otras palabras, se busca maximizar ominimizar una función objetivo, sujeta arestricciones.


ISSN: 1856-8327


109

En este sentido, a lo largo de los años se hanvenido creando todo un conjunto de herramientaso técnicas que permiten facilitar ese proceso debúsqueda de la mejor solución. No obstante, en lamedida en que los problemas crecen encomplejidad, algunas herramientas comienzan aperder utilidad y ni siquiera pueden generarsoluciones válidas; por lo que deben darle paso aotros métodos que aun cuando no logren alcanzarla mejor solución, ofrecen la posibilidad de obtenerbuenas soluciones; tal es el caso de los métodosheurísticos y las metaheurísticas.En las secciones siguientes se expone losresultados de una revisión documental realizadaen el campo de las metaheurísticas, en primerlugar, se señalan algunos aspectos generalesrelacionados al concepto de los métodosheurísticos y las metaheurísticas, su clasificación ysus principales aplicaciones. Además, se refierenalgunas de las tendencias más importantes que sevienen experimentando en los últimos años conrelación al tema de las metaheurísticas, así comoalgunos planteamientos vinculados a laposibilidad de su adecuación e implementaciónpara resolver ciertas situaciones asociadas al áreade la ergonomía.

METODOLOGÍA

En el presente trabajo documental se llevó a cabouna revisión de los artículos publicados durantelos últimos diez años (desde el 2003 hasta el 2012)en directorios de acceso abierto (Open Access)tales como SciELO (Scientific Electronic LibraryOnline), DOAJ (Directory of Open AccessJournals), Redalyc (Red de Revistas Científicas deAmérica Latina y el Caribe, España y Portugal), e-Revistas (Plataforma Open Access de RevistasCientíficas Electrónicas Españolas yLatinoamericanas) y Dialnet (Portal bibliográficode acceso libre de la Universidad de la Rioja,España), así como en ProQuest (Portal de serviciode información perteneciente al CambridgeInformation Group, con sede en Michigan).Las palabras clave utilizadas para las respectivasbúsquedas fueron metaheurística(o), heurística(o),

metaheuristic y heuristic, y se seleccionaronaquellos trabajos con una orientación enfocada a laaplicación de las metaheurísticas en campos de laingeniería industrial o afín; obteniéndose 340referencias de texto completo. Una vez revisados,los artículos fueron clasificados de acuerdo al tipoo tipos de metaheurísticas utilizadas, y de acuerdoal tipo de problema abordado.

REVISIÓN Y DISCUSIÓN

Métodos heurísticosEl término heurístico (o heurística) proviene delgriego heuriskein, que significa hallar ó inventar;en este sentido la Real Academia Española (2012)lo define como técnica de la indagación y deldescubrimiento; o como la manera de buscar lasolución de un problema mediante métodos norigurosos, es decir, reglas empíricas. En ciencia, laidea más genérica del término heurístico estávinculada con la tarea de resolver inteligentementeproblemas reales empleando el conocimientodisponible, aunque en investigación deoperaciones se usa el calificativo comocontraposición a exacto (Melián et al., 2003).Justamente sobre estas premisas se fundamentan lamayoría de conceptos dados a los métodosheurísticos. Maroto et al. (2002) lo define como lastécnicas o procedimientos informales para resolverproblemas, basados en la creatividad, la intuición,el conocimiento o la experiencia para hallar buenassoluciones o mejorar una existente; además,agregan que los mismos surgen como la únicaalternativa en aquellos casos cuyos modelos sonmuy complejos o intratables desde el punto devista de los medios computacionales disponibles.Al respecto, ya a finales de la década de los 80,Gould y Eppen (1987) explicaban que un problemapodía ser tan complejo que el modelo diseñadopara resolverlo no podía afrontarse mediante losmétodos tradicionales; lo cual se presenta por laconjunción de dos circunstancias: un modelo“demasiado grande, no lineal en extremo odemasiado complejo en el aspecto lógico” (p.664),unido a la imposibilidad de recurrir al empleo desupuestos simplificadores o aproximaciones quehicieran el problema más manejable, debido a que


ISSN: 1856-8327


110

se destruiría demasiado la estructura delproblema, alejándolo de la realidad. A este tipo deproblemas difíciles de resolver se les denota comoNP-hard en el contexto de la complejidadalgorítmica.Por su parte, Hillier y Lieberman (2010) explicanque con frecuencia, los métodos heurísticos serefieren a un algoritmo iterativo novedoso,diseñado para abordar un determinado problemay no necesariamente a una gran cantidad deaplicaciones. Dentro de ese procedimiento, cadaiteración supone la búsqueda de una nuevasolución que eventualmente pudiera ser mejor queuna solución encontrada previamente,repitiéndose durante un tiempo razonable.Una característica fundamental de los métodosheurísticos es que mediante su utilización no segarantiza la solución óptima al problema encuestión, sino más bien una solución factible muybuena, por lo que los métodos heurísticos seconvierten en soluciones ad hoc que buscan mássatisfacer que optimizar; de hecho, Martí (2003)acuña que muchos de los métodos heurísticos sehan desarrollado para darle solución a undeterminado tipo de problema, quedandoprácticamente inhabilitados para su aplicación aotros problemas similares. Los métodos heurísticosproporcionan entonces soluciones heurísticas. Deallí que, tal como lo plantea Luna (2008) lastécnicas de optimización pueden ser de tipoexactas y aproximadas, encontrándose en estasúltimas los métodos de naturaleza heurística.Cuando se desarrollan algoritmos heurísticos, esimportante evaluar que el mismo sea eficiente(esfuerzo computacional realista), bueno (solucióncercana al óptimo) y robusto (baja probabilidad deobtener una mala solución), para lo cual se puedenemplear procedimientos tales como: comparacióncon la solución óptima, comparación con una cota,comparación con un método exacto truncado,comparación con otros heurísticos y análisis delpeor caso (Martí, 2003).Debido a la naturaleza tan diversa de los métodosheurísticos, Martí (2003) señala que resulta difícildar una clasificación completa de los mismos, ymás bien plantea un conjunto de categorías, no

excluyentes, en las que se pudieran ubicar losprincipales métodos desarrollados. Estas son:1.Métodos de descomposición: el problema sedescompone en subproblemas más fáciles deresolver.2.Métodos inductivos: busca generalizarpropiedades o técnicas identificadas de casos máspequeños y sencillos, al problema complejo ogeneral.3.Métodos de reducción: tienen como propósitorestringir o reducir el espacio de soluciones,simplificando así el problema.4.Métodos constructivos: se basan en laconstrucción progresiva de una solución delproblema, mediante la selección de la mejor opciónen iteraciones sucesivas. Dentro de ellos se puedenmencionar: heurísticos del vecino más próximo,heurísticos de inserción, heurísticos basados enárboles generadores, y heurísticos basados enahorros.5.Métodos de búsqueda local: se caracterizan poriniciar con una solución del problema, la cual debeser mejorada progresivamente a lo largo delprocedimiento. Dentro de esta categoría se puedenmencionar: procedimientos de dos intercambio,procedimientos de k intercambio y algoritmo deLin y Kernighan.6.Métodos combinados: De todos los métodosmencionados hasta el momento, los métodosconstructivos y los métodos de búsqueda localmerecen especial atención, debido a que sucombinación ha permitido el surgimiento denuevos métodos heurísticos, llamados métodoscombinados y que constituyen el eslabón entre losmétodos heurísticos y las metaheurísticas. Dentrode estos métodos combinados se puedenmencionar: procedimientos aleatorizados, métodosmulti-arranque y GRASP (Greedy RandomizedAdaptive Search Procedures).No obstante, Rodríguez (2010) sugiere otradivisión para los métodos heurísticos, a los quedenomina también algoritmos aproximados,procedimientos inexactos o simplementeheurísticas; de esta forma, propone clasificarlos enmétodos constructivos y métodos de búsqueda.Los primeros, definidos como métodos que son


ISSN: 1856-8327


111

capaces de construir una solución a un problemadado, en función a distintas estrategias tales como:voraz, de descomposición, de reducción y demanipulación del modelo. Mientras que losmétodos de búsqueda parten de una soluciónfactible dada y a partir de ella se intenta mejorarla.Como se aprecia, esta clasificación no es más queuna estructuración diferente de la presentada porMartí (2003), donde más bien se intentadiscriminar entre método y estrategia.

MetaheurísticasUna metaheurística “es un método de solucióngeneral que proporciona tanto una estructurageneral como criterios estratégicos para desarrollarun método heurístico específico que se ajuste a untipo particular de problema” (Hillier y Lieberman,2010, p. 598). La metaheurística nace con elpropósito de evitar tener que comenzar de cerocada vez que se presente un problema cuyomodelo no puede ser tratado por los métodosconvencionales, para encontrar una soluciónóptima. De acuerdo con estos autores, la principalventaja de una metaheurística bien diseñada, esque permite moverse relativamente rápido haciasoluciones muy buenas, proporcionando unaforma muy eficiente de resolver problemascomplicados. Entre tanto, la principal desventaja esque no existe garantía de que la mejor solución quese obtenga, sea una solución óptima o incluso queesté cerca de serlo.Por su parte, para Herrera (2009) lasmetaheurísticas son algoritmos aproximados depropósito general que consisten en procedimientositerativos que guían una heurística subordinada,combinando distintos conceptos para explorar yexplotar adecuadamente el espacio de búsqueda.En otras palabras, tal como lo explica Martí (2003),los procedimientos metaheurísticosconceptualmente se ubican por encima de losmétodos heurísticos, dado que guían su diseñopara la resolución de problemas difíciles deoptimización combinatoria, en los cuales losmétodos clásicos no son efectivos. Lasmetaheurísticas combinan diferentes conceptos dela inteligencia artificial, la evolución biológica y los

mecanismos estadísticos (Osman y Kelly, citadosen Martí, 2003) y suelen basarse en los métodosheurísticos constructivos y de búsqueda localmencionados anteriormente. En este sentido,Rodríguez (2010) plantea que las metaheurísticascombinan ideas que provienen de cuatro camposde investigación diferentes: de las técnicas dediseño de algoritmos que resuelven una colecciónde problemas, de los algoritmos específicosdependientes del problema a resolver, de fuentesde inspiración del mundo real, y de métodosestadísticos.Generalmente, la creación de métodos heurísticoses un proceso que conjuga dos característicasopuestas fundamentales: la intensificación(explotación del espacio) referida al esfuerzoempleado en la búsqueda en la región actual, y ladiversificación (exploración del espacio) vinculadaal esfuerzo empleado en la búsqueda en regionesdistantes del espacio; por lo que debe buscarse elequilibrio entre ambas, para lograr buenassoluciones en poco tiempo (Herrera, 2009).En la actualidad se conocen varias metaheurísticasque se han desarrollado exitosamente en laresolución de determinados problemas, talescomo: los algoritmos voraces, la ascensión decolinas, el recocido simulado, colonias dehormigas, algoritmos de enjambre, la búsquedatabú, los algoritmos genéticos, los algoritmosmeméticos, entre otros.No obstante, aunque suele ser una tarea pocosencilla, algunos autores han recopilado algunasformas en las que se pudieran clasificar lasmetaheurísticas; en este sentido autores comoDuarte (2007) o, Blum y Roli (2003) presentan lassiguientes taxonomías clásicas:1.Atendiendo a la inspiración:a.Natural: se basan en un símil real (biológico,social, cultural)b.Sin inspiración: se obtienen directamente de suspropiedades matemáticas2.Atendiendo al número de soluciones:a.Poblacionales: buscan el óptimo a través de unconjunto de solucionesb.Trayectoriales: trabajan con una solución quemejoran iterativamente


ISSN: 1856-8327


112

3.Atendiendo a la función objetivo:a.Estáticas: no hacen ninguna modificación sobrela función objetivo del problemab.Dinámicas: modifican la función objetivodurante la búsqueda4.Atendiendo a la vecindad:a.Una vecindad: utilizan exclusivamente unaestructura de vecindadb.Varias vecindades: modifican la estructura devecindad5.Atendiendo al uso de memoria:a.Sin memoria: se basan exclusivamente en elestado anteriorb.Con memoria: utilizan una estructura dememoria para recordar la historia pasadaPor su parte, Herrera (2009) presenta una posibleforma de clasificación de las metaheurísticas:1.Basadas en métodos constructivos: las cualesparten de una solución inicial vacía y se vanagregando componentes hasta construir unasolución. En este grupo se pueden mencionar:GRASP, optimización basada en colonias dehormigas.2.Basadas en trayectorias: utilizan como heurísticasubordinada cualquier algoritmo de búsquedalocal, que sigue una trayectoria en el espacio debúsqueda, mediante iteraciones que tratan deremplazar una solución inicial por otra de mejorcalidad. Allí se encuentran: búsqueda local,templado simulado, búsqueda tabú, búsquedalocal iterativa, entre otras.3.Basadas en poblaciones: el proceso contemplamúltiples puntos de búsqueda en el espacio, queevolucionan en paralelo. Dentro de ellas están:algoritmos genéticos, algoritmos meméticos,algoritmos basados en nubes de partículas,búsqueda dispersa, entre otros.Melián et al. (2003) más bien las clasifican enfunción del tipo de procedimientos a los que serefiere, asemejándose más a la categorización delos métodos heurísticos presentada anteriormente.De esta forma, mencionan que los tiposfundamentales son las metaheurísticas para losmétodos de relajación, las metaheurísticas para losprocesos constructivos, las metaheurísticas para lasbúsquedas por entornos y las metaheurísticas para

los procesos evolutivos, y señala como otros tiposintermedios, las metaheurísticas dedescomposición y las de memoria a largo plazo. Enla Tabla 1 se resumen las diferentes formas declasificar las metaheurísticas de acuerdo a losautores citados.Por otro lado, no debe dejarse de mencionar lasmetaheurísticas inspiradas en distintos fenómenosde la naturaleza tales como las redes neuronales,las colonias de hormigas, las bandadas de aves obancos de peces, los cuales han dado origen ametaheurísticas como las redes neuronalesartificiales, los sistemas de hormigas, o laoptimización de partículas inteligentes.

Tabla 1. Formas de clasificación de lasmetaheurísticas

Criterio Tipo de Metaheurística

Fuente de inspiración Fenómenos naturalesSin inspiración

Cantidad de soluciones PoblacionalTrayectorial

Función objetivo EstáticaDinámica

Cantidad devecindades

Una vecindadVarias vecindades

Uso de memoria Sin memoriaCon memoria

Estrategia seguida Método constructivoBasada en trayectoriasBasada en poblaciones

Tipo deprocedimientos referidos

Para métodos de relajaciónPara procesos constructivosPara búsquedas por entornoPara procesos evolutivosDe descomposiciónDe memoria a largo plazo

Como se puede apreciar, no existe una clasificaciónrigurosa ni totalmente aceptada respecto a la grandiversidad de metaheurísticas desarrolladas, las cualespresentan diferencias en cuanto a su naturaleza,estrategia seguida, estructuración, o número desoluciones consideradas a la vez; lo que hace que enalgunos casos las categorías planteadas no seanexcluyentes, permitiendo que un mismo método pudieraincluirse en más de una categoría. Además, como ya seha planteado la esencia de la metaheurística es guiar eldesarrollo de métodos heurísticos que permitan darlesolución a un problema determinado, y facilitar la tomade decisiones.


ISSN: 1856-8327


113

Principales aplicacionesLas metaheurísticas, tradicionalmente se han venidoutilizando e implementando en la resolución deproblemas de optimización combinatoria, definidos porMartí (2003) como aquellos problemas de optimizacióncaracterizados por presentar un conjunto amplio deposibles soluciones, en los que resulta prácticamenteimposible evaluar todas las soluciones para hallar lasolución óptima.Debido a su similitud con diferentes situaciones, con eltranscurrir de los años se han venido popularizando unconjunto de problemas de optimización combinatoriaampliamente aplicables en determinados contextos.Dentro de estos problemas clásicos o estructurados,señalados por autores como Duarte (2007) y Martí(2003), se encuentran el problema del viajante decomercio o agente viajero, el problema de la mochila, elproblema de la ordenación lineal, el problema deasignación cuadrática, el problema del cubrimiento oempaquetado de conjuntos, o el problema deenrutamiento de vehículos, por nombrar los máscomunes.No obstante, éstos no son los únicos problemas, sino quepor el contrario se pueden identificar fácilmente unagran cantidad de problemas de optimización tanto en laciencia como directamente en la industria. En laIngeniería Industrial es común encontrarse antesituaciones que exigen determinar camino más corto,plan de mínimo costo, asignación óptima, secuenciaóptima, distribución de recursos a mínimo costo, entreotros (Herrera, 2009).En la revisión documental efectuada, se obtuvo que eltipo de problema más común está referido a laprogramación o secuenciación de operaciones deproducción (scheduling) y sus derivaciones, el cual fue

tratado en el 29,1% de los casos. Resalta dentro de estegrupo los casos de secuenciación en configuraciones deproducción tipo Job Shop o taller, caracterizados porproducir pequeños lotes de una variedad amplia deproductos.El enrutamiento de vehículos en sus diferentes versionesfue analizado en el 17,6% de los artículos consultados yconstituye el segundo tipo de problema más repetitivo, yno sólo incluye la distribución a nivel industrial, sinocasos de flota de buses escolares y servicios derecolección. En tercer lugar figura el problema deasignación de recursos con un 8,5%; mientras queproblemas como el clásico agente viajero y lalocalización de plantas fueron abordados en el 5,0% delos casos.Se pueden mencionar otros tipos de casos o problemascomo distribución en planta, clasificación,empaquetamiento, elaboración de horarios,productividad, inventarios, entre otros. Así mismo, cabereseñar que algunos de los trabajos revisados noabordaron problemas o casos reales sino ejemplos oproblemas hallados en la literatura y que permitenvalidar nuevas estrategias o parámetros.

Tendencias actualesComo resultado de la revisión de los artículosconsultados, fue posible detectar que en los últimos diezaños ha prevalecido el uso de los algoritmosbioinspirados como método de resolución de problemasde optimización, tal como se muestra en la Tabla 2. Allíse señala el porcentaje de artículos (sobre la base de 340trabajos) en los que fue utilizada una determinadametaheurística, bien de forma individual o encombinación con otra.

Tabla 2. Relación de artículos por tipo de metaheurística utilizadaMetaheurística Siglas en inglés Cantidad Porcentaje

Algoritmos genéticos / Algoritmos evolutivos GA / EA 92 27,1Búsqueda tabú TS 76 22,4Optimización por colonia de hormigas ACO 51 15,0Recocido simulado SA 50 14,7Procesos aleatorizados y adaptativos de búsqueda voraz GRASP 40 11,8Búsqueda de vecindad variable VNS 29 8,5Búsqueda local LS 19 5,6Optimización por enjambre de partículas PSO 17 5,0Búsqueda dispersa SS 16 4,7Colonia artificial de abejas ABC 10 2,9Redes neuronales artificiales ANN 8 2,4Búsqueda armónica HS 5 1,5Algoritmos meméticos MA 4 1,2Algoritmo de la luciérnaga FF 3 0,9Otras metaheurísticas 9 2,6


ISSN: 1856-8327


114

De esta forma, resalta en primer lugar el uso de losalgoritmos genéticos (GA) como la metaheurísticapreferida por los investigadores; la misma fueutilizada en el 27,1% (92) de los casos. El tipo deproblema que ha sido abordado de forma másrepetitiva por los algoritmos genéticos es el deprogramación de la producción, específicamenteen lo referente a la asignación y secuenciación delas operaciones del proceso, tanto en sistemas deproducción tipo taller como en líneas deproducción. En este sentido se pueden reseñartrabajos como los de Correa et al. (2008), D’Armas(2010), Debels y Vanhoucke (2007), Magalhães(2009), Mateo y D’Armas (2008), Ramírez et al.(2009), Ramírez et al. (2011), Taheri y Zomaya(2009), Toro et al. (2006), y Zinflou et al. (2010).En segundo lugar, como las metaheurísticas másrecurrentes en los trabajos consultados, seencuentra la búsqueda tabú (TS), figurando en el22,4% (76) de las investigaciones. Al igual que en elcaso de los GA, también se ha empleado tanto deforma individual como en combinación con otrasmetaheurísticas, para tratar problemas de diferenteíndole, aunque resaltan los casos de enrutamientode vehículos, secuenciación o programación de laproducción y localización de instalaciones(Caramia y Giordani, 2009; Gagné et al., 2005;Hernández et al., 2006; Li et al., 2009; Liu y Kozan,2012; Martins et al., 2003; Moreno et al., 2005;Wassan et al., 2008).La optimización por colonia de hormigas (ACO)constituye la tercera metaheurística más utilizadaen los artículos encontrados, tal como lo refleja el15,0% (51) de las referencias. En este caso, losproblemas más recurrentes siguen siendo el desecuenciación o programación, enrutamiento devehículos y el agente viajero (Allaoua y Gasbaoui,2009; Ke et al., 2010; Li et al., 2009; Merkle yMiddendorf, 2003; Sadjadi et al., 2008; Surekha,2010; VAsko et al., 2011). Esta metaheurísticapertenece a la categoría de los algoritmosbioinspirados que buscan replicar fenómenos ocomportamientos de la naturaleza para la soluciónde problemas cotidianos, y la misma está inspiradaen el comportamiento que siguen las hormigas almomento de buscar sus alimentos.

Seguidamente, con 14,7% y 11,8% de artículos,continúan el recocido simulado (SA) y los procesosaleatorizados y adaptativos de búsqueda voraz(GRASP), respectivamente (Baesler et al., 2008;Barros y Moccellin, 2003; Bautista et al., 2008;Bermeo y Calderón, 2009; Escobar et al., 2011;Hernández et al., 2011; Peixoto y Barbieri, 2011).La práctica de combinar dos o más metaheurísticascomo estrategia para alcanzar mejores solucionesen tiempos más cortos se ha venido convirtiendoen una importante tendencia para resolverdiversos problemas de optimización. Al respecto,en la revisión efectuada se hallaron 57 trabajos(16,8%) que incluyen metodologías híbridas ohibridación, es decir, se incorpora unametaheurística como apoyo a otra metaheurísticaprincipal, por lo general para formar la poblacióninicial y así reducir el tiempo que implica arrancarcon una población al azar; tal es el caso de Báez etal. (2008) quienes utilizaron ANN para lageneración de los valores iniciales que luego seránmejorados mediante GA.Así mismo, otro ejemplo de hibridación es laestrategia implementada por Toro y Granada(2005) para resolver un problema de asignacióngeneralizada, la cual consistió en abordar la etapade mutación del GA a través del SA. Por su parte,González y González (2007) probaron unametaheurística híbrida para la solución de unproblema de enrutamiento de vehículos, la cualconsiste en utilizar un algoritmo genético paraconformar clústeres de los clientes, seguido de unalgoritmo de búsqueda tabú para hallar la rutadentro de cada clúster, encontrando mejoras hastade un 23% respecto al empleo de sólo GA.Soto et al. (2008) abordaron el problema deenrutamiento de vehículos mediante unametaheurística híbrida conformada por GA paraclasificar y ACO para optimizar localmente cadasub-ruta, obteniendo soluciones cercanas a lasóptimas conocidas.Otra tendencia importante de mencionar en eltema de las metaheurísticas es la de paralelismo oparalelización, referida al uso compartido ysimultáneo de recursos computacionales, de formaque se puedan ejecutar tareas pequeñas de un


ISSN: 1856-8327


115

problema más grande en varios computadores oprocesadores, en especial en aquellos problemasintensivos en tiempos de cómputo y enrequerimientos de memoria. Su ventaja viene dadaademás por la posibilidad de utilizar diferentesestrategias y valores de los parámetros de formasimultánea, para lograr una mayor diversidad yexploración del espacio de búsqueda (Lüer et al.,2009; Alfonso et al., 2010).Para Alfonso et al (2010) el paralelismo junto a lahibridación constituyen dos de las ramas másexitosas para la construcción de algoritmoseficientes. La mezcla de ambas estrategias, es decir,utilizar modelos paralelos donde se usandiferentes procedimientos de búsqueda paraexplorar el espacio de soluciones, da origen a unametaheurística heterogénea paralela.No obstante, aun cuando muchos investigadorescontinúan transitando en el camino del desarrollode las metaheurísticas, bien por la creación denuevos algoritmos o mediante elperfeccionamiento de los ya existentes, ha surgidoun nuevo concepto que transciende al de lasmetaheurísticas en cuanto a la búsqueda desolución de problemas complejos; se trata de lasdenominadas hiperheurísticas, definidas comométodos que inteligentemente controlan laselección de la heurística subordinada que debieraser aplicada en cada punto de decisióndependiendo de sus características y de la regióndel espacio de solución en estudio, mediante unmecanismo de aprendizaje. De esta forma, lashiperheurísticas buscan superar la desventaja de

replicabilidad que tienen las metaheurísticas,pretendiendo así mayor vinculación entre lacalidad de la solución y la rapidez de laimplementación y la ejecución (Garrido, 2006).El mismo autor menciona que las hiperheurísticaspueden incluir métodos sin aprendizaje, conaprendizaje, basadas en razonamiento y conaprendizaje incremental. Algunas de lashiperheurísticas utilizando metaheurísticas son labúsqueda tabú incremental, algoritmos genéticosevolucionados, sistema de hormigas, recocidosimulado incremental, entre otras.El papel de las metaheurísticas en la ergonomíaA pesar de que en el campo de la ingenieríaindustrial, las metaheurísticas se han venidoaplicando y relacionando principalmente a laresolución de problemas del área de laadministración de la producción y las operaciones,específicamente en temas como la planificación yprogramación de tareas, localización, distribuciónen planta, y la distribución y abastecimiento demercancía; es posible darle otras aplicaciones confines distintos, aunque en esencia se pueda tratarde derivaciones de los mismos problemas clásicos.Tal es el caso del área de la ergonomía en la que lasmetaheurísticas pudieran realizar importantescontribuciones que permitan darle solución aciertas situaciones problemáticas. Al respecto, en larevisión documental efectuada se encontraron tresreferencias (del mismo autor principal) en las quese realizaron planteamientos ergonómicos y cuyoabordaje se llevó a cabo mediante metaheurísticas(Ver Tabla 3).

Tabla 3. Trabajos relacionados con ergonomíaAutor Metaheurística utilizada Objetivo

Asensio (2009) Algoritmos genéticos (GA) Generar y evaluar agendas de rotación queconsideren, simultáneamente, múltiples factoresde riesgo relacionados con los trastornos músculo-esqueléticos

Asensio et al. (2010) Redes neuronales artificiales (ANN) Predecir el riesgo de padecer trastornos músculo-esqueléticos asociado a puestos de trabajo contareas de levantamiento de carga

Asensio y Diego (2011) Algoritmos genéticos (GA) Obtener agendas de rotación que permitanprevenir trastornos músculo-esqueléticos enentornos caracterizados por la repetitividad demovimientos


ISSN: 1856-8327


116

En el primer trabajo referido, Asensio (2009)desarrolló una metodología basada en algoritmosgenéticos para generar agendas de rotaciónorientadas a reducir los tiempos de exposición delos trabajadores, a determinados factores de riesgorelacionados a trastornos músculo-esqueléticos ypor consiguiente prevenir la aparición de losmismos. Las agendas o planes de rotaciónpertenecen a los denominados problemas dehorarios y secuenciación, ampliamente analizadosmediante técnicas metaheurísticas, porconsiderarse como un problema de optimizacióncomplejo.Una característica importante en la metodologíapropuesta por Asensio (2009) es la consideraciónde múltiples factores que pueden afectar unacorrecta asignación de los trabajadores a lospuestos de trabajo, incluyendo restricciones de tipoindividual u organizacional, por lo que, no sólo seestaría buscando la prevención de lesionesmúsculo-esqueléticas, sino además mejora de lascondiciones psicosociales, facilitar la formación delos trabajadores, facilitar la reincorporación detrabajadores lesionados y mejorar laproductividad. Para la validación del modelo, porno encontrarse trabajos similares para sucontrastación, se procedió a una validaciónexperimental mediante su aplicación sobre un casoespecífico. Los resultados encontrados sugiereneficiencia de la metodología en el proceso dediseño ergonómico de agendas de rotación.En el segundo trabajo publicado por Asensio et al(2010) se propone el desarrollo de una redneuronal artificial (ANN) con fines de clasificación.Se busca predecir el riesgo de que un trabajadorpadezca trastornos musculo-esqueléticos en laparte baja de la espalda (LBDs por sus siglas eninglés) en puestos de trabajo que implique larealización de tareas con levantamiento de cargas.De esta forma el rol de la ANN es el de clasificarlos puestos de trabajo en dos grupos: los querepresentan un riesgo alto de provocar LBDs y losque representan un riesgo bajo. Así, los ergónomospodrán contar con mejor información al momentode realizar diagnósticos de los riesgos y tomar lasmedidas respectivas.

La ANN desarrollada en este caso se caracterizópor contar con un elevado número de conexionesque pudieran relacionar las características de latarea con el riesgo de provocar LBDs; se emplearontres capas ocultas en las que sus neuronas ademásde conectarse con las neuronas de la capasiguiente, podían saltar sobre ella y conectarse conneuronas de capas posteriores, estrategia que, deacuerdo a los autores, permitió que la red seentrenara más rápido. En general, fueronentrenadas redes con 7, 8 y 9 neuronas en laprimera capa oculta, 5, 6 y 7 en la segunda, 3 en latercera y 1 en la capa de salida de la red. La redque arrojó los mejores valores en cuanto a laproporción de puestos de trabajo correctamenteclasificados fue la compuesta por capas ocultas de8, 6 y 3 neuronas respectivamente, la cual contenía197 conexiones neuronales. Los resultados deltrabajo de Asensio et al (2010) arrojaron unaprecisión mayor que el de otros trabajos previos,alcanzando el 81,6% de clasificaciones correctas.Por su parte, en el tercer trabajo presentado porAsensio et al (2011) se plantea el uso de algoritmosgenéticos (GA) para afrontar el problema deobtener agendas de rotación que permita a lostrabajadores disminuir la exposición a tareas conniveles altos de repetitividad de movimientos,como es el caso de las líneas de producción. Laimportancia del uso de la metaheurística radica enla complejidad que puede llegar a tener elproblema debido a la cantidad de rotacionesrequeridas y el número de puestos de trabajo aconsiderar.El algoritmo desarrollado fue denominadoROTOCRA (Rotación ergonómica basada enOCRA) y busca aprovechar la eficacia deoptimización de los GA con la capacidad dediagnosticar riesgos por movimientos repetitivosque ofrece el método de evaluación ergonómicaOCRA, y el mismo se probó en un caso formadopor 14 puestos de trabajo con niveles de riesgodesde alto hasta bajo, y en el cual se presentanalgunos trabajadores con limitaciones de rotación.Luego de ejecutar el algoritmo diez veces, fueposible encontrar soluciones factibles para cadaejecución, cumpliendo con cada restricción dada y


ISSN: 1856-8327


117

evitando la sobreexposición de los trabajadores aniveles altos de riesgo por repetitividad.Como se puede apreciar en los casos mencionadosanteriormente, las metaheurísticas pueden jugarun papel importante como apoyo a la labor de losergónomos, tanto en la clasificación de tareas condiferentes tipos de riesgo ergonómico, como en labúsqueda de soluciones organizacionales quepermitan disminuir la exposición a determinadostipos de riesgo.En general, de acuerdo a la AsociaciónInternacional de Ergonomía (IEA, 2010), se puedenmencionar tres grandes dominios o niveles deacción de la ergonomía: física, cognitiva yorganizacional. La ergonomía física se refiere a lascaracterísticas anatómicas, antropométricas,fisiológicas y biomecánicas humanas relacionadascon la actividad física (incluyen posturas detrabajo, manejo de materiales, movimientosrepetitivos, trastornos músculo esqueléticosrelacionados con el trabajo, diseño del lugar detrabajo). La ergonomía cognitiva se refiere aprocesos mentales tales como la percepción, lamemoria, el razonamiento y la respuesta motora,que afectan a las interacciones entre los sereshumanos y otros elementos de un sistema(incluyen carga de trabajo mental, toma dedecisiones, habilidad en el desempeño, interacciónhombre-máquina). La ergonomía organizacional serefiere a la optimización de sistemas socio-técnicos,

incluyendo sus estructuras organizativas, políticasy procesos (incluyen comunicación, administracióndel recurso humano, diseño del trabajo, diseño detiempos de trabajo, trabajo en equipo, diseñoparticipativo).De esta forma, en la Tabla 4 se sintetizan algunasaplicaciones de las metaheurísticas en laergonomía, de acuerdo a su nivel de actuación.Como se puede apreciar, dentro de lasmetaheurísticas que pudieran implementarse paraabordar las situaciones planteadas, resaltan GA,ANN, SA, TS y ACO, cuya implementacióndependerá del tipo de problema a resolver y de lapreferencia del investigador, dado su dominiosobre algún método en particular; inclusive esfactible recurrir a estrategias de hibridación, comopor ejemplo, utilizando GA para optimizar lospesos de una ANN, o utilizando SA para generarla población inicial en un GA.No obstante, es importante señalar que solucionesde tipos administrativas u organizacionales talescomo la rotación en el trabajo o el establecimientode pausas, no deben responder al primer nivel desolución en los problemas ergonómicos, sino quedeben implementarse en aquellos puestos en losque el nivel de riesgo no puede ser disminuidomediante soluciones de ingeniería o intervencionesergonómicas, bien sea por limitaciones técnicas,económicas o del mismo sistema productivo.

Tabla 4. Posibles aplicaciones de las metaheurísticas en la ergonomíaNivel deactuación Aplicación Metaheurística

recomendadaErgonomía física Clasificación de puestos de trabajo o tareas de acuerdo al tipo de riesgo físico asociado ANN o híbrida

Determinación de la relación entre las características del puesto de trabajo y exigencias físicas de lastareas con trastornos músculo-esqueléticos

ANN, ACO o híbrida

Ajuste en ciertas medidas de diseño de puestos o herramientas de trabajo y la disposición de loselementos en el lugar de trabajo, de forma que minimicen los riesgos asociados a posturasestresantes, basado en medidas antropométricas de la población

GA, TS, SA, ACO, ANN ohíbrida

Generación de planes de rotación que minimicen algún riesgo en particular tales como la exposicióna niveles de ruido altos, ambientes térmicos extremos, levantamiento de cargas, posturasestresantes, movimientos repetitivos, entre otros

GA, TS, SA, ACO ohíbrida

Ergonomíacognitiva

Clasificación de puestos de trabajo o tareas de acuerdo al nivel de carga mental requerido ANN o híbridaDeterminación de la relación entre las características de los sistemas interactivos del trabajo conniveles de carga mental

ANN, ACO o híbrida

Generación de planes de rotación que minimicen la carga mental o psicológica de los trabajadores GA, TS, SA, ACO ohíbrida

Ergonomíaorganizacional

Generación de planes de rotación que permita mejorar relaciones sociales del trabajador debido aldesarrollo de nuevas habilidades, disminución de la monotonía y aumento de la sensación deresponsabilidad

GA, TS, SA, ACO ohíbrida

Establecimiento de pausas en el trabajo en concordancia con el flujo del proceso propio del sistemade producción

GA, TS, SA, ACO, PSO,GRASP o híbrida

Distribución equitativa y participativa de la carga de trabajo GA o híbrida


ISSN: 1856-8327


118

Las metaheurísticas aplicadas a problemas deoptimización constituyen aun un campo en plenaconsolidación y desarrollo, día tras día siguensurgiendo nuevos modelos o nuevas estrategias detratar los modelos ya existentes, y cuyo ámbito deaplicación también se sigue expandiendo, debidoen primer lugar a la flexibilidad que justamentecaracterizan a este tipo de herramientas, portratarse de metodologías hechas a la medida, y ensegundo lugar por las analogías que se realizan dedeterminadas situaciones a problemas clásicos deoptimización como el agente viajero, enrutamientode vehículos, secuenciación y horarios, entre otros.Entre las tendencias actuales más sobresalientesresaltan el uso de los algoritmos genéticos pararesolver problemas relacionados a la programacióno secuenciación de tareas tantos en ambientes deproducción industrial como en otros casos afines.

Así mismo, siguen en expansión laimplementación de otras metaheurísticasbioinspiradas como la optimización por colonia dehormigas y por enjambre de partículas. A su vez,independiente al tipo de modelo utilizado, lahibridación y el paralelismo constituyen dosimportantes estrategias que permiten maximizarlos beneficios de las metaheurísticas, representadosfundamentalmente por la calidad de las solucionesencontradas y los tiempos de cómputo incurridos.Es factible la utilización de algunasmetaheurísticas como apoyo a las labores dediagnóstico, análisis y solución de problemas detipo ergonómico, en especial para clasificación depuestos de trabajo en función del riesgo, ladeterminación de relaciones entre lascaracterísticas de una tarea y el riesgo latenteasociado, y para el desarrollo de soluciones de tipoadministrativas tales como la elaboración deplanes o agendas de rotación de los trabajadores.

Alfonso, H., Salto, C., Minetti, G., Stark, N., Bermúdez, C.,Orellana, A. y Sanz, F. (2010). Metaheurísticas aplicadas aproblemas de optimización. Ponencia en el XII Workshop deInvestigadores en Ciencias de la Computación, El Calafate, 5 demayo de 2010. Argentina.Allaoua, B. y Gasbaoui, B. (2009). Ant Colony OptimizationApplied on Combinatorial Problem for Optimal Power FlowSolution. Leonardo Journal of Sciences, 8 (14), p.1-17.Asensio, S. (2009). Metodología para la generación de agendasde rotación de puestos de trabajo desde un enfoque ergonómicomediante algoritmos evolutivos. (Tesis doctoral). Recuperado el15 de febrero de 2013 de http://riunet.upv.es/bitstream/handle/10251/6287/tesisUPV3088.pdfAsensio, S., Diego, J. y Alcaide, J. (2010). Predicción del riesgode lesiones músculoesqueléticas en el levantamiento de cargasmediante redes neuronales. Ponencia en el XIV InternationalCongress on Project Engineering, Madrid, 30 de junio de 2010.España.Asensio, S. y Diego, J. (2011). Desarrollo de un algoritmo paragenerar agendas de rotación que minimicen el riesgo pormovimientos repetitivos. Ponencia en XV CongresoInternacional de Ingeniería de Proyectos, Huesca, 6 de julio de2011. España.Baesler, F., Moraga, R. y Cornejo, O. (2008). Introducción deelementos de memoria en el método simulated annealing pararesolver problemas de programación multiobjetivo demáquinas paralelas. Ingeniare, Revista Chilena de Ingeniería, 16(3), p.428-437.Báez, O., Torres, R., Alvarado, A., Ortiz, F. y Moras, C. (2008).Metodología de ayuda a la decisión para el plan de producción

en sistemas de manufactura flexible. Revista de la IngenieríaIndustrial, 2 (1), p.1-13.Barros, A. y Moccellin, J. (2003). Análise da flutuação dogargalo em flow shop permutacional com tempos de setupassimétricos e dependentes da seqüência. Gestão & Produção,11 (1), p.101-108.Bautista, J., Pereira, J. y Adenso-Díaz, B. (2008). A GRASPapproach for the extended car sequencing problem. Journal ofScheduling, 11 (1), p.3-16.Bermeo, E. y Calderón, J. (2009). Diseño de un modelo deoptimización de rutas de transporte. El Hombre y la Máquina,32, p.52-67.Blum, C. y Roli, A. (2003). Metaheuristics in CombinatorialOptimization: Overview and Conceptual Comparison. ACMComputing Surveys, 35 (3), p.268–308.Caramia, M. y Giordani, S. (2009). A new approach forscheduling independent tasks with multiple modes. Journal ofHeuristics, 15 (4) , p.313-329.Correa, A., Rodríguez, E. y Londoño, M. (2008). Secuenciaciónde operaciones para configuraciones de planta tipo flexible JobShop: estado del arte. Revista Avances en Sistemas eInformática, 5 (3), p.151-161.D’Armas, M. (2010). Algoritmos evolutivos para lasecuenciación de operaciones con tiempos de preparación.Ingeniería Industrial, Actualidad y Nuevas Tendencias, II (4),p.7-26.Debels, D. y Vanhoucke, M. (2007). A Decomposition-BasedGenetic Algorithm for the Resource-Constrained Project-Scheduling Problem. Operations Research, 55 (3), p.457-469.Duarte, A. (2007). Metaheurísticas. Madrid: Dykinson.Escobar, L., Álvarez, D. y Romero, R. (2011). Equipo asíncronode agentes basados en recocido simulado aplicado al problema

REFLEXIONES FINALES

REFERENCIAS


ISSN: 1856-8327


119

del agente viajero simétrico. Scientia et Technica, XVI (49),p.122-127.Gagné, C., Gravel, M. y Price, W. (2005). Using metaheuristiccompromise programming for the solution of multiple-objectivescheduling problems. The Journal of the Operational ResearchSociety, 56 (6), p.687-698.Garrido, P. (2006). Hiperheurísticas: un nuevo enfoque para laresolución de problemas complejos. Recuperado el 01 denoviembre de 2012 de http://www.inf.utfsm.cl/~mcriff/IA-avanzada/ Hyper_Pres.pdf.González, G. y González, F. (2007). Metaheurísticas aplicadas alruteo de vehículos. Un caso de estudio. Parte 3: GeneticClustering and Tabu Routing. Revista Ingeniería eInvestigación, 27 (2), p.106-113.Gould, F. y Eppen, G. (1987). Investigación de operaciones en laciencia administrativa. México: Prentice-Hall.Hernández, A., Guerrero, F., Caballero, R. y Molina, J. (2006).Algoritmo tabú para un problema de distribución de espacios.Revista de Métodos Cuantitativos para la Economía y laEmpresa, 1, p.25-37.Hernández, J., Hernández, S. y Flores, I. (2011). Algoritmorecocido simulado para el problema de la programación deltamaño del lote económico bajo el enfoque de ciclo básico.Ingeniare, Revista Chilena de Ingeniería, 19 (3), p.473-485.Herrera, F. (2009). Introducción a los algoritmosmetaheurísticos. Recuperado el 29 de octubre de 2012 dehttp://sci2s.ugr.es/docencia/metaheuristicas/Int-Metaheuristicas-CAEPIA-2009.pdf.Hillier, F. y Lieberman, G. (2010). Introducción a lainvestigación de operaciones. 9a ed. México: McGraw-Hill.International Ergonomics Association (IEA) (2010). Definitionof ergonomics. Recuperado el 01 de marzo de 2012 dehttp://www.iea.cc/01_what/What%20is%20Ergonomics. html.Ke, L., Feng, Z., Ren, Z. y Wei, X. (2010). An ant colonyoptimization approach for the multidimensional knapsackproblem. Journal of Heuristics, 16 (1), p.65-83.Li, X., Tian, P. y Leung, S. (2009). An ant colony optimizationmetaheuristic hybridized with tabu search for open vehiclerouting problems. The Journal of the Operational ResearchSociety, 60 (7), p.1012-1025.Liu, S. y Kozan, E. (2012). A hybrid shifting bottleneckprocedure algorithm for the parallel-machine job-shopscheduling problem. The Journal of the Operational ResearchSociety, 63 (2), p.168-182.Lüer, A., Venegas, B. y Bustos, J. (2009). Estrategias deparalelización de metaheurísticas aplicadas a problemas delocalización de instalaciones. Ingeniería Industrial, 8 (2), p.75-90.Luna, F. (2008). Metaheurísticas avanzadas para problemasreales en redes de telecomunicaciones. (Tesis doctoral).Recuperado el 01 de noviembre de 2012 dehttp://neo.lcc.uma.es/tesis/F.Luna.Phd.Dissertation.pdf.Magalhães, J. (2009). A metaheuristic for project schedulingwith multi-modes and limited resources. Iberoamericana deEngenharia Industrial, 1 (1), p.88-105.Maroto, C., Alcáraz, J. y Ruíz, R. (2002). Investigación operativa:modelos y técnicas de optimización. Valencia, España:Universidad Politécnica de Valencia.

Martí, R. (2003). Procedimientos metaheurísticos enoptimización combinatoria. Valencia, España: Universidad deValencia.Martins, V., Santos, L., Barbosa, M. y Ferrari, R. (2003).Otimização de layouts industriais com base em busca tabu.Gestão & Produção, 10 (1), p.69-88.Mateo, M. y D’Armas, M. (2008). Programación de la secuenciade las órdenes de producción mediante la aplicación dealgoritmos genéticos. Universidad, Ciencia y Tecnología, 12(49), p.217-226.Melián, B., Moreno, J. A. y Moreno, J. M. (2003).Metaheurísticas: una visión global. Revista iberoamericana deinteligencia artificial, 19, p.7-28.Merkle, D. y Middendorf, M. (2003). Ant Colony Optimizationwith Global Pheromone Evaluation for Scheduling a SingleMachine. Applied Intelligence, 18 (1), p.105-111.Moreno, L., Velásquez, J. y Díaz, F. (2005). Solución al problemacombinado de ubicación estratégica de almacenes y asignaciónde inventarios usando técnicas heurísticas. Dyna, 72 (145), p.57-66.Peixoto, G. y Barbieri, C. (2011). Uso da técnica de busca emvizinhança de grande porte para a programação da escala demotoristas de ônibus urbano. Transportes, 18 (2).Ramírez, S., Jiménez, X., López, M. y Contreras, K. (2009).Aplicación de un algoritmo genético simple con reparación enun caso real de planeación de producción discreta: fase I.Revista de la Ingeniería Industrial, 3 (1), p.1-13.Ramírez, S., Moncayo, L. y González, G. (2011). Un caso real deasignación de recursos en un proceso con líneas paralelas yproductos múltiples. Revista de la Ingeniería Industrial, 5 (1),p.47-75.Real Academia Española (2012). Diccionario de la lenguaespañola. Recuperado el 28 de octubre de 2012 dehttp://lema.rae.es/drae/?val=heuristico.Rodríguez, C. (2010). Algoritmos heurísticos y metaheurísticospara el problema de localización de regeneradores. (Trabajo degrado). Universidad Rey Juan Carlos. Madrid.Sadjadi, S., Bouquard, J. y Ziaee M. (2008). An Ant ColonyAlgorithm for the Flowshop Scheduling Problem. Journal ofApplied Sciences, 8 (21), p.3938-3944.Soto, D., Soto, W. y Pinzón, Y. (2008). Una metaheurísticahíbrida aplicada a un problema de planificación de rutas.Revista Avances en Sistemas e Informática, 5 (3), p.135-144.Surekha, P. (2010). Solving Fuzzy based Job Shop SchedulingProblems using GA and ACO. Journal of Emerging Trends inComputing and Information Sciences, 1 (2), p.95-102.Taheri, J. y Zomaya, A. (2009). RBT-GA: a novel metaheuristicfor solving the multiple sequence alignment problema. BMCGenomics, 10 (Suppl 1), S10.Toro, E. y Granada M. (2005). Método híbrido entre el algoritmogenético de Chu-Beasley y simulated annealing para la solucióndel problema de asignación generalizada. Scientia et Technica,XI (28), p.19-24.Toro, E., Restrepo, Y. y Granada M. (2006). Algoritmo genéticomodificado aplicado al problema de secuenciamiento de tareasen sistemas de produccion lineal – Flow Shop. Scientia etTechnica, XII (30), p.285-290.


ISSN: 1856-8327


120

Vasko, F., Bobeck, J. Governale, M., Rieksts, D. y Keffer, J.(2011). A statistical analysis of parameter values for the rank-based ant colony optimization algorithm for the travelingsalesperson problem. The Journal of the Operational ResearchSociety, 62 (6), p.1169-1176.

Wassan, N., Nagy, G. y Ahmadi, S. (2008). A heuristic methodfor the vehicle routing problem with mixed deliveries andpickups. Journal of Scheduling, 11 (2), p.149-161.Zinflou, A., Gagné, C. y Gravel, M. (2010). Genetic Algorithmwith Hybrid Integer Linear Programming Crossover Operatorsfor the Car-Sequencing Problem. INFOR 48 (1), p.23-37.

Autor

Mervyn Márquez Gómez. Ingeniero Industrial. Magíster en Ingeniería Industrial, Universidad NacionalExperimental del Táchira. Participante del Doctorado en Ingeniería, Área Industrial, Universidad deCarabobo. Profesor Agregado a Dedicación Exclusiva, Investigador PEII Nivel B, Departamento deIngeniería Industrial, Universidad Nacional Experimental del Táchira, San Cristóbal, Venezuela.

E-mail: [email protected]:

Recibido 13/09/2012 Aceptado: 18/12/2013

Las Metaheurísticas- Tendencias Actuales y Su Aplicabilidad en La Ergonomía

Documents

Transcript of Las Metaheurísticas- Tendencias Actuales y Su Aplicabilidad en La Ergonomía