Generacin de Network Evolution Trend mediante la utilizacin de Algoritmo Gentico, en base al anlisis de patentes.

1. Introduccin En la actualidad son incontables los mtodos desarrollados que buscan anticiparse a los escenarios futuros, tanto de forecasting como de prospectiva tecnolgica, con distintas caractersticas y procesos individuales, pero que comparten la finalidad de determinar cul de estos escenarios efectivamente ocurrir[Ref]. Lo cual no es difcil de explicar al tener en consideracin que vivimos en un mundo rpidamente cambiante en todo aspecto, la competencia a nivel mundial se incrementa cada da, adems las fuerzas relacionadas con la explosin de la las tecnologas de informtica, comunicaciones y medios de comunicacin en adicin de las desregulaciones internacionales estn reorganizando la economa mundial en lo fundamental[Ref]. Una consecuencia de estos factores es que la innovacin, las nuevas tecnologas y el apoyo a la investigacin cientfica son cada vez ms importantes, siendo ahora recursos estratgicos a ser utilizados tan efectivamente como sea posible. Debido a los costos asociados a la investigacin, no es posible desarrollarse en todos los mbitos de ciencia y tecnologa, por lo que se necesita de un mecanismo para la toma de decisiones entre diferentes alternativas y para vincular la ciencia y tecnologa con las verdaderas necesidades actuales. La prospectiva tecnolgica ofrece tales mecanismos. En pocas palabras, la prospectiva tecnolgica ha tomado relevancia debido a que cumple las funciones de proveer un enfoque para tomar decisiones en relacin a la ciencia y tecnologa y para identificar prioridades, ofrecer un mecanismo para integrar oportunidades de investigacin con necesidades econmicas y sociales, y por lo tanto vincular la ciencia y la tecnologa ms estrechamente con la innovacin, la creacin de riqueza, y una mejor calidad de vida y finalmente puede ayudar a estimular la comunicacin y forjar alianzas entre los investigadores, los usuarios y financiadores (B. & Johnston, 1999) Por otra parte, el forecasting tecnolgico indica todos los procesos para anticipar la direccin genrica o especfica de la evolucin tecnolgica de un producto o familia de productos, centrndose principalmente en las invenciones e innovaciones (Verhaegen, Dhondt, Vertommen, Dewulf, & Duflou, 2009). Varios mtodos de forecasting de tecnologas se han desarrollado en las ltimas dcadas, tales como extrapolacin lineal, mtodo morfolgico, mtodo Delphi, interlocking matrix, rbol de relevancia, modelo de simulacin dinmica. A pesar de ser diversas y en general tiles, estas tcnicas comparten ciertas limitaciones, tienen que lidiar con parmetros ms que con estructuras que sean capaces de la comprensin de estos parmetros, no hay criterios objetivos para la evaluacin del forecasting, adems de que la referencia fundamental para el forecasting tradicional son las capacidades tecnolgicas de los sistemas de los sistemas siendo previstos. Sin embargo, muchos productos de consumo destinados a complacer los gustos de diferentes personas no puede ser descritos slo en las dimensiones convencionales de ingeniera y, por tanto, no se someten a tal anlisis de forecastig (Fey & Rivin, Guided Technology Evolution (TRIZ Technology Forecasting), 1999). Las herramientas de TRIZ no se han quedado ausentes en relacin a estas tendencias, siendo desarrolladas diversas que se han propuesto apoyar las actividades del forecasting tecnolgico: S-curve, sistema operador, las leyes de la evolucin de los sistemas tcnicos, las lneas de la evolucin (tendencias), el aumento de la idealidad, el anlisis morfolgico, el modelo de la onda de los sistemas de evolucin y ARIZ. Sin embargo, aunque estas herramientas pueden revelar potencialidades relevantes en situaciones especficas, su uso integrado se limita a tareas de resolucin

de problemas inventivos, por lo que aun existe la necesidad de desarrollar aplicaciones de forecasting (Cascini & Rotini, TRIZ-based Networks of Evolution Trends supporting R&D Stratey Definition, 2010). Estos mtodos son tiles en para explorar variantes del sistema tecnolgico, pero no proporcionan direcciones para identificar elementos y funciones a ser evaluados y despus desarrollados de acuerdo a las leyes de evolucin, por otra parte no se dispone de medios comparacin especficos. Esto da como resultado que la repetitividad del proceso es deficiente y depende directamente de las habilidades y experiencia del analista. Bajo estas premisas surge el desarrollo de un procedimiento sistemtico para analizar un sistema tcnico, comparar medios alternativos que entreguen las mismas funciones, sintetizar nuevas oportunidades de desarrollo y evaluar las limitaciones del resultante forecasting (Cascini, Rotini, & Russo, Networks of Trends: Systematic Definition of Evolutionary Scenarios, 2011). De esta manera surge Network Evolutionary Trends (NET). En este trabajo, se presenta una nueva metodologa para la formulacin de la NET, en base a los mecanismos evolutivos presentes en la propia naturaleza, a travs de la aplicacin de algoritmo gentico. Con esto se pretende la formulacin de un modelo que pueda determinar la siguiente etapa de evolucin de los sistemas tecnolgicos, en base al anlisis de patentes. 2. Marco Terico 2.1. TRIZ En el marco de la Teora de Resolucin de Problemas Inventivos (TRIZ), el primer axioma en el cual se basa, descubierto por Altshuller a travs de su estudio de patentes, plantea que los sistemas de ingeniera evolucionan de acuerdo a leyes y no se desarrollan al azar (Altshuller, 1984). Estas leyes no dependen de los humanos, deben ser observadas, formuladas y usadas con el fin de desarrollar mtodos eficientes de resolucin de problemas (Cavallucci, Rousselot, & Zanni, 2009) 2.1.1. Leyes Las leyes en las cuales se basan esta evolucin se entregan a continuacin: Ley 1 Integridad: Un requerimiento esencial para la existencia de sistemas tcnicos es la presencia de las partes principales y capacidades funcionales mnimas del sistema. Cada sistema tcnico necesita cuatro componentes principales, estos son suministro (motor), control, transmisin y herramienta. La herramienta es el componente que directamente desarrolla la funcin principal del sistema, la transmisin transforma la energa producida por el motor en energa que pueda controlar la herramienta, el medio de control permite cambiar los parmetros de las otras partes principales. Ley 2 Transmisin de la energa: Una de las condiciones necesarias para una funcionalidad y control efectivo de transformar energa es el paso de esta a travs del sistema hacia su destino (herramienta). Los sistemas tecnolgicos evolucionan en la direccin de acortar el paso del flujo de energa a travs del sistema. Ley 3 Armonizacin: La condicin necesaria para ptimo desarrollo de un sistema tecnolgico es la coordinacin de su periodicidad de acciones de sus partes. Los sistemas ms viables se caracterizan por la coordinacin de sus partes principales, las acciones de estas partes se apoyan mutuamente y estn sincronizadas (armonizados) unas con otras. Ley 4 Idealidad: La evolucin de los sistemas tecnolgicos va en la direccin de aumentar el grado de idealidad, esto implica que en el proceso de evolucin, el sistema desarrollando una funcin se vuelve menos complicado, costoso y/o problemtico, o se vuelve capaz de desarrollar su funcin mejor o desarrollar ms funciones. Ley 5 Evolucin no uniforme: La tasa de evolucin de varias partes de un sistema no es uniforme, mientras ms complejos es el sistema, es mayor la no uniformidad de sus partes. Ley 6 Transicin a sper-sistema: Sistemas tecnolgicos evolucionan de un mono-sistema a un poli-sistema. Un mono-sistema est diseado para desarrollar una funcin, un poli-sistema consiste en dos o ms mono-sistemas, estos pueden cumplir tareas iguales o distintas, o tener las mismas o distintas propiedades. Ley 7 Transicin a nivel micro: Cualquier estructura fsica que ocupa algn nivel en la jerarqua es una estructura a nivel micro para todas las estructuras que ocupan niveles ms altos (nivel macro), los sistemas tecnolgicos evolucionan hacia el incremento de estructuras a nivel micro, en un proceso de utilizar niveles ms bajos de estructuras fsicas.

Ley 8 Aumentar interaccin sustancia-campo: Los sistemas tecnolgicos evolucionan hacia la mejora de sus interacciones sustancia-campo. Para aumentar su desempeo, los sistemas deben ser ms controlables. (Fey & Rivin, Innovation on Demand, 2005) La herramienta idnea para predecir la evolucin de un sistema o de sus elementos se conoce como patrones de evolucin de los sistemas tecnolgicos. En TRIZ existe una serie de tendencias de evolucin de las cuales se han tomado las principales, estas son: 2.1.2. Postulados Mono-Bi-Poli: La evolucin Mono-Bi-Poly plantea que el desarrollo de un sistema tecnolgico a menudo se presenta como la adicin de ms funciones, desde un simple mono-sistema, a un bi-sistema y a un polisistema. Recorte: Consiste en eliminar funciones o partes redundantes, reemplazndolas con sustitutos ms baratos; combinar varias partes en una sola, desarrollar la funcin de una parte por recursos ya existentes. Complejidad del sistema: Plantea que los sistemas tecnolgicos en una etapa temprana de desarrollo entregan slo una funcin bsica muy simple, con una capacidad limitada, pero a medida que la tecnologa madure, el sistema agregar ms funciones con una mayor capacidad en trminos de calidad y de cantidad. El sistema tambin aade ms componentes y se vuelve ms complejo, a medida que contine su desarrollo, la estructura del sistema va a mejorar, lo que significa un nmero reducido de componentes, complejidad reducida y mejor uso del espacio, materiales y otros recursos. Dinamismo: Cuando un nuevo sistema tcnico se desarrolla, por lo general es rgido e inflexible y capaz de desarrollar slo las funciones bsicas. La rigidez obstaculizar el funcionamiento del sistema en diferentes entornos de uso. A medida que el sistema se desarrolla, el grado de dinamismo mejorar (Yang & El-Haik, 2003). Segmentacin de espacio: Introduccin de un vaco, segmentacin de un vaco o creacin de poros y capilares Segmentacin de superficie: Superficies planas, superficies rugosas, superficies speras Segmentacin de objetos: Cuerpo slido, cuerpo segmentado, lquido o en polvo, gas o plasma, campo. Grado de control: Aumentar la capacidad de control de las aportes del sistema, pasando de control manual a semiautomtico y finalmente automtico (El-Haik & Roy, 2006). Coordinacin de Ritmos: La coordinacin de las frecuencias de vibracin de todos los elementos de los sistemas tcnicos (dinmica y esttica) o la periodicidad de la operacin de los procesos tecnolgicos es importante para el aumento de la idealidad tcnica. Desde este punto, todos los ST y sus elementos se pueden dividir en aquellos que tienen "buen" ritmo y los que vibran "mal". Grado de dimensin: Una tecnologa avanza hacia Idealidad cuando cambia su dimensin de un punto (0D) a la situacin de una lnea, y luego a un plano, y ms tarde a un volumen (3D). Cambiando la dimensin de sus subsistemas por lo general mejora el desempeo de las funciones tiles (Savransky, 2000).

2.2. Network Evolution Trends NET propone un algoritmo paso a paso para analizar sistemas tcnicos y la manera en que sus funciones tiles principales son entregadas a diferentes niveles de detalle. El principio de funcionamiento es comparado con previas generaciones de sistemas con el fin de construir una clasificacin estructurada de la informacin, adecuada para comparaciones evolutivas. Estas comparaciones permiten construir una red de escenarios con la participacin de diferentes recursos, lo que constituye un mapa de la evolucin de un sistema tecnolgico, donde los productos ya

comercializados se visualizan en conjunto con las nuevas invenciones patentadas y espacios libres para la inversin. La opcin presentada limita el espacio de evolucin por medio de un anlisis detallado de recursos (Cascini, Rotini, & Russo, Networks of Trends: Systematic Definition of Evolutionary Scenarios, 2011). Los siguientes modelos se adoptan como referencia primaria para la definicin de la NET: 2.2.1. Materia y/o seal: Esto puede ser representado mediante cajas negras, en las cuales el proceso desarrollado al interior se ignora en un primer momento y se realiza la conversin para alcanzar un resultado deseado (Pahl, Beitz, & Wallace, 1996). 2.2.2. Sistema Tcnico Mnimo: Para tratar con modelos replicables, se deben reconocer cuatro elementos, estos son: herramienta, el elemento de trabajo que realiza la funcin del ST; un suministro, el elemento que proporciona la energa necesaria para producir el efecto deseado de la funcin; una transmisin, el elemento transmitiendo la energa desde el suministro a la herramienta; un controlador, un elemento gobernando al menos uno de los elementos mencionados. 2.2.3. Sistema Operador: El sistema operador ayuda en la resolucin de problemas a presentar y revisar los elementos del problema en relacin los unos con otros en varios niveles en una divisin jerrquica para diversos propsitos y en el contexto de varios procesos (Khomenko & Ashtiani, 2007). Cada uno de los cuatro elementos del sistema tcnico mnimo puede ser descompuesto adems en cuatro subsistemas con la misma estructura. 2.2.4. Funcin-Comportamiento-Estructura: La funcin describe la teologa del objeto, es decir para que sirve; el comportamiento describe los atributos que son derivados de las variables estructurales del objeto, es decir lo que hace y finalmente la estructura describe los componentes del objeto y sus relaciones, es decir lo que es (Gero & Kannengiesseri, 2006). 2.2.5. Base Funcional para Ingeniera de Diseo: La necesidad de una representacin formalizada es fundamental, debido a que reduce la ambigedad a nivel de modelado, estas ocurren cuando mltiples trminos son usados para explicar la misma cosa o cuando el mismo trmino se usa con distintos significados. La obtencin de una base concisa a partir de un gran cantidad de trminos no elimina completamente este problema, pero disminuye significativamente su ocurrencia. Mientras mayor es el nmero de trminos en un vocabulario, existe una mayor cantidad de opciones para describir o modelar un concepto de diseo determinado, haciendo que procesar la informacin sea ms difcil (Hirtz, R.Stone, McAdams, Szykman, & Wood, 2002). Los modelos presentados pueden ser integrados para entregar un medio sistemtico y repetible de desarrollo de anlisis a sistemas tcnicos antes de aplicar comparaciones y extrapolaciones basadas en las leyes de evolucin. La construccin de una NET requiere recolectar y clasificar datos e informacin de diversas fuentes, siendo la principal de estas fuentes correspondiente a la informacin provista por patentes. Una vez que se ha recolectado toda la informacin se debe clasificar de acuerdo a las leyes y parmetros de evolucin entregados previamente. 2.3. Algoritmo Gentico 2.3.1. Terminologa a usar Las clulas que forman todos los organismos vivientes contienen cromosomas, correspondientes a cadenas de ADN. Un cromosoma est formado a su vez por genes, cada uno de estos genes est codificando una caracterstica o rasgo, como por ejemplo el color de ojos. Los diferentes posibles valores para un rasgo se denominan alelos. Cada gen se ubica en un locus (posicin) particular dentro del cromosoma. Muchos organismos tienen mltiples cromosomas en cada clula. La coleccin completa de material gentico, es decir todos los cromosomas juntos, se denominan genoma. El genotipo corresponde a un conjunto particular contenido en un genoma. El genotipo origina durante el desarrollo fetal y posterior al fenotipo (Mitchell, 1999). Los organismos cuyos organismos se arreglan en pares se llaman diploides, los que no se organizan en pares se llaman haploides. En la naturaleza la mayora de las especies que se reproducen sexualmente son diploides, incluyendo a los seres humanos, quienes poseen 23 pares de cromosomas en cada clula somtica. Durante la reproduccin se da el proceso denominado crossover, en el cual los genes de cada uno de los padres se intercambian entre cada par de

cromosomas para formar un gameto (un cromosoma individual), y luego los gametos de los dos padres se emparejan para crear un conjunto completo de cromosomas diploides. En el caso de organismos haploides, los genes son intercambiados entre los cromosomas de un filamento de ambos padres. Los descendientes son objetivo de la mutacin en la cual los nucletidos individuales (partes elementales de ADN) son cambiados de padres a descendientes, estos cambios resultan generalmente de errores en el copiado. El valor fitness (aptitud) de un individuo, se define como la probabilidad de que el organismo sobrevivir para reproducirse (viabilidad) o en funcin del nmero de descendientes que el organismo tenga (fertilidad). En algoritmos genticos, generalmente el trmino cromosoma se refiere a una posible solucin de un problema (K. S. Swarup, 2002), codificada como una cadena de bits. Los genes son bits individuales o bloques de bits adyacentes que codifican un elemento particular de la solucin candidata. Un alelo en una cadena de bits es 0 o 1; para alfabetos ms grandes, existen ms posibles alelos para cada locus. La forma ms simple de AG involucra tres operadores: seleccin, crossover y mutacin. Seleccin: Este operador selecciona los cromosomas de la poblacin que se reproducirn, mientras ms apto sea el cromosoma, es probable que sea seleccionado ms veces para reproducirse. Crossover: Este operador elige de manera aleatoria un locus e intercambia los valores antes y despus de ese locus entre dos cromosomas para crear dos descendientes. Mutacin: Este operador cambia de manera aleatoria algunos de los bits del cromosoma. El AG requiere de una funcin fitness que asigna un puntaje a cada cromosoma de la poblacin actual. El fitness de un cromosoma depende de cun bien el cromosoma resuelve el problema planteado. Cada solucin en una poblacin es evaluada basada en cun bien resuelve el problema planteado, es decir, a cada miembro se le asigna un valor fitness. Los AG usan un espacio de bsqueda distinto del espacio de soluciones. El espacio de bsqueda es el espacio de soluciones codificadas, es decir, genotipos o cromosomas compuestos por genes. El espacio de soluciones es el fenotipo. Cualquier genotipo deber ser transformado en su correspondiente fenotipo para evaluar su valor fitness (Renner & Ekart, 2003). El nmero de individuos de una poblacin se llama popsize y una vez que se obtiene la calidad de cada uno de los individuos (determinada por el valor fitness), se usa el proceso de seleccin para generar lo que se denomina mating pool. Los individuos tendrn mayores probabilidades de ser seleccionados, mientras mayor sea su calidad, esto genera que los mejores individuos tendrn mayores oportunidades de reproducirse y los peores individuos no sern seleccionados. Los individuos que estn en la mating pool son llamados padres, generalmente se seleccionarn dos padres sin reemplazo para generar dos descendientes. La nueva poblacin generada reemplaza a la antigua y comienza una nueva generacin. Al tener la informacin contenida en los mejores individuos mayores probabilidades de pasar a la siguiente generacin sumado a los pequeos cambios en la descendencia que promueven la bsqueda de mejores individuos; la nueva poblacin se volver cada vez ms apta (mejorar su valor fitness), hasta que se alcance el ptimo o la solucin cercana al ptimo (Yu & Gen, 2010). 2.3.2. Pasos para la optimizacin de una funcin simple (Michalewicz, 1996) 1. Representacin Se utilizan vectores como cromosomas para representar los valores reales de las variables x, la longitud del vector va a depender de la precisin requerida. Para convertir el cdigo binario en nmero real.

Comentario [T1]: Aqui es bueno colocar la matematica para realzar el valor

2. Poblacin inicial El proceso de inicializacin consiste en crear la poblacin inicial de cromosomas, donde cada uno corresponde a un vector binario, inicialmente estos son creados de manera aleatoria.

del paper solamente...

3. Evaluacin de la funcin Corresponde a evaluar el valor de cada uno de cromosomas en la funcin fitness. 4. Operadores Genticos Como ya se mencion previamente, se utilizan los operadores mutacin y crossover. Para el primer caso, se genera de manera aleatoria y en base a la probabilidad de su ocurrencia, que genes van a sufrir mutacin y se cambia el valor del alelo correspondiente (por ejemplo si el valor corresponde a 0, se reemplaza por un 1 y vice-versa). Para el segundo caso, se seleccionan los padres (mating pool) de manera aleatoria y, de la misma forma se genera el punto en el cual se generar el crossover. De esta forma, los genes que estn despus del punto de cruce se intercambian con el otro padre, generando la descendencia. 5. Parmetros Existen distintos parmetros que deben ser considerados al llevar a cabo este proceso: Tamao de la poblacin. Probabilidad de crossover. Probabilidad de mutacin 6. Resultados experimentales Posterior a que se realicen diversas iteraciones, las generaciones irn evolucionando, convergiendo a la solucin ptima que finalmente debe ser evaluada en la funcin fitness. 3. Desarrollo de NET utilizando Algoritmo gentico 3.1. Definicin de parmetros involucrados Segn la informacin planteada respecto a la formulacin de la NET, los parmetros a considerar son tanto las leyes como los postulados de evolucin, data que ser obtenida y analizada en base al estudio de patentes. Por otra parte, se debe identificar las funciones tiles del sistema tecnolgico, sus parmetros caractersticos y valores esperados, posterior a eso se debe identificar las funciones dainas y el consumo de recursos asociados a las funciones tiles. (Cascini, Rotini, & Russo, Networks of Trends: Systematic Definition of Evolutionary Scenarios, 2011). Las funciones tiles (FU), funciones dainas (FD) y consumo de recursos (CR) sern los parmetros de evaluacin a considerar en el anlisis, siendo estos los criterios que describan las necesidades y resultados de un proceso industrial y de sus fases (Becattinia, Cascini, Petralib, & Pucciarinib, 2011). 3.2. Definicin y formulacin del cromosoma El cromosoma que representa la poblacin de posibles soluciones debe considerar todos los parmetros que definen a la NET previamente seleccionados. Para esto el cromosoma se compondr de tres secciones independientes. La primera porcin corresponde a la identificacin de las leyes de evolucin, por lo que en esta seccin se debe trabajar con un modelos particular de algoritmo gentico, considerando variables de tipo on-off switches . Cada cromosoma ser representado por una fila de longitud 8, donde cada uno de los locus corresponde a una de las leyes de evolucin y estar ocupado por valores 1 0, siendo 1 la representacin de que la ley en cuestin se encuentra activa y 0 en caso contrario. Cada cromosoma podr tener activa slo una ley.
Ilustracin 1 Comentario [T5]: Recomendable la nomenclatura matematica, mas que nada por formalidad. Comentario [T2]: Inserter definicion matematica..

Comentario [T3]: Colocar como variables...y expresiones matematicas mas frecuentes

Comentario [T4]: Aca se puede apoyar en la teoria de decsiones para trabajar con valores de 0 a 1, de esta manera queda justificado este punto.

0 0 0 0 0 0 1 0
La segunda porcin del cromosoma, representativa de los postulados de evolucin se comportar de manera similar a la porcin anterior, con la variacin de que esta tendr una longitud de 10 genes, cada uno representando un posible

postulado que el cromosoma (solucin) considere. Para este caso pueden existir distintos postulados activos de manera simultnea en un mismo cromosoma.
Ilustracin 2

0 1 1 0 0 1 1 0 0 0
La tercera y ltima porcin del cromosoma buscar representar los parmetros de evaluacin, compuestos en el caso genrico por 48 genes: los 10 primeros son las FU, los 15 siguientes las FD y los 23 ltimos el CR. El grado de satisfaccin o cumplimiento para cada uno de los parmetros, se puede asignar a travs de un ranking que va desde 0 hasta 3 (Becattinia, Cascini, Petralib, & Pucciarinib, 2011).
Ilustracin 3

10 1 3 12 1 2 32 1 1 20 3 000 102 113 102 131 222 131 121 221 212 222
Para esta ltima porcin del cromosoma los valores correspondientes a cada gen varan entre 0 y 3, por lo que la informacin se codifica convirtiendo cada valor en su contraparte en cdigo binario. En este proceso el nmero de genes aumentar, pasando de 48 a 96.
Ilustracin 4 Comentario [T6]: Tambien definer como variable y depues asignarle los valores..

01 0 0 01 1 1 01 1 00 1 10 111 001 011 000 110 000 000 100 100 101 11 01 0 0 10 0 1 11 0 11 0 10 100 111 010 110 011 010 011 001 101 010 10
3.3. Generacin de la poblacin inicial Al estar definido la forma del cromosoma y la representacin del cromosoma, se debe inicializar el cromosoma por medio de la creacin de la poblacin inicial. Esta se genera de manera aleatoria, con un tamao N, que determina el nmero de individuos que forman parte de la poblacin. 3.4. Descripcin de funcin objetivo y funcin fitness. De manera paralela a la generacin de la poblacin inicial, se debe asignar informacin propia de cada cromosoma que permitir posteriormente el proceso de seleccin. Se incorpora una probabilidad de ser seleccionado, que representa que tan apta es la solucin para dar solucin al problema en base a cada una de las variables utilizadas en la formulacin del cromosoma. Esta probabilidad se genera en base al estudio de patentes de del sistema tecnolgico analizado para el caso de las leyes y postulados de evolucin, desde donde es posible obtener un peso ponderado. En la Ilustracin 5, se observa un ejemplo genrico, en donde se ha generado de la asignacin de probabilidades de manera aleatoria para la primera porcin del cromosoma correspondiente a las leyes para una poblacin de tamao .
Ilustracin 5

0,534 0,900 0,112 0,136 0,679 0,495 0,190 0,495

0,148 0,055
En este caso debe ser una matriz y por ejemplo

Continuando con el ejemplo anterior, se ha generado de manera aleatoria la probabilidad de ser seleccionado para la misma poblacin, para el caso de los postulados.
Ilustracin 6

0,851 0,561 0,930 0,697 0,583 0,815 0,879 0,989 0,001 0,865
Para seleccionar la probabilidad asociada a los parmetros se utilizan dos unidades de medida, por una parte la funcin de idealidad (Altshuller, 1984), que se buscar maximizar.

UFi = Utility function of the each Useful Function of the technological system. Cj = Cost function of the resource consumption to obtain the Main Useful Function (MUF) for all the components of technological system. HFk = Cost function of the Harm Functions which has the system for obtain the MUF.

Al ser normalmente la finalidad de un algoritmo gentico la minimizacin, se calcula el inverso de la idealidad, como se seala en la Ilustracin 7
Ilustracin 7

0,281 0,235 0,265 0,273 0,182 0,226 0,237

3,556 4,250 3,778 3,667 5,500 4,429 4,222

0,281 0,290 0,194

3,556 3,444 5,167

Por otra parte, dentro de los mismos parmetros se busca adems que la suma de los valores que toma cada uno de los parmetros sea mxima de modo de maximizar la satisfaccin de las FU y minimizar el dao de las FD y el consumo del CR, de manera similar al caso anterior se calcula el inverso de estos valores.
Ilustracin 8 Comentario [T7]: Matematica darle formalidad nada mas..despues en el caso de

70,000 76,000 78,000 71,000 63,000 68,000 80,000 75,000 62,000 62,000

0,014 0,013 0,013 0,014 0,016 0,015 0,013 0,013 0,016 0,016

studio colocamos los valores, de ejemplo

Al existir 4 distintas funciones objetivo a optimizar, se tiene un caso de optimizacin multiobjetivo, que busca optimizar los componentes de una funcin de costo vectorial. A diferencia de la optimizacin con un solo objetivo, la solucin a este problema no es una solucin de un solo punto, sino que una familia de puntos conocidos como Paretooptimo (Fonseca & Fleming, 1993).
Ilustracin 9

0,534 0,900 0,112 0,136 0,679 0,495 0,190 0,495 0,148 0,055

0,851 0,561 0,930 0,697 0,583 0,815 0,879 0,989 0,001 0,865

3,556 4,250 3,778 3,667 5,500 4,429 4,222 3,556 3,444 5,167

0,014 0,013 0,013 0,014 0,016 0,015 0,013 0,013 0,016 0,016

3.5. Aplicacin de operadores biolgicos El primer paso es aplicar un ranking a las posibles soluciones para cada una de las funciones objetivo, el ranking acta como una transformacin que asigna un nuevo valor fitness a un genotipo basado en su desempeo relativo a otros genotipos (Whitley, 1989).
Comentario [T8]: Nuvamente darle una

Donde representa la posicin en la poblacin y la presin de seleccin. En la Ilustracin 10, se observa que las cuatro nuevas funciones objetivos poseen ahora valores que van desde 0 a 2, permitiendo ahora establecer comparaciones equivalentes entre las variables. Siendo asignado un 2 al cromosoma ms apto y un 0 al menos apto.
Ilustracin 10

lenguaje matematico mas formal.

0,222 0,178 0,156 0,133 0,000 0,444 0,889 0,667 0,111 2,000

0,889 0,178 0,222 0,133 0,156 0,111 0,444 0,000 0,200 0,667

0,167 0,667 0,111 0,133 0,000 0,444 0,889 0,167 2,000 0,222

0,889 0,156 0,178 0,111 0,444 0,667 0,200 0,133 0,111 0,111

En base a los nuevos valores calculados, se busca seleccionar los cromosomas ms aptos para reproducirse, considerando que se tienen cuatro distintas funciones objetivo que optimizar. Una caracterstica en estos casos es que las funciones objetivo normalmente se contradicen unas con otras, lo que hace que la solucin termine teniendo valores aceptables ms que valores ptimos para la funcin fitness (Renner & Ekart, 2003). Diversas metodologas se han desarrollado para resolver este tipo de problemas, tales como NSGA (Srinivas & Deb, 1994), SPEA2 (Zitzler, Laumanns, & Thiele, SPEA2: Improving the Strength Pareto Evolutionary Algorithm, 2001), VEGA (Schaffer, 1985), NPGA (Horn, Nafpliotis, & Goldberg, 1994), HLGA (Hajela & Lin, 1992) entre otros. El elitismo es un factor importante en optimizacin evolucionaria multiobjetivo. Por una parte esto es soportado por SPEA, que incluye el elitismo, por otra parte se ha demostrado que el rendimiento de los otros algoritmos mejora significativamente cuando se le agrega la estrategia de elitismo. NSGA con elitismo iguala el rendimiento de SPEA (Zitzler, Deb, & Thiele, Comparison of Multiobjective Evolutionary Algorithms: Empirical Results, 2000). En este anlisis se usa el mtodo NSGA que incluye elitismo: NSGA II (Deb, Agrawal, Pratap, & Meyarivan, 2000). Bajo esta metodologa se define el Pareto front, para esto se compara los cuatro valores correspondientes de cada cromosoma, con todos los restantes cromosomas que conforman la poblacin y se determina si esta solucin es dominada o no-dominada. Una vez realizadas todas las comparaciones posibles entre la poblacin, se seleccionan aquellas de tipo no-dominada que conformarn el primer pareto front , para los integrantes de este, no existe cromosoma que posea una mejor solucin, ya que si se mejora una de las variables necesariamente otra empeora. Continuando con el ejemplo anteriormente, se realizan las comparaciones correspondientes y se determina que los cromosomas nmero 5 y 6, son dominados, por lo cual son removidos de la poblacin actual, lo que deja el primer pareto front , conformado como se seala en la Ilustracin 11.
Ilustracin 11

Comentario [T9]: Generalizar el caso

1 2

0,222 0,889 0,167 0,889 0,178 0,178 0,667 0,156

3 4 7 8 9 10

0,156 0,133 0,889 0,667 0,111 2,000

0,222 0,133 0,444 0,000 0,200 0,667

0,111 0,133 0,889 0,167 2,000 0,222

0,178 0,111 0,200 0,133 0,111 0,111

Para encontrar los individuos de la siguiente frontera, se eliminan momentneamente las soluciones de la primera, se repite el procedimiento y as sucesivamente hasta determinar los distintos niveles de pareto front. De esta manera el segundo pareto front , queda conformado como muestra la Ilustracin 12. Es preciso destacar que al ser un ejemplo explicativo con una poblacin de 10 individuos se obtienen dos pareto front, en una aplicacin real, este nmero ser superior, siendo requeridas numerosas iteraciones para llegar al resultado final.
Ilustracin 12

Comentario [T10]: Aca debe ser n...despues diez es en el caso de studio...

5 6

0,000 0,156 0,000 0,444 0,444 0,111 0,444 0,667

Posteriormente se estima la densidad de soluciones rodeando un punto en la poblacin, se toma una distancia promedio de los dos puntos a cada lado, esta cantidad , sirve como estimado del tamao del rectngulo encerrando el punto , sin incluir ningn otro punto en la solucin, a esto se le denomina crowding distance (Deb, Agrawal, Pratap, & Meyarivan, 2000). Crowding distance es la suma de los valores de distancia individuales correspondientes a cada funcin objetivo. La frontera est ordenada de acuerdo al valor de la funcin objetivo en orden ascendente de magnitud. A los primeros y ltimos individuos de una frontera se les asigna una distancia infinita respecto a . Para los individuos intermedios se les asigna un valor de distancia igual al absoluto de la diferencia normalizada de dos soluciones adyacentes para cada (Choi, Oh, & Kim, 2010). Para el ejemplo tratado, se le asign una igual a 100 para los valores extremos, su representacin grafica se puede observar en la Ilustracin 13.
Ilustracin 13

1 2 3 4 5 6 7 8 9 10
El valor final de
Ilustracin 14

0,56 0,56 0,33 0,44 0,00 0,00 0,44 0,44 0,33 0,33 0,44 0,44 0,56 0,56 0,56 0,44 0,56 0,56 100,00 0,56 100,00 100,00 0,44 0,44 0,67 0,67 0,44 100,00 0,33 0,33 0,33 0,44 100,00 100,00 100,00 100,00 0,56 0,56 0,44 0,33
de los cuatro .

para cada cromosoma corresponde a la suma de

1 2 3 4

1,89 0,89 1,56 2,11

5 6 7 8 9 10

101,67 200,89 101,78 1,44 400,00 1,89

Segn lo visto, cada individuo de la poblacin posee dos atributos: Ranking de no-dominancia Crowding distance

Con lo cual se define un orden parcial para toda la poblacin de cromosomas, que plantea que entre dos soluciones con diferente ranking de no-dominancia se prefire al que posee menor ranking. De otro modo, si ambos pertenecen a la misma frontera, se prefiere al que est ubicado en una regin con menor nmero de puntos (Deb, Agrawal, Pratap, & Meyarivan, 2000). De esta manera a cada cromosoma se le asigna un valor (1 es el mejor nivel, asumiendo una minimizacin), que permite guiar el proceso de seleccin, siendo este su valor fitness.
Ilustracin 15

1 2 3 4 5 6 7 8 9 10

4 8 6 3 10 9 2 7 1 5

Para realizar el proceso de seleccin propiamente tal, se utiliza el mtodo binary tournament selection, en este mtodo dos individuos son elegidos al azar y el mejor es seleccionado (Goldberg & Deb, 1991), este proceso se realiza tantas veces como individuos se busque que la poblacin posea. Con la poblacin seleccionada, se aplican los operadores mutacin y crossover.
Comentario [T11]: Preguntas a responder...

Trabajos citados
Altshuller, G. (1984). Creativity as an Exact Science: The Theory of the Solution of Inventive Problems. Rusia: Gordon and Breach Science Publishers. B., M., & Johnston, R. (1999). Technology Foresight for Wiring Up the National Innovation System. Technological Forecasting and Social Change , 60 (1), 37-54. Becattinia, N., Cascinia, G., Petralib, P., & Pucciarinib, A. (2011). Production processes modeling for identifying technology substitution opportunities. Triz Future Conference 2011. Dublin. Cascini, G., & Rotini, F. (2010). TRIZ-based Networks of Evolution Trends supporting R&D Stratey Definition.

1)Que es lo que obtenemos finalmente? 2)Que suece si algunos de las caractersticas son incompatibles con otras. 3)Creo que el caso palas aplica bien para el estudio de este trabajo. 4)Es importante saber cual es resultado final, porque desde el punto de vista de aplicacin y matematica esta bien.

Cascini, G., Rotini, F., & Russo, D. (2011). Networks of Trends: Systematic Definition of Evolutionary Scenarios. Procedia Engineering , 9, 355-367. Cavallucci, D., Rousselot, F., & Zanni, C. (2009). Linking Contradictions and Laws of Engineering System Evolution within the TRIZ Framework. Creativity and Innovation Management , 18 (2), 71-80. Choi, J., Oh, S., & Kim, H. (2010). Design of Information Granulation-Based Fuzzy Radial Basis Function Neural Networks Using NSGA II. Advances in Neural Networks - ISNN 2010 , 215-222. Deb, K., Agrawal, S., Pratap, A., & Meyarivan, T. (2000). A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGA-II. Proceedings of the Parallel Problem Solving from Nature VI Conference. Paris. El-Haik, B., & Roy, D. (2006). Service Design for Six Sigma. Fey, V., & Rivin, E. (1999). Guided Technology Evolution (TRIZ Technology Forecasting). The TRIZ Journal . Fey, V., & Rivin, E. (2005). Innovation on Demand. Fonseca, C., & Fleming, J. (1993). Genetic Algorithms for Multiobjective Optimization: Formulation, Discussion and Generalization. Genetic Algorithms: Proceedings of the Fifth International Conference, (pgs. 416-423). Gero, J., & Kannengiesseri, U. (2006). The situated function behaviour structure framework. Design Studies , 25 (4). Goldberg, D., & Deb, K. (1991). A comparative Analysis of Selection Schemes Used in Genetic Algorithms. 1, 333362. Hajela, P., & Lin, C. (1992). Genetic search strategies in multicriterion optimal design. Structural Optimization , 4 (2), 99-107. Hirtz, J., R.Stone, McAdams, D., Szykman, S., & Wood, K. (2002). A Functional Basis for Engineering Design: Reconciling and Evolving Previous Efforts. Horn, J., Nafpliotis, N., & Goldberg, D. (1994). A niched pareto genetic algorithm for multiobjective optimization. Proceedings of the First IEEE Conference on Evolutionary Computation , 1, 82-87. K. S. Swarup, S. Y. (2002). Unit Commitment Solution Methodology Using Genetic Algorithm. Power Systems, IEEE Transactions on , 17 (1), 87-91. Khomenko, N., & Ashtiani, M. (2007). Classical TRIZ and OTSM as a scientific theoretical background for nontypical problem solving instruments. Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs. Mitchell, M. (1999). An introduction to Genetic algorithms. Pahl, G., Beitz, W., & Wallace, K. (1996). Engineering design: a systematic approach. Renner, G., & Ekart, A. (2003). Genetic algorithms in computer aided design. Computer-Aided Design , 35 (8), 709726. Savransky, S. (2000). Engineering of Creativity: Introduction to TRIZ Methodology of Inventive Problem Solving. Florida: CRC Press. Schaffer, J. (1985). Multiple objective optimization with vector evaluated genetic algorithms. Proceedings of an International Conference on Genetic Algorithms and Their , 93-100. Srinivas, N., & Deb, K. (1994). Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms. Evolutionary Computation , 2 (3), 221-248. Verhaegen, P., Dhondt, J., Vertommen, J., Dewulf, S., & Duflou, J. (2009). Relating properties and functions from patents to TRIZ trends. CIRP Journal of Manufacturing Science and Technology , 1 (3), 126-130. Whitley, D. (1989). The Genitor Algorithm and Selection Pressure: Why Rank-Based Allocation of Reproductive Trials is Best. 116-121. Yang, K., & El-Haik, B. (2003). Design for Six Sigma.

Yu, X., & Gen, M. (2010). Introduction to Evolutionary Algorithms. Zitzler, E., Deb, K., & Thiele, L. (2000). Comparison of Multiobjective Evolutionary Algorithms: Empirical Results. 8 (2), 173-195. Zitzler, E., Laumanns, M., & Thiele, L. (2001). SPEA2: Improving the Strength Pareto Evolutionary Algorithm.