UNIVERSIDAD CENTRAL DE VENEZUELA

FACULTAD DE AGRONOMA
POSTGRADO DE ESTADSTICA
SEMINARIO

OPTIMIZACIN DE PROCESOS A TRAVS DE LA APLICACIN DE

ALGORITMOS EVOLUTIVOS EN LA METODOLOGA
DE SUPERFICIES DE RESPUESTA

Participante:
Rosanna Montero Castillo.
C.I: 9.694.881

Maracay, junio 2015

1

INTRODUCCIN
La complejidad presente en las diversas actividades humanas suele traducirse
en la necesidad de manejar altos volmenes de informacin sobre individuos,
procesos y sus caractersticas. Lgicamente, el anlisis prctico de esta realidad
amerita la observacin y recoleccin de una gran cantidad de datos que requieren de
un procesamiento e interpretacin adecuada, con la finalidad de buscar valores
ptimos de funcionamiento que permitan economizar: tiempo, recursos tecnolgicos,
humanos, entre otros.
En este sentido, el investigador cuando requiere optimizar la solucin a un
problema especfico, debe decidir qu mtodo o mtodos va a emplear para
afrontarlo. Esta eleccin suele estar basada en su formacin, experiencia en la
resolucin de problemas similares y en los mtodos utilizados para la optimizacin.
La decisin por un determinado mtodo implica la aceptacin de los inconvenientes
que ste tenga, y siempre existir una especie de "riesgo calculado" de no obtener
resultados tan satisfactorios como se requieren.
Igualmente, al escoger uno o varios mtodos, tambin se est renunciando a
las caractersticas favorables que el resto de procedimientos podran aportar para la
resolucin del problema tratado. Comnmente, esta eleccin, as como la de los
parmetros necesarios para la optimizacin, es el punto de partida obligatorio a la
hora de resolver un problema, y los intentos de aumentar la probabilidad de xito
normalmente estn limitados a los mtodos particulares a los que son aplicados.
Con base a lo anterior, Gutirrez y Colaboradores (2004), expresan que la
optimizacin es una tcnica matemtica que sirve para extraer la informacin sobre el
punto ptimo que tiene un modelo ajustado. En la actualidad, las tcnicas de
optimizacin proporcionan una batera de algoritmos matemticos exactos y de tipo
heursticos, que permiten encontrar, entre los diferentes escenarios factibles, la
configuracin de sistema que optimice una determinada medida del mismo.

Desde el punto de vista matemtico, la optimizacin consiste en encontrar un

vector de variables de decisin que satisfagan restricciones y optimicen una funcin
vectorial cuyos elementos representan funciones objetivo. As, existen diversas
metodologas para la optimizacin de procesos, de las cuales en esta investigacin se
analizaran las Metodologa de Superficie de Respuesta (MSR) y Metodologa de
Algoritmos Evolutivos (MAE).
Montgomery (1991), define que la Metodologa de Superficies de Respuesta
(MSR) consiste en un conjunto de tcnicas matemticas y estadsticas utilizadas en el
tratamiento de problemas en los que una respuesta de inters est influenciada por
varios factores de carcter cuantitativo, donde el objetivo es optimizar la variable en
estudio al determinar las condiciones ptimas de operacin del sistema. Actualmente,
esta tcnica est siendo cada vez ms utilizada en los procesos de optimizacin a
nivel gerencial, por su facilidad de aplicacin, confiabilidad de los resultados y su
economa.
Con respecto a la Metodologa de Algoritmos Evolutivos (MAE), su origen
radica en la teora evolutiva de las especies del cientfico Darwin (1809-1882), el cual
afirmaba que toda poblacin consiste de individuos ligeramente distintos unos de
otros, con distintas capacidades para adaptarse al medio natural que lo rodea y
quienes mejor se adapten a las dichas condiciones se vuelven ms comunes y de esta
forma la poblacin evoluciona. El algoritmo evolutivo, opera en una gama de
soluciones con diversas caractersticas, descartando aquellas ineficientes que no
logran ajustarse al resultado que se desea alcanzar y aceptando las que generen el
valor ptimo o las que se acerquen al valor del ptimo esperado, evolucionando a la
mejor solucin posible.
Una de las grandes ventajas de los algoritmos evolutivos, es que han
demostrado ser tiles en la bsqueda de soluciones satisfactorias para problemas de
tipo no lineal, en espacios de bsqueda extremadamente grandes y difciles de tratar
por su amplio rango. Bsicamente, el algoritmo recoge informacin de varios puntos
sobre una superficie de respuesta, analizando cada uno de ellos y proyectando la
3

siguiente recoleccin de informacin hacia el mejor punto de la tanda original. Dicho

de otro modo, cada posible solucin devuelve un resultado especfico, por lo que se
debe establecer una funcin objetivo para medir el rendimiento de cada solucin.
En funcin a lo anterior, esta investigacin evala la optimizacin de procesos
a travs de la aplicacin de algoritmos evolutivos en la metodologa de superficies de
respuesta con la finalidad de presentar una opcin ms eficiente para optimizar
procesos en general. En tal sentido, en la estructura de la investigacin se encuentran
la justificacin, objetivos, una revisin bibliogrfica que incluye antecedentes y bases
tericas, metodologa y posibles resultados, as como las referencias bibliogrficas
que soportan la misma.

JUSTIFICACIN

En el rea de investigacin cientfica, las tcnicas estadsticas representan una

herramienta de gran utilidad para generar resultados confiables, vlidos e
interpretables segn la realidad en estudio e implican un reto para todo investigador,
puesto que la seleccin de los datos y mtodo para analizarlos son claves para
obtenerlos resultados esperados, al servir de apoyo en la toma de decisiones de gran
envergadura en organizaciones y en las investigaciones, asumiendo el reto con un
nmero ilimitado de variables.
En este sentido, es importante tener clara la estrategia de anlisis de los datos
y contar con metodologas que permitan utilizar el mximo de informacin
disponible, con el fin de tomar las mejores decisiones, en el momento oportuno. Esto
debido a que en los problemas de optimizacin se trata de encontrar la mejor solucin
o la solucin ptima, en un espacio de bsqueda o espacio de soluciones potenciales o
que en su defecto mejore la respuesta aceptada por el investigador.
En este sentido, una de las tcnicas ms empleadas en la optimizacin de
procesos es la Metodologa de Superficie de Respuesta (MSR), que segn
Montgomery (ob. cit) envuelve un conjunto de mtodos matemticos y estadsticos
utilizados en el tratamiento de problemas que involucran el estudio de una respuesta
de inters influida por varios factores de carcter cuantitativo, tiene la ventaja de ser
muy prctica, efectiva y de fcil aplicacin. Sin embargo, est tcnica frente a altos
volmenes de informacin resulta compleja y costosa.
Por su parte, en espacios de bsqueda grandes cobran fuerza una serie de
mtodos de bsqueda especializados, entre los que se encuentran los algoritmos
genticos, las estrategias evolutivas y los algoritmos evolutivos (AE). Segn,
Caanao (2013) los AE son mtodos que dirigen la bsqueda hacia zonas
prometedoras del espacio de soluciones potenciales, en las que hay mayores
posibilidades de encontrar una solucin ptima.
5

Por lo tanto, como la mayora de los problemas del mundo real no pueden
resolverse usando algoritmos en tiempo polinomial, en muchas aplicaciones
prcticas, no es posible ni siquiera determinar la existencia de una solucin eficiente
y existen muchos problemas para los cuales el mejor algoritmo que se conoce
requiere tiempo exponencial en esta investigacin se presenta una opcin utilizando
las MSR y MAE puesto que se pretende usar las ventajas potenciales de ambas
tcnicas, para la solucin de un problema de optimizacin, al conjugar la practicidad
de la primera con la potencia y cobertura de la segunda, se brindar al investigador
una nueva herramienta para resolver de forma eficiente la situacin de optimizacin
que se le presente.

OBJETIVOS DE LA INVESTIGACIN
Objetivo General
Evaluar la optimizacin de procesos a travs de la aplicacin de algoritmos
evolutivos en la metodologa de superficies de respuesta.
Objetivos Especficos
Describir la metodologa de superficies de respuesta como estrategia de
optimizacin de procesos.
Caracterizar los algoritmos evolutivos en la optimizacin de procesos
Aplicar los algoritmos evolutivos en la optimizacin de procesos a travs de
la metodologa de superficies de respuesta.
.

REVISIN BIBLIOGRFICA
El objetivo de este apartado es presentar una base documental actualizada que
permita ubicar en el tiempo y en el espacio la optimizacin de procesos aplicando las
metodologas de superficies de respuesta y algoritmos evolutivos, porque segn
Morales (1995) el conocimiento de lo que se ha hecho con respecto a un tema, ayuda
a estructurar la investigacin. A tal efecto se desarrollan los siguientes aspectos:
antecedentes y bases tericas.
ANTECEDENTES
En el presente estudio, la Metodologa de Superficie de Respuesta (MSR) es
una tcnica de optimizacin basada en planeamientos factoriales que fue introducida
por Box en los aos cincuenta, y que desde entonces ha sido usada con gran xito en
el modelado de diversos procesos industriales. Por su parte, los algoritmos evolutivos
tuvieron su origen en los aos sesenta y fueron introducidos por John Holland quien
incorporo los mtodos de seleccin natural y supervivencia a la resolucin de
problemas de Inteligencia Artificial, surgieron por la simulacin de procesos de la
evolucin natural.
Por lo anterior, a continuacin se presentan antecedentes relacionados con la
investigacin en los cuales se analizan las tcnicas que estn dirigidas a la
optimizacin de procesos, con la finalidad de mejorar la toma de decisiones Ejemplo
de ello, puede ser encontrado en los trabajos de Bolvar (2005), en la que se
desarroll una herramienta basada en la Superficie de Respuesta para la optimizacin
de modelos de simulacin, y Avendao (2007), que utiliz la Superficie de Respuesta
para la optimizacin de modelos de simulacin.
Por su parte, Carmona (2010), con el fin de optimizar una lnea de produccin
utiliz las metodologas Superficie de Respuesta y Algoritmo Evolutivo, encontrando
diferencias significativas entre ellas, generando la Metodologa Superficie de
7

Respuesta soluciones ms precisas con respecto a las variables respuesta. Dreyer y

col. (2000) Mediante la tcnica de superficie de respuesta, lograron un mejoramiento
de la produccin tomando en cuenta todas las variables (Melaza, ensilado de pescado,
(NH4)2SO4, K2HPO4, KH2PO4) de manera simultnea y estableciendo la influencia
de cada una sobre la cantidad de L-lisina producida.
Igualmente, se tiene la investigacin realizada por Ningchuan (2008) sobre un
marco conceptual unificado para la Optimizacin Geogrfica usando Algoritmos
Evolutivos, se fundamenta en la necesidad de solventar los problemas para anlisis
geogrficos, los cuales se han realizado de manera especfica a cada situacin. El
elemento clave en este marco es una representacin grfica que define la estructura
espacial de una amplia variedad de problemas geogrficos y con base en esa
representacin, se discutieron cuatro tipos de problemas de optimizacin geogrfica y
se desarrollaron un conjunto de algoritmos evolutivos para cada tipo de problemas.
Se concluye que tambin se pueden incorporar al marco conocimiento
especfico, problemas ms generales en el mbito de optimizacin geogrfica. Se usa
un ejemplo de reasignacin de distritos polticos para demostrar la aplicacin de este
conocimiento. Esta investigacin permite analizar la aplicacin de los algoritmos
evolutivos en un rea especfica como lo es la geografa, a la vez que presenta una
metodologa de trabajo que sirve de referencia al presente estudio.
Por su parte, zgr (2008), realiz una investigacin denominada
Modelizacin y optimizacin de los tiempos de viaje promedio para una lnea de
metro por simulacin y metodologa de superficie de respuesta, en la cual se presenta
un enfoque de modelacin y solucin basada en la simulacin de eventos discretos y
metodologa de superficie de respuesta, con el objetivo de encontrar la optimizacin
del tiempo de viaje con una tasa satisfactoria de la plenitud del uso del vehculo,
considerando algunas limitaciones fsicas, seguridad vial,

requisitos legales,

velocidad del vehculo, entre otras.

En los metamodelos, el enfoque presentado de simulacin que mejor se ajusta
a los datos recopilados de los experimentos simulados se construye para describir la
8

relacin entre las respuestas (el tiempo de viaje promedio y la tasa de llenado de
carro) y los factores de entrada. En funcin a ello, el procedimiento de optimizacin
se utiliza para determinar los valores ptimos de los factores de entrada que producen
el valor mnimo del tiempo medio de viaje proporcionando una tasa adecuada de
plenitud del vehculo. Esta metodologa se aplic a una lnea de metro real, y se
obtuvieron soluciones de calidad, con un nmero reducido de experimentos que se
necesitan

para

proporcionar

suficiente

informacin

obtener

resultados

estadsticamente aceptables.
Esta investigacin muestra una aplicacin real de la metodologa de superficie
de respuesta que permite identificar claramente las fases que conlleva y el anlisis
requerido para obtener la solucin al problema planteado, por tanto es un referencial
que sirve de gua en esta investigacin.
Por su parte,

Marchitan (2010) presenta un estudio sobre Modelado y

optimizacin de la extraccin de cido tartrico en forma reactiva a partir de

soluciones acuosas: es una comparacin entre la metodologa de superficie de
respuesta (RSM) y redes neurales artificiales (RNA). En este trabajo se comparan
ambas metodologas para la optimizacin de la extraccin reactiva de cido tartrico
a partir de solucin acuosa, utilizando Amberlite LA-2 (amina) como caso de estudio.
La eficacia de extraccin fue modelada y optimizada como una funcin de tres
variables de entrada, es decir, la concentracin de cido tartrico en CAT fase acuosa
(g / L), pH de la solucin acuosa y la concentracin de amina en la fase orgnica CA /
S (% v / v). El anlisis de la varianza (ANOVA) dio como resultado un coeficiente de
determinacin de 0,841 para RSM y 0,974 para la RNA. Las condiciones ptimas
ofrecidas por RSM y el algoritmo gentico (RNA) han conducido a una eficiencia de
extraccin experimental ms de 83,06%.
Este estudio demostr la capacidad de RNA para superar la limitacin de
modelo polinomial de segundo grado en la solucin de problema de optimizacin.
Ambos modelos se han empleado para la construccin de respuesta / salida grficas
de superficie, a fin de revelar la influencia de las variables de entrada en la eficiencia
9

de extraccin as como para averiguar los efectos de interaccin entre las variables
estudiadas.
Los aportes de este estudio son relevante en esta investigacin, porque
muestran la combinacin de dos metodologas para hallar valores ptimos de
respuestas en un problema especfico en el que intervienen varias variables, a la vez
que permite identificar los elementos de comparacin que permiten generar las
conclusiones necesarias para la toma de decisiones.
En el mismo orden de ideas, Caamao (2013) realiz una investigacin sobre
la Caracterizacin de algoritmos evolutivos en los problemas reales de optimizacin,
en el cual se aborda el problema de establecer un algoritmo evolutivo utilizable y
confiable (EA), est dirigida a los usuarios finales como ingenieros, matemticos o
fsicos para que puedan tener informacin ms especfica al momento de elegir el EA
ms adecuado para un problema dado.
El objetivo prctico detrs esta obra es proporcionar conocimientos sobre las
caractersticas relevantes de la funcin de adecuacin (fitness) y su relacin con el
rendimiento de los diferentes algoritmos, con la finalidad de ayudar a los usuarios a
minimizar la etapa inicial tpica en que se aplican un EA bien conocido, o una versin
modificada del mismo, con las funciones que desee para optimizar sin realmente
tomar en cuenta su adecuacin a las caractersticas particulares del problema,
proporcionando algunas ideas sobre el proceso de caracterizacin de los algoritmos
evolutivos identificando evidencias experimentales a los desarrolladores de EA sobre
la utilidad de realizar un anlisis formal y detallado de los algoritmos antes de
presentarlos a los usuarios y la comunidad cientfica. Por lo tanto, es de gran inters
para este estudio porque presenta las principales caractersticas de los algoritmos
evolutivos y las condiciones de aplicacin.
Asimismo, Lpez y Colaboradores (2013), en su trabajo titulado: Eficiencia y
diferencias de algoritmos evolutivos en la solucin ptima de problemas multimodal,
presentan el comportamiento de un algoritmo evolutivo (AE) para la solucin de un
problema de optimizacin, dado que usualmente est dirigido por sus operadores
10

(cruce, mutacin, seleccin, etc.) y por los valores seleccionados para los parmetros
iniciales del algoritmo. Calibrar los parmetros de este tipo de enfoques es un
problema difcil debido a que pueden tomar diferentes valores y por lo tanto, el
nmero de posibles combinaciones podra ser muy elevado. Por lo tanto, se puede decir
que cuando se usa un AE, existe un problema adicional de optimizacin que necesita ser
resuelto: la calibracin de parmetros. Recientemente dicha calibracin se haba hecho

con base en la experiencia del usuario, por referencias bibliogrficas o bien aplicando
el mtodo experimental de prueba y error.
Sin embargo, actualmente los investigadores de la comunidad de computacin
evolutiva han comenzado a utilizar mtodos clsicos y estadsticos del diseo de
experimentos como una alternativa viable para calibrar adecuadamente los
parmetros de sus enfoques. Esta nueva tendencia, busca obtener conclusiones
cientficas a travs de una experimentacin sistemtica.
Como se observ en los estudios presentados que sustentan la evaluacin de la
optimizacin de procesos a travs de la combinacin de las metodologas de
superficies de respuesta y algoritmos evolutivos, revelan su importancia y aplicacin
en diversas reas del conocimiento cientfico, razn por la cual interesa conocer hasta
qu punto la aplicacin conjunta de estas metodologas permite al investigador
mejorar los procesos de optimizacin. En ese sentido, es pertinente revisar los
aspectos tericos que lo respaldan.
OBSERVACIN: Pienso que debe redactarse de otra forma, donde se
visualice de forma clara la aplicabilidad de los AE, recuerda que para el trabajo es lo
nuevo en el postgrado.
BASES TERICAS
Las bases tericas, segn Hernndez, Fernndez y Batista (2003) tienen el
propsito de dar a la investigacin un sistema coordinado y coherente de conceptos y
proposiciones que permitan abordar el problema. De ste depender el resultado del
11

trabajo en la investigacin, puesto que es donde se condensa todo lo pertinente a la

literatura que se tiene sobre el tema a investigar, as como tambin surgen todas las
posibles variables de estudio que podran influir en determinado momento en el
trabajo. Aqu, especficamente se desarrollarn aspectos de inters sobre
laoptimizacin de procesos aplicando las metodologas de superficies de respuesta y
algoritmos evolutivos.
OPTIMIZACIN DE PROCESOS
El concepto ms amplio define al proceso como "la actividad o conjunto de
actividades que utiliza recursos y gestin para que la transformacin de entradas en
salidas [ISO 9001:2008 NP]. Naturalmente, un funcionamiento ptimo de las
actividades, tambin significa optimizar el conjunto de todos sus procesos. El proceso
de optimizacin se aplica a todas las organizaciones, porque todos tienen su base de
operaciones basadas en los procesos funcionales. A veces sucede que muchos de estos
procesos estn ocultados o son extremadamente complejos, lo que resulta en un
encubrimiento de las oportunidades existentes para la mejora.
En tal sentido, existen mtodos que reciben el nombre de algoritmos
heursticos o metaheursticos, trmino que deriva de la palabra griega heuriskein que
significa encontrar o descubrir y se usa en el mbito de la optimizacin para describir
una clase de algoritmos de resolucin de problemas. Segn Mart

(2000),

optimizaren el contexto cientfico es el proceso de tratar de encontrar la mejor

solucin posible para un determinado problema.
Es importante resaltar, que en un problema de optimizacin existen diferentes
niveles de soluciones y un criterio que permite discriminar entre ellas. De forma ms
precisa, estos problemas se pueden expresar como encontrar el valor de unas
variables de decisin para los que una determinada funcin objetivo alcanza su valor
mximo o mnimo. El valor de las variables en ocasiones est sujeto a unas
restricciones.
12

Algunas clases de problemas de optimizacin son relativamente fciles de

resolver. Este es el caso, por ejemplo, de los problemas lineales, en los que tanto la
funcin objetivo como las restricciones son expresiones lineales. Estos problemas
pueden ser resueltos con el conocido mtodo Simplex; sin embargo, muchos otros
tipos de problemas de optimizacin son ms complejos de resolver porque no se
puede garantizar el encontrar la mejor solucin posible en un tiempo razonable.
Con base a lo anterior, se acepta la existencia de una gran cantidad y variedad
de problemas, que aparecen en la prctica y necesitan ser resueltos en forma eficiente,
fue el impuls que desarrollo procedimientos eficientes, para encontrar buenas
soluciones, aunque no fueran ptimas. Estos mtodos, en los que la rapidez del
proceso es tan importante como la calidad de la solucin obtenida, se denominan
heursticoso aproximados.
Segn Daz y Col (1996) un algoritmo heurstico, es un procedimiento para
resolver un problema de optimizacin bien definido mediante una aproximacin
intuitiva, en la que la estructura del problema se utiliza de forma inteligente para
obtener una buena solucin. En este sentido, para la presente investigacin, se
detallan a continuacin dos metodologas de optimizacin heursticas como lo son
Superficies de Respuestas y Algoritmos Evolutivos.

13

METODOLOGA SUPERFICIE DE RESPUESTAS

Origen
Segn Pla (1986), los orgenes de la metodologa de superficies de respuesta
(en ingls, Response Surface Methodology - RSM) se remiten al trabajo de Box y
Wilson (1951); pero ha sido durante los ltimos 20 aos en que ha tenido un
crecimiento considerable tanto en aspectos tericos como en aplicaciones en
escenarios reales. Inicialmente debut con xito en la industria qumica y
ltimamente, ha encontrado amplia aplicacin en procesos de fabricacin de
semiconductores, aparatos electrnicos, maquinado, corte de metal y procesos de
ensamble.
Estas aplicaciones se refleja en varias publicaciones tales como: Box y Draper
(1987), Khuri y Cornell (1987), Cornell (1990) y Montgomery y Myers (1996), entre
otras. Como gran facilitador de este desarrollo se ha constituido el alto adelanto de los
sistemas computacionales, el cual ha permitido incorporacin de grficos que
facilitan el anlisis de los resultados.
Objetivos
En trminos generales, la superficie de respuesta permite que el investigador
inspeccione de manera visual, la respuesta promedio para cierta zona de los niveles
de los factores de inters y evaluar su sensibilidad a dichos factores. La estrategia de
anlisis supone que el promedio (media) de la variable respuesta est en funcin de
los niveles cuantitativos representados por los factores que la integran. En general se
utilizan los

modelos polinomiales de bajo orden para representar la variable

respuesta de inters en funcin de los factores establecidos. El objetivo principal es

confirmar la influencia significativa de los factores seleccionados sobre la funcin a
optimizar, determinar la significancia de las interacciones entre dichos factores,
estimar el modelo de regresin que describa el comportamiento del efecto de dichos

14

factores y determinar en qu direccin se encuentran las condiciones ms probables

para optimizar la caracterstica.
Caractersticas
Reduccin de dimensionalidad: Algunos autores lo llaman cribar, otros tamizar;
pero consiste esencialmente en seleccionar de entre muchos, los factores
significativos que afectan la caracterstica o caractersticas de la respuesta que se
pretenden optimizar.
Experimento con modelo de primer orden: Se utilizan para determinar los factores
que realmente inciden en la respuesta y una vez cumplida la etapa de reduccin de
dimensionalidad, se efecta un estudio ms completo y controlado de dichos factores.
Los tipos de diseo ms utilizados en esta etapa son:
- Diseos 2k: el cual indica que se estimar el efecto que sobre la caracterstica de
calidad presentan k factores, cada uno de estos probado en 2 niveles (nivel alto y
nivel bajo); se probarn entonces 2k tratamientos.
- Diseos fraccionados 2k-p: el cual indica que se estimar el efecto que sobre la
caracterstica de calidad presentan k factores, pero no se probarn todos los 2 k
posibles tratamientos, sino que el nmero de tratamientos se reduce a 2 k-p,
permitiendo de esta manera estimar El mismo nmero de efectos a un menor costo.
- Otros mtodos alternativos son los diseos Simples y los diseos de PlacketBurman.
Experimento con modelo de segundo orden: Estos experimentos son utilizados
para seleccionar variables y la regin a estudiar, el objetivo primordial de esta etapa
es modelar el comportamiento del proceso en una regin, relativamente pequea para
determinar la combinacin de factores que con mayor probabilidad se puede
considerar como candidato a ptimo. Es esencial entonces, que los procedimientos

15

anteriores como lo son: Diseo de primer orden,

Deteccin de curvatura,

Escalamiento Ascendente-Descendente se hayan realizados de forma rigurosa.

Consideraciones
La Metodologa de Superficies de Respuesta (RSM) incluye adems, de los
diseos de experimentos y arreglos de tratamientos, procedimientos mediante los
cuales se determina una regin de experimentacin ptima, cuando no se dispone de
informacin a priori. En esta investigacin se establece el fundamento terico
matemtico - estadstico que permite explicar y verificar la validez de estos
procedimientos y aplicarlos en la determinacin de las condiciones ptimas de
operacin.
La Superficie de Respuesta es una funcin escalar con una representacin
matricial asociada, que se optimiza haciendo uso de la fusin del clculo diferencial
aplicado y el lgebra matricial. Los procedimientos de optimizacin son vlidos y
confiables en la medida en que el modelo fijado indique una falta de ajuste no
significativa, determinacin alta y error experimental pequeo.
La diferencia entre (RSM) y un diseo experimental corriente, tiene como
objetivo localizar el tratamiento ganador entre todos aquellos que se han probado.
En cambio, RSM pretende localizar las condiciones ptimas de operacin del
proceso, por lo que se requiere una estrategia ms completa e incluye la posibilidad
de efectuar varios experimentos secuenciales y el uso de tcnicas matemticas ms
avanzadas.
La Metodologa de Superficies de Respuesta (MSR), ha sido ampliamente
utilizada en reas donde el error experimental es tan pequeo que se puede considerar
despreciable, especialmente en qumica. Segn Chacn (1994), su uso se ha
generalizado en las ciencias del agro, se han definido criterios para la seleccin de
diseos y el uso de procedimientos para determinar las condiciones ptimas al
aplicarlos debido a que tienen un fundamento matemtico exacto que no dan lugar a
dudas sobre los resultados obtenidos de su aplicacin.
16

Pasos estndar de la Metodologa de Superficies de Respuestas (MSR)

De forma general, se asume que el modelo a optimizar es un modelo de varias
variables del tipo: formula (2.1)dondej, son las variables naturales del proceso. La
respuesta esperada en variables codificadas con = 0 y 2I constante est dada por:
Formula(2.2)
As, la superficie de respuesta para estas variables est dada por: formula (2.3)
Donde n, es la superficie de varias variables a optimizar y, son las variables
independientes codificadas (factores de diseo). El componente )x ...,,x ,x(k21ij
dado en (2.1), representa el error aleatorio considerado . La naturaleza secuencial de
la MSR, inicia cuando existe una caracterstica de inters a ser medida y continua con
la generacin de ideas para determinar el conjunto de factores significantes que
determinan su comportamiento.
Los factores que se creen determinan el comportamiento de la variable de
respuestas, son analizados en diseos de experimentos iterativos para a travs del
Anlisis de Varianza (ANOVA) determinar cules son significantes, a este proceso
iterativo, Myers (1995) le dan el nombre de Paso Cero. En esta investigacin, se
asume que el conjunto de factores considerado en el diseo experimental, son los
factores significantes que determinan el comportamiento de la variable de respuesta,
por lo que los pasos estndar para la aplicacin de la MSR son:
1.

Inicio: Determinar las variables naturales (j).- Para este propsito, la

metodologa seis sigma, propone el uso del despliegue de la funcin de calidad (QFD
por sus siglas en ingles), el mapeo del proceso, el diagrama de pareto y el diagrama
de ishikawua. El paso incluye:
a. Determinar los niveles de las variables naturales (j). El establecimiento de
los niveles, depende de la naturaleza de la experimentacin, de la regin de

17

operabilidad y de la regin a ser modelada, por lo que el conocimiento del

investigador del proceso bajo estudio y el alcance del objetivo que se persigue, son
determinantes (Box y Draper, 1987).
b. Codificar las variables naturales: Las variables codificadas, permiten una
mejor comparacin entre ellas, se recomienda que la codificacin entre los niveles sea
equidistante. La codificacin de las variables est dada por:
Formula: SXii=
dondej las variables naturales y S, es la desviacin entre la variable y su media S.

2.

Ajustar a un Polinomio de Primer Grado.Para el ajuste de este polinomio,

se recomienda utilizar un diseo experimental fraccionado de resolucin III ya que la

varianza de la respuesta esperada para este diseo es mnima (Khuri y Cornell, 1987).
Adems, este diseo requiere un nmero pequeo de corridas experimentales y puede
ser fcilmente incrementado a un diseo central compuesto para ajustar el modelo
polinomial completo de segundo orden (Myers y Montgomery, ob. cit). El modelo de
primer orden es:
++==k1iii0XY (2.5)
3.

Determinar la adecuacin del Modelo de Primer Orden: Antes de utilizar

el modelo polinomial de primer orden para moverse dentro de la regin de

operabilidad hacia el ptimo, se debe determinar su adecuacin a travs del anlisis
de varianza. Para esto es necesario que el diseo utilizado no sea saturado y que se
hayan realizado replicas genuinas (varias corridas experimentales para un nivel
central de las variables) con la finalidad de calcular el error puro. Para determinar la
adecuacin del modelo se aplica el procedimiento descrito por Montgomery y Col.
(2002), en donde a travs del ANOVA, se comprueba si el comportamiento de la

18

respuesta en la regin actual de inters presenta interaccin y/o curvatura que refleje
falta de ajuste del modelo.
a. Si el modelo no muestra falta de ajuste, pero los coeficientes estimados son
cercanos a cero, es una indicacin de que no hay direccin de mejoramiento en ese
punto y el proceso de optimizacin deber de iniciarse una vez ms en el paso 1.
b. Si la falta de ajuste es debida solo a la interaccin entre los factores y no a
curvatura pura, la varianza entre los niveles de los factores deber de ser reducida y
otro diseo experimental deber de llevarse a cabo. No debe realizarse el ajuste bajo
esta situacin a un polinomio completo de segundo orden ya que esto incrementa el
error tipo II (Ganzach, 1998).
c. Si la inadecuacin del modelo es dada porque los trminos de interaccin y
cuadrticos puros son significantes.
4.

Resolver la Inadecuacin del Modelo. Si la falta de ajuste es solo

significante para los terminas de interaccin, la varianza de las variables naturales,

deber de ser reducida. Es decir se minimiza la regin de exploracin y de esa forma
el modelo lineal proporcionara un buen ajuste. )S(

5.

Aplicar el Mtodo de Ascenso Acelerado para Acceder a las cercanas del

ptimo. Si el modelo de primer orden es aceptado para representar la superficie en la

regin actual de experimentacin, aplique el proceso iterativo del mtodo de ascenso
acelerado a este polinomio para acceder a las cercanas del ptimo, avanzando en la
direccin dada por el signo de los coeficientes de regresin (si es descendente, deber
de tomar los signos opuestos), con incrementos proporcionales a la magnitud de los
coeficientes. El nuevo punto as estimado, es tomado como el nuevo punto central del
diseo en n+1 iteracin y el procedimiento es repetido hasta que la falta de ajuste del
polinomio este presente.

19

Otra opcin, consiste en definir el avance dando incrementos equivalentes a la

distancia del punto central del diseo en la direccin de los signos de los coeficientes
de regresin al punto de interseccin de la esfera de radio 1 dada por:
==k1i21X
El procedimiento iterativo termina cuando la falta de ajuste es significativa o
cuando en dos iteraciones consecutivas, el mejoramiento en la variable de respuesta
es mnimo, comparado con un lmite pre-establecido por el investigador.
a. En el caso en el que a travs de la aplicacin iterativa del mtodo de
ascenso acelerado, la falta de ajuste del modelo de primer orden sea significante, un
diseo central compuesto deber de ser utilizado para ajustar un modelo completo de
segundo orden determinar su adecuacin a travs del ANOVA.
b. Si el modelo completo de segundo orden proporciona un buen ajuste, pero
los trminos de segundo orden son pequeos comparados con los de primer orden, se
deber de aplicar el mtodo de ascenso acelerado hasta que los trminos de segundo
orden sean potencialmente importantes.
6.

Aproximar la Superficie a travs de un Modelo Completo de Segundo

Orden. Cuando el modelo de segundo orden del tipo:

====+++=k1Ik1Jijijk1i2iiik1iii0XXXY (2.7)

El cual puede ser escrito en forma matricial como BXXXYtt0++=y va ha

ser ajustado para modelar la superficie, por lo que se recomienda:
a. Utilizar un Diseo Central Compuesto. Este diseo es recomendado, dadas
sus propiedades de:
1. Ortogonalidad: Obtencin de los coeficientes principales en forma
separada.

20

2. Optimalidad D: Mmaximiza el determinante XXty de esa forma, la regin

de confianza del elipsoide de donde se determinan los coeficientes del polinomio
dada por)(XX)(t).
3. Optimalidad G: Obtiene la varianza de la prediccin mnima del modelo.
4. Rotabilidad (varianza de la prediccin constante sobre la esfera de radio 1)
cuando se le agregan puntos axiales dados por:
(faltan)
Donde 2k es el nmero de puntos factoriales del diseo. El nmero de puntos
centrales recomendados para dar estabilidad a la varianza de la prediccin es de 3 a 5
puntos.
b. Escalar la matriz de regresores y la variable y, a travs del mtodo de
escalonamiento unitario para evitar el deterioramiento innecesario de la ordenada al
origen y minimizar el deterioramiento de la matriz de covarianzas. (XX ).
c. Ajustar a un modelo polinomial de segundo orden. El ajuste de este
polinomio, deber de realizarse a travs del mtodo de regresin Ridge, dado que es
el mejor mtodo de estimacin sesgada (Golam-Kibria, (2003). El polinomio
completo de segundo orden, presenta de forma inherente el problema de
multicolinealidad, el cual causa deterioramiento en la matriz de precisin XX(,
generando inestabilidad en los coeficientes estimados debido a los factores de
inflacin de la varianza.
d. Determinar la constante de proporcionalidad K(adems de la inspeccin
directa de la traza)a travs de:
)XX(pktt2=
7.

Determinar la adecuacin del Modelo Polinomial de Segundo Orden.

Como en el caso del modelo de primer orden, la inadecuacin del modelo es

determinada a travs del ANOVA.

21

8.

Resolver la inadecuacin del Modelo Polinomial de Segundo Orden. Si el

modelo no es el correcto para representar la superficie en esa regin, es necesario

reducir la regin de experimentacin, reduciendo la varianza de los factores.
9.

Realizar el anlisis Cannico de la Superficie. Una vez que el modelo

completo de segundo orden es adecuado, se determina de este modelo el polinomio

cannico para la optimizacin de la superficie a travs de explorar y determinar la
localizacin y naturaleza del punto estacionario. La forma matricial del modelo
completo de segundo orden a ajustar es:
BXXXYtt0++=
donde:
x ...,,x ,x(Xk21t=, ) ...,, ,(k21t= y
, sym 2/ ... 2/ ... 2/ Bkkk222k11211=
El procedimiento para obtener el polinomio cannico del modelo dado
consiste primero en diferenciar este polinomio con respecto a X y establecer la
derivada igual a cero para obtener la solucin del punto estacionario como:
B21x1s=
Segundo, determinar si el punto estacionario es el ptimo del sistema
cuadrtico. Para ello suponga que...,, ,(k21, son los eigenvalores de la matriz B
dada, por lo que si todos son positivos X1, es un minino, si todos son negativos,
Bsxsxes un mximo y si al menos uno es de diferente signo, sxes un punto de silla.
a. Si el punto estacionario es un punto de silla o si cae fuera de la regin de
experimentacin, no se deber de tomar como el nuevo punto central para el anlisis
y optimizacin de la superficie. Para este caso, deber de ajustarse un polinomio
cannico en su forma A (polinomio rotado sin trminos de productos cruzados), para
determinar la nueva direccin de bsqueda del ptimo a travs de la aplicacin del
mtodo de ascenso acelerado a este polinomio.
b. Si el punto estacionario encontradox, est dentro de la regin de
experimentacin, y no representa un punto de silla, deber de ajustarse un

22

polinomiocannico en su forma (polinomio rotado y sin los trminos lineales) para

realizar la exploracin en las fronteras de , tomndolo como el punto central del
diseo central compuesto realizado.
c. Si el punto x es un mximo, pero cae fuera de la regin de experimentacin,
no es recomendable extrapolar, por lo que a travs de los multiplicadores de
Lagrange, deber de ajustarse una esfera de radio 1 centrada en (0 ...,,0 ,0), las cuales
son el centro del diseo, para explorar con ella en las cercanas de . As, el punto
ptimo encontrado dentro de esa esfera, deber de utilizarse como el nuevo centro de
del diseo y aplicar el proceso iterativo del mtodo de ascenso acelerado hasta que x,
caiga dentro de la regin de experimentacin o se llegue hasta el lmite de la regin
de operabilidad del sistema o proceso analizado. Una vez que x, est dentro de la
regin de experimentacin, un modelo cannico en su forma B, deber de ser
ajustado para realizar la exploracin del sistema. (Box y Draper, ob. cit).
10.

Despus de aceptar el Punto Estacionario. Una vez que el punto

estacionario x, es aceptado, este deber de tomarse como centro del diseo y deber
de realizarse la caracterizacin del sistema que ese punto representa, de modo tal que:
a. Si el sistema de loma encontrado es un sistema estacionario para alguno de
los factores (algunos de los eigenvalores son cero, esto verificado de sus intervalos de
confianza) un polinomio cannico es ajustado sin los eigenvalores que son cero y el
mejor nivel de los dems factores que optimizan la respuesta en ese punto, deber de
ser determinado. Para esta situacin existen ptimos alternativos, de manera que es
posible optimizar alguna otra caracterstica secundaria del proceso que se desee. (Box
y Draper, ob. cit).
b. Si el sistema de loma encontrado es un sistema ascendente (o descendente),
la bsqueda del ptimo, deber de realizarse llevando a cabo nuevos experimentos en
la direccin ascendente (o descendente) del sistema, hasta el lmite de la regin de
experimentacin o hasta que otra caracterstica (como costo) de la experimentacin
no sea factible. El ptimo para este sistema est en el lmite de la regin de

23

experimentacin, justo en la direccin del gradiente del polinomio cannico ajustado

(Box y Draper, ob. cit).
c. Si el punto x,es un sistema estacionario, sus coordenadas representan el
mejor nivel de los factores que optimizan la respuesta.
11.

Criterio de Parar. La bsqueda iterativa del ptimo, generalmente se detiene

despus de haber ajustado solo un modelo polinomial de segundo orden (Fu, 1994).
En este sentido, se siguen las pautas deNeddermeijer, Oortmarssen, Piersma y Dekker
(2000) en detener la bsqueda del ptimo cuando:
a. El valor de la respuesta estimada en la iteracin n+1 no mejore
sustancialmente la respuesta.
b. La regin de inters sea demasiado pequea.
c. Cuando existan restricciones de capital o de proceso.
12.

Determinar el nivel ptimo de los factores. Tome como nivel ptimo de los

factores, las coordenadas de Xsencontradas en el paso 11 y determine la respuesta

ptima esperada. Estos niveles de los parmetros, son los parmetros bajo los cuales
el proceso deber de estar trabajando.
Con base a lo anterior, dada la naturaleza iterativa de la Metodologa de
Superficies de Respuestas (MSR) y a la falta de un procedimiento estandarizado para
su efectiva aplicacin, existe una necesidad inmediata para estandarizar este proceso.
Existe una gran cantidad de investigaciones realizadas para mejorar partes del
proceso de la MSR, pero poco se ha hecho para estandarizarla. El objetivo en esta
investigacin consiste en aplicar la Metodologa de Algoritmos Evolutivos en el paso
7 o 12de la MSR para potencializar el proceso de optimizacin.

24

Tabla N. XX: Pasos de la Metodologa Superficies de Respuestas

PASOS

PROCEDIMIENTOS

1. Inicio

Establece los factores de inters y niveles

de las variables
Codificar
2. Ajuste del polinomio de 1er. Diseo de experimento
Orden
3. Adecuacin del modelo de 1er. Anlisis de Varianza
Orden
4. Resolver
inadecuacin
del Reducir Varianza
modelo de 1er. Orden
Minimizar regin de experimentacin
5. Aplicar mtodo de ascenso Bsqueda del ptimo, hasta que la falta de
acelerado
ajuste est presente significativamente.
6. Aproximar la superficie a un Ajustar modelo: Diseo Central Compuesto
modelo de 2do. Orden
7. Adecuacin del modelo de 2do. ANOVA
Orden
8. Resolver
inadecuacin
del Reducir Varianza
modelo de 2do. Orden
Minimizar regin de experimentacin
9. Realizar anlisis cannico de la Determinar
naturaleza
del
punto
superficie
estacionario.
10. Encontrar el punto estacionario Si no es ptimo , Rotar
11. Criterio de parada
Valor de la respuesta estimada (n+1) no
mejora la respuesta
Regin demasiada pequea
Cuando existen restricciones de capital o de
proceso
12. Determinar el valor ptimo de
los factores

25

METODOLOGA ALGORITMOS EVOLUTIVOS

Origen
Segn Back, T. (2000), la computacin evolutiva representa una disciplina
nueva que aparece en el ao 1.991, con la finalidad de unir las diferentestcnicas
desarrolladas por los investigadores para simular ciertos aspectos de laevolucin,
entre las cuales estn incluidas los algoritmos genticos, estrategias evolutivas y
algoritmos evolutivos que poseen una caractersticametafrica comn sacada de la
propia naturaleza y reconocida como evolucin: los individuos que forman
unadeterminada poblacin varan aleatoriamente, compiten entre s, se seleccionan y
sereproducen para dar lugar a nuevas poblaciones.
Por su parte, los algoritmos genticos son tcnicas de optimizacin estocstica
que se aplican a la resolucin de problemas complejos. Fueron creados por Holland
(1992), con la intencin de imitar el proceso de evolucin natural, mediante el cual
las especies han ido adaptndose al medio en el que viven.Las caractersticas de la
evolucin natural, llevaron a Holland(ob. cit) a plantearse la posibilidad de crear un
algoritmo que, imitando dichas caractersticas e introducido en un ordenador, diera
lugar a una tcnica que permitiera la resolucin de problemas complejos en la forma
en la que lo hara la naturaleza por medio de la evolucin, entre sus caractersticas se
encuentran: los cromosomas estn codificados en forma de cadenas de nmeros
binarios: 0's y 1's; emplean nicamente los operadores de mutacin y cruce binarios;
y disponen de una justificacin terica de su funcionamiento: el teorema de los
esquemas.
En relacin a las estrategias evolutivas, tambin imitan los principios de la
evolucin natural para resolver problemas de optimizacin de parmetros. Fueron
desarrolladas en Alemania, en la dcada de los 60, por dos estudiantes de la
TechnicalUniversity of Berlin: IngoRechenberg y Hans-Paul Schwefel y comenzaron
a utilizarse las estrategias evolutivas como representacin de las posibles soluciones

26

al problema, cadenas de nmeros reales y la mutacin como

nico operador

evolutivo.
Con base a lo anterior, la diferencia bsica entre los algoritmos genticos y las
estrategias evolutivas, est en sus dominios de aplicacin. Las estrategias evolutivas
surgieron como un mtodo de optimizacin numrica, mientras que los algoritmos
genticos fueron formulados como un mtodo de bsqueda de propsito general.
La mayor similitud entre ambos mtodos consiste en que los dos mantienen
poblaciones de soluciones potenciales y hacen uso del principio de la supervivencia
del ms apto, presente en la teora de la evolucin natural. Sin embargo, existen
diferencias entre estas aproximaciones:
1. La forma de representar los individuos es diferente, los algoritmos
genticos clsicos utilizan vectores de nmeros binarios, mientras que en las
estrategias evolutivas se emplean vectores de nmeros reales.
2. Tambin hay diferencias en los procedimientos de seleccin. Por un lado el
orden en que ocurren el proceso de seleccin y la aplicacin de los distintos
operadores: en los algoritmos genticos el proceso de seleccin es previo a la
aplicacin de los operadores genticos, mientras que en las estrategias evolutivas
ambos procesos ocurren, se selecciona el operador gentico y se prueba la solucionen
el orden inverso. Por otro lado, el proceso de seleccin es aleatorio en los algoritmos
genticos, dependiendo las probabilidades de seleccin de cada individuo de su
aptitud, o de su posicin en el ranking, mientras que es determinstico en las
estrategias evolutivas.
3. Los parmetros de la reproduccin (probabilidades de cruce y de mutacin)
permanecen constantes en los algoritmos genticos durante el proceso evolutivo,
mientras que cambian con el tiempo en las estrategias evolutivas.
En el caso particular de los algoritmos evolutivos, aparecen a finales de los
aos 50y fueron llevados a cabo por investigadores como Friedberg, Box y
Bremermann

entre

otros.

El

campo

permaneci

prcticamente

en

desconocimientodurante tres dcadas debido en parte a la ausencia de una

27

plataforma computacional poderosa y defectos metodolgicos de los primeros

mtodos (Fogel, 2004).
Estos algoritmos surgen porque la codificacin binaria utilizada por los
algoritmos genticos deja de comportarse de la forma deseada cuando se aplica a
problemas numricos multidimensionales de alta precisin. Por lo tanto, la utilizacin
de otro tipo de codificacin, empleando alfabetos ms amplios, se muestra ideal para
trabajar con este tipo de problemas. En una implementacin con nmeros reales, cada
cromosoma ser un vector con tantos nmerosreales como elementos tenga el vector
solucin.
La precisin en este tipo de codificacin depender de la maquina sobre la que
se implemente, pero normalmente ser mucho mayor que la de la representacin
binaria. Evidentemente, se podr ampliar la precisin de la representacin binaria,
aadiendo

ms

bits,

pero

costa

de

ralentizar

considerablemente

el

algoritmo.Adems, el hecho de emplear una codificacin que se acerca ms al

problema a resolver, facilita el diseo de operadores especiales, que incorporen un
conocimiento especfico de dicho problema.
Objetivos
Su principal objetivo es la busqueda de soluciones razonables en problemas
con espacios de busqueda extensos y no lineales. En terminos generales, la teora
Neo-Darwiniana de la evolucin natural postula que la diversidadde las especies
sobre el planeta puede ser explicada a travs de cuatro procesos:
Reproduccin: este proceso asegura que el material gentico ser heredado de
una generacina otra.
Mutacin: se presenta cuando existe un error de copiado de material gentico
de una generacina la siguiente.
Competicin: es un proceso natural, en el cual los organismos tienden a
enfrentarse continuamente para sobrevivir. Aquellos que sobrevivan podrn heredar
su material gentico a lasiguiente generacin.
28

Seleccin: en un ambiente en el que solo puede existir un nmero limitado de

individuos, losorganismos que compitan mejor por los recursos, podrn sobrevivir y
reproducirse.
La evolucin natural puede ser vista como un problema de optimizacin,
donde el objetivo esadaptar las especies a su medio ambiente. Debido a ello, no es
raro que se haya tomado inspiracinde la teora Neo-darwiniana para desarrollar
tcnicas que resuelvan problemas, en un principio deoptimizacin.
Hoy en da, los Algoritmos Evolutivos son muy populares en muchas
disciplinas, principalmente por presentardiversas ventajas en optimizacin con
respecto a tcnicas tradicionales. Algunas de las ventajas quepresentan losAlgoritmos
Evolutivos son:
Incorporar fcilmente conocimiento a priori del problema a resolver, aunque no
necesitan poseerlo.
Conceptualmente muy simples.
Tienen un amplio rango de aplicacin.
Explotar fcilmente arquitecturas paralelas.
Adaptar sus propios parmetros.
Son menos susceptibles a quedar atrapados en mnimos o mximos locales
Cooperar con otras tcnicas de optimizacin o bsqueda.
Elementos importantes en los Algoritmos Evolutivos:
1.

Manejo de restricciones.
Segn Coello (XXXX), un aspecto importante dentro de un algoritmo

evolutivo, es la forma de tratar lasviolaciones de las restricciones del problema,

puesto que dentro del espacio de bsqueda o desoluciones potenciales, se puede
distinguir entre individuos factibles que son aquellos quesatisfacen las restricciones, e

29

individuos no factibles, que son los que no las satisfacen. Por tanto, existen varias
formas de tratar el problema, entre las que destaca:
a.No permitir la presencia de cromosomas no factibles, eliminando de la
poblacin a aquellos cromosomas que no satisfagan las restricciones. Tiene el
inconveniente de eliminar posibles caminos para la convergencia, no permitiendo la
presencia en la poblacin de individuos que, si bien no cumplen las restricciones,
pueden contener genes con caractersticas beneficiosas que sern trasmitidas a la
descendencia durante la fase de reproduccin.
Adems, en algunos casos puede ocurrir que elalgoritmo no sea capaz de
obtener soluciones validas al problema, pues si estaspresentan una probabilidad de
ocurrencia baja, no se dispondr de una forma dehacer converger las soluciones hacia
regiones favorables del espacio de bsqueda.
b. Permitir la presencia en la poblacin de los cromosomas que infrinjan las
restricciones,pero asignndoles una penalizacin en la funcin de evaluacin.
Estemtodo soluciona los problemas mencionados en el punto anterior, presentandoa
cambio un incremento del coste computacional, ya que se puede perder muchotiempo
en evaluar soluciones no validas al problema. La forma habitual de aplicarla
penalizacin ser mediante la inclusin de un trmino aditivo en la funcin de
evaluacin. As la funcin de evaluacin f(x) original, se transformar en otrafuncin
de la formaF(x) = f(x) + Q(x)donde el termino Q(x) representa la penalizacin.
c. Disear esquemas de representacin y operadores especficos, de forma que
todaslas posibles soluciones al problema que se generen sean factibles. El problema
deeste mtodo es que no es de aplicacin general. El tipo de representacin y
losoperadores dependern del problema a resolver. Se deber comenzar generandouna
poblacin inicial de soluciones factibles.
d. Convertir la solucin no vlida en otra que lo sea, por medio de un
algoritmoreparador. Este mtodo tambin puede requerir un alto coste computacional
y ser fuertemente dependiente del problema particular a resolver. El buen
funcionamientode este mtodo depende de encontrar un procedimiento de
30

reparacinadecuada. Habr problemas en los que no resulte viable la reparacin de

solucionesno factibles.

2.

La seleccin de padres.
La seleccin de padres es fundamental dentro del proceso evolutivo,

eligindose enella los cromosomas que van a reproducirse y transmitir sus

caractersticas a la nuevageneracin. Existen distintas tcnicas de seleccin, mediante
las cuales aquellos miembrosde la poblacin ms aptos tendrn una probabilidad
mayor de ser seleccionados yreproducirse.
A la hora de disear el procedimiento de seleccin hay que llegar a una
situacinde compromiso entre lo que se llama la presin selectiva y la diversidad.
Una presinselectiva alta significa que los mejores cromosomas de la poblacin
tienen una probabilidadmuy alta de tener descendientes, mientras que para el resto de
los cromosomas laprobabilidad de descendencia es muy baja. Esto da lugar a que, en
pocas generaciones,la poblacin se vuelva muy homognea y con poca diversidad,
dando lugar en muchos casos a una convergencia hacia ptimos locales alejados del
mejoroptimo global.A continuacin se describen los dos mtodos de seleccin ms
empleados.
Mtodo de la ruleta: Consiste bsicamente en lo siguiente:
1.

Se suman los ndices de aptitud de todos los miembros de la poblacin,

llamandoal resultado aptitud total.

2.

Se genera n, un nmero real aleatorio comprendido entre 0 y la aptitud total.

3.

Se selecciona el primer miembro de la poblacin cuya aptitud, aadida a

lasaptitudes de los miembros precedentes de la poblacin sea mayor o igual que n.

4.

Se repite el procedimiento desde el paso 2, hasta obtener el nmero de

padresdeseados.

31

Si bien se trata de una tcnica aleatoria, la probabilidad que tiene cada

miembrode la poblacin de ser elegido es directamente proporcional a su ndice de
aptitud. Alaplicar este procedimiento durante varias generaciones, se irn eliminando
el carcter msticas de los cromosomas menos aptos, permaneciendo el material
gentico de aquellosmiembros de la poblacin con una aptitud mayor.
El mtodo del torneo o concurso: Este mtodo tiene una implementacin
ms simple que el de la ruleta y al no estarbasado directamente en las aptitudes, no
presenta los problemas que se han comentadode aquel. El procedimiento es el
siguiente:
1.

Se elige de forma aleatoria un nmero de concursantes de entre los

cromosomasque componen la poblacin.

2.

Se selecciona como padre al ms apto de todos los concursantes.

3.

Se vuelve al paso 1 hasta completar la poblacin de padres.

3.

Operadores genticos.
Los operadores genticos son los encargados de obtener los descendientes a

partirde los cromosomas padres. Generalmente, cada operador gentico tendr

asignado unparmetro con el valor de la probabilidad de ser utilizado. Suponiendo
que PC es laprobabilidad de un determinado operador de cruce y N el tamao de la
poblacin, elnmero esperado de cromosomas que sufrirn cruce ser PC _ N. Para
cada cromosomade la poblacin se generar un nmero aleatorio 0 _ r _ 1, si r < pc el
cromosomasufrir cruce.
Los operadores genticos pueden aplicarse sobre los cromosomas de forma
conjunta(aplicando primero el operador de cruce y luego, sobre los cromosomas
resultantes,el operador de mutacin), o de forma independiente (decidiendo de alguna
forma queoperador aplicar sobre un cromosoma y aplicar nicamente ese). La
aplicacin porseparado presenta alguna ventaja: por un lado, el procedimiento ser
ms simple, alno tener que aplicar el operador de mutacin a los cromosomas sobre
32

los que ya se haaplicado el de cruce. Por otro lado y como ventaja fundamental, es
ms fcil ampliar lalista de operadores genticos, sobre todo cuando no se emplea la
codificacin binaria delos cromosomas, pudindose aadir sin dificultad nuevos
operadores dependientes delproblema.
Como ya se ha mencionado anteriormente, los operadores habituales son las
mutacionesy los cruces, existiendo mltiples variantes de ambos en el caso de los
algoritmosevolutivos. Para muchos investigadores, la mutacin ha sido una forma
deintroducir diversidad en la poblacin, mientras que el cruce era el autntico
caballode batalla, una tcnica que acta rpidamente para combinar lo que es bueno
en laPoblacin inicial, y que contina funcionando mientras el algoritmo se ejecuta,
comomenciona Davis (AO). A continuacin se describen un amplio conjunto de
operadores.
Cruce en un punto: El operador de cruce en un punto es aplicable tanto a
cromosomas con codificacinbinaria, como a aquellos codificados en forma de
vectores de nmeros reales. Trabajade la siguiente forma:
1.

Se seleccionan dos padres de la poblacin.

2.

Se obtiene, de forma aleatoria, un nmero entero comprendido entre 1 y la

longituddel cromosoma menos 1.

3.

Se intercambian los genes de los cromosomas padres situados en las

posicionessiguientes al nmero aleatorio obtenido en el paso anterior. Los

cromosomas obtenidossern los cromosomas hijos.
Cruce uniforme: Es aplicable tanto a cromosomas con adecuacin binaria,
como a aquellos codificados en forma de vectores de nmeros reales.Trabaja de la
siguiente forma:
1.

Se seleccionan dos padres de la poblacin.

2.

Se obtienen, de forma aleatoria, varios nmeros enteros entre 1 y la longitud

delcromosoma.
33

3.

Se intercambian los genes de los cromosomas padres situados en las

posiciones delos nmeros aleatorios obtenidos en el paso anterior. Los cromosomas

obtenidossern los cromosomas hijos.
Cruce

aritmtico:

Es

tpico

en

los

programas

que

utilizan

cromosomascodificados en forma de vectores de nmeros reales, y no es aplicable a

las cadenas debits. Funciona de la siguiente forma:
Sean C1 y C2 dos vectores de nmeros reales cromosomas y a un nmero
realtal que a < 1. Los cromosomas hijos se obtendrn a partir de los padres de la
siguienteforma:
H1 = a _ C1 + (1 a) _ C2
Para obtener un segundo hijo se puede hacer:
H2 = (1 a) _ C1 + a _ C2
En un espacio de bsqueda convexo, este operador asegura que si los
cromosomaspadres pertenecen a dicho espacio, los cromosomas hijos tambin lo
harn. Por otrolado, se deduce fcilmente que para valores de a prximos a 1 o
prximos a 0, lo quehace el algoritmo es explorar las vecindades de los cromosomas
padres.
Con la introduccin de este operador en el algoritmo surge la necesidad de
asignarun valor al parmetro a. Para determinar un valor adecuado para este
parmetro habrque realizar un estudio sobre la forma en que afecta su valor al
algoritmo. Una posiblealternativa a esto es hacer que a sea un nmero aleatorio
comprendido entre 0 y 1,obtenido cada vez que se vaya a aplicar el operador.
Cruce heurstico: Es slo aplicablea los algoritmos con cromosomas
codificados en forma de vectores de nmeros reales.Funciona de la siguiente forma:
Sean C1 y C2 dos vectores de nmeros reales (cromosomas) y r un
nmeroaleatorio comprendido entre 0 y 1. Los cromosomas hijos se obtendrn a
partir delos padres de la siguiente forma:
34

H = r _ (C2 C1) + C2
Siendo C2 al menos igual de apto que C1.
Mutacin aleatoria: La mutacin es una de las formas de aportar diversidad a
la poblacin, permitiendo laexploracin de nuevas regiones del espacio de
bsqueda.Este operador es aplicable tanto a cadenas de bits como a vectores de
nmeros reales.
En el caso de la codificacin binaria el proceso consiste en reemplazar
algunos de losgenes de forma aleatoria hacindolos igual a 1 si su valor original era 0
y viceversa. Porotro lado, en el caso de la codificacin en forma de nmeros reales, el
procedimientoconsiste en seleccionar de forma aleatoria los genes a cambiar y
asignarles un nuevovalor tambin aleatoriamente.La probabilidad de que se produzca
mutacin suele establecerse como bastantemenor que la probabilidad de que se
produzca cruce.
Mutacin no uniforme: El operador de mutacin no uniforme es slo
aplicable a los algoritmos con cromosomascodificados en forma de vectores de
nmeros reales. Mediante este operador se persigue el ajuste no de las soluciones al
problema. Se trata de una mutacin aditiva,mediante la cual al valor de algn gen del
cromosoma padre se le suma o restaun valor previamente determinado. Dicho valor
determinado depender del nmero degeneraciones producidas hasta ese momento.
Sean C1 = fx1; _ _ _ ;xmg un cromosoma y t el nmero de generaciones
producidas.Se selecciona xk para esta mutacin; el resultado de aplicar el presente
operador ser:
H = fx1; _ _ _ ; x0k; _ _ _ ; xmg, donde x0 k = (xk + _(t;UB xk) si un
digito obtenido aleatoriamente es 0 xk _(t; xk LB) si un dgito obtenido
aleatoriamente es 1y LB y UB son los lmites inferior y superior del dominio de la
variable ak. La funcin(t; y) devuelve un valor en el rango [0; y], tal que la
probabilidad de que _(t; y) seaproxime a cero aumenta cuando t aumenta. Esta

35

propiedad hace que el operadorbusque en el espacio de bsqueda: uniformemente al

principio y localmente en etapas.
Una posible funcin es la indicada en Michalewicz (XXXX):_(t; y) = y _ r
__1 tT_b(1.1)siendo r un nmero real aleatorio comprendido entre 0 y 1, T
el nmero total de generacionesa obtener, y b un parmetro del sistema que determina
el grado de dependenciacon el nmero de generaciones.
4.

La nueva generacin.
Una de las caractersticas interesantes de los algoritmos evolutivos en la

resolucinde problemas de optimizacin, es la de trabajar simultneamente con varias

soluciones,lo que permite explorar a la vez zonas diferentes del espacio de soluciones
potenciales,y evitar que el algoritmo converja hacia un ptimo local. Sin embargo, la
limitacin detener que trabajar con poblaciones finitas atena el efecto anterior, por lo
que podrllegar a producirse la convergencia comentada hacia un ptimo local.
Para evitar este fenmeno se deben potenciar medidas que favorezcan la
diversidaden la nueva poblacin. Al respecto (Autor, XXXXXX), establece que una
medida quese ha mostrado eficaz, mejorando la respuesta de los algoritmos genticos
como optimizadoresglobales, es la de incluir en cada nueva generacin un pequeo
nmero deinmigrantes totalmente aleatorios.
Por otro lado, ser tambin importante al crear una nueva generacin,
ladeterminacinde los cromosomas que deben morir y no pasar a formar parte de la
nuevapoblacin. Cuando ha tenido lugar la reproduccin, y se ha creado una nueva
generacin, surge la necesidad de eliminar los cromosomas que sobran en funcin del
tamaode la poblacin deseado. Existen varias formas de hacerlo y no se puede decir,
de formageneral, que una sea mejor que las dems, pues esto va a depender de las
caractersticasdel problema.
Una forma tpica de seleccin es la conocida como (_ + _) en la que los padres
y

descendientes, compiten por sobrevivir pero slo los mejores pasan a

formarpartede la nueva poblacin. Esta tcnica presenta una gran presin selectiva,
36

por lo que en general, noser adecuada en problemas con gran nmero de ptimos
locales. Se dice que es elitista,por haber cromosomas que permanecen en la poblacin
generacin tras generacin.
Otra forma de seleccin es la conocida como generacional o (_; _), en ella los
descendientes, una vezproducidos, sustituyen completamente a los padres. Esta
tcnica presenta una menorpresin selectiva y muestra un comportamiento mejor en
el caso de mltiples ptimoslocales. Se puede hacer elitista si se mantiene al mejor de
los cromosomas de generacinen generacin, evitando la prdida de buenas
soluciones al problema que, de otro modo,podrn no volver a obtenerse. Una solucin
intermedia ser guardar estas buenassoluciones, pero fuera de la poblacin, de forma
que no afecten al comportamiento delalgoritmo.
Tambin ser importante evitar la creacin de mltiples copias de un
cromosomaen la poblacin. Las mltiples copias de supercromosomas en la
poblacin, dan lugar aun incremento no deseado de la presin selectiva.
Pasos de la Metodologa Algoritmos Evolutivos

1.

La poblacin inicial. Los cromosomas.

El primer paso del algoritmo evolutivo ser la creacin de los cromosomas

quecompondrn la poblacin inicial, la cual estar formada por un conjunto de N

cromosomascreando un conjunto de vectores cuyos elementossern nmeros
obtenidos aleatoriamente y que representarn posibles soluciones al problema,
codificadas de una forma til para el algoritmo P(0) = fxo 1; _ _ _ ; xoNg.
El tamao de la poblacin es un parmetro importante. Un tamao
demasiadopequeo traer consigo una convergencia demasiado rpida y que esta se
produzca hacia un ptimo local, mientras que un tamao demasiado grande requerir
un enormecoste computacional.Los cromosomas debern contener lainformacin
correspondiente a todas las incgnitas del problema, teniendo asociadoun nmero de
genes del cromosoma dependiendo de la precisin deseada.
37

La funcin de evaluacin, funcin de aptitud o funcin de adecuacin

(Fitness) juega el mismo papel queel entorno en la evolucin natural, con la cual se
obtiene unamedida de lo adecuadas que son las distintas soluciones al problema. En
el diseo de la funcin de evaluacin se requerirn conocimientos especficosdel
problema a resolver y ser la funcin a optimizar por medio del algoritmo.
2. Evaluar adecuacin: Consiste en evaluar adecuacin de cada uno de los individuos
de la poblacin actual Pi.
3.

Condiciones de finalizacin del algoritmo.

Las condiciones de finalizacindeterminan cuando debe concluir la bsqueda

porparte del algoritmo. En muchas ocasiones, las condiciones se reducen a un nmero

degeneraciones, en cuyo caso el algoritmo concluir tras haberse alcanzado dicho
nmero.
Otros mtodos tratan de comprobar si se ha producido la convergencia hacia
la solucin ptima, analizando el algoritmo cuando las posibilidades de que se
produzca unamejora sean muy pequeas. Estos mtodos requerirn ms recursos
computacionales.
Tambin puede emplearse un mtodo interactivo, en el que el usuario
compruebela evolucin del algoritmo tras un nmero de generaciones y decida si
debe seguirejecutndose por haber posibilidad de nuevas mejoras. Este mtodo
requerir almacenarel estado del algoritmo, para queeste pueda continuar desde el
punto en el que seprodujo la parada.
4.

Generar siguiente poblacin.Asignacin de valores a los parmetros del

algoritmo.
Algunos autores han investigado la influencia de ciertos parmetros en el

funcionamientodel algoritmo, habindose estudiado cmo afectan el tamao de la

poblacin ylas probabilidades de ocurrencia de los distintos operadores.Es por ello,
38

que no parecen existir valores de aplicacin general, sino que estos son dependientes
del problema a resolver. Aun as, coincidenen utilizar tamaos de poblacin en torno
a los 100 cromosomas, valores altos de lasprobabilidades de cruce y valores bajos de
las probabilidades de mutacin.
5.

Reemplazar:Consiste en reemplazar la poblacin Pi por Pi+1 y volver al paso 2.

Tabla N. XX: Pasos de la Metodologa Algoritmos Evolutivos

PASOS
1. Inicio
2. Evaluar adecuacin.
3. Condicin de parada

4. Generar siguiente
poblacin

5. Reemplazar:

PROCEDIMIENTOS
Generar una poblacin inicial P0 aleatoria de n
individuos
Evaluar adecuacin de cada uno de los individuos de
la poblacin actual Pi.
Verificar si se cumplen las condiciones para detenerla
ejecucin del algoritmo. En caso de cumplirse, parar
la ejecucin y devolver la mejor solucin encontrada.
En caso contrario, ir al punto 4.
Seleccionar: Seleccionar dos individuos, x e y, de la
poblacin actual Pi en funcin del valor de la
adecuacin y de una funcin de probabilidad.
Cruce: Aplicar el operador de cruce a x e y, con
probabilidad preestablecida, para generar los nuevos
individuos x0 e y0.
Mutacin: Aplicar el operador de mutacin a x0 e y0
con probabilidad preestablecida.
Aadir: Aadir los nuevos individuos x0 e y0
(representando las mutaciones x0 e y0respectivamente)
a la poblacin Pi+1.
Iterar: Volver al paso (a) hasta completar la poblacin
Pi+1 con n individuos.
Reemplazar la poblacin Pi por Pi+1 y volver al paso
2.

39

METODOLOGA

El proyecto contempla el estudio de datos experimentales obtenidos de

resultados de los anlisis realizados a la Biomasa (Detalles de los datos)a los cuales
se les aplic la Metodologa de Superficie de Respuesta obteniendo el modelo
matemtico que explica la situacin en estudio y a partir de los cuales, se aplicara la
metodologa de Algoritmo Evolutivo, con el fin de encontrar los verdaderos factores
a consideran en la optimizacin del proceso bajo estudio.
Las fases en las cuales se desarrollar el proyecto se mencionan a
continuacin:
I Fase: Revisin Documental: Contempla la revisin exhaustiva de
informacin por diferentes medios (libros, revistas, artculos en formato fsico y
digital) para describir la metodologa de superficies de respuesta como estrategia de
optimizacin de procesos y definir las caractersticas de los algoritmos evolutivos y
su aplicacin en la optimizacin de procesos.
II Fase: Planificacin de la etapa experimental: Consiste en analizar la
optimizacin de procesos a travs de la aplicacin de las metodologas de superficies
de respuesta y algoritmos evolutivos en cuanto a la combinacin terica y prctica, la
seleccin de datos, seleccin del software, diseo de pruebas y aplicacin.
III Fase: Anlisis de Resultados:Consiste en la interpretacin de los
resultados de la aplicacin de las metodologas en estudio a los datos experimentales
con la finalidad de emitir conclusiones y recomendaciones de acuerdo a la realidad
estudiada.

40

POSIBLES RESULTADOS
Al aplicar las metodologas Superficie de Respuesta y Algoritmos Evolutivos
para optimizar los datos de la Biomasa(detalles de los datos )se pretende obtener una
superficie optimizada de forma ms eficiente, porque en los procesos de seleccin de
variables existir menor intervencin humana, lo que permitir estandarizar los
procedimientos a cualquier tipo de problema y brindar al investigador una alternativa
de solucin eficiente en la optimizacin de procesos al poder extraer lo mejor de cada
metodologa en estudio.

41

REFERENCIAS
Back y Col.(2000). Hand-book of Evolutionary Computation, Oxford University
Press.
Caanao, P. y Otros (2013). Caracterizacin algoritmo evolutivo en los problemas
reales de los parmetros de optimizacin. Applied Soft Computing 13 (2013)
19021921. Contents lists available at SciVerseScienceDirect. Applied Soft
Computing Journa l ho me p age: www.elsevier.com/l ocate/asoc.
Chacn (1994). Diseo y Anlisis de Experimentos para generar Superficies de
Respuesta. Trabajo de Ascenso. Maracay, Venezuela. Facultad de Agronoma.
Universidad Central de Venezuela. 348 p.
Fogel, G. B.; Weekes, D. G.; Sampath, R., and Ecker, D. J.: Parameter optimization of
an evolutionary algorithm for RNA structure discovery. Congress on
Evolutionary Computation, 2004. CEC2004, Vol. 1, pp607- 613, June 2004.
Gutirrez y Col. (2004).Anlisis y Diseos de Experimentos. Ediorial McGraw Hill.
Interamericana. Mxico
Hernndez, R., Fernndez, C., y Baptista, P. (2007). Metodologa de la Investigacin.
(4 ed.). Mxico: McGraw-Hill.
Holland, J.H. (1992), Genetic Algorithms, Scientific American, 267, 66.
Kendall, M. y Buckland, W.1980. Diccionario de Estadstica. Ed. Pirmide.
Marchitana (2010). Modeling and optimization of tartaric acid reactive extraction
from aqueous solutions: A comparison between response surface methodology and
artificial neural network. Contents lists available at ScienceDirect. Separation and
Purification Technology journal homepage: www.elsevier.com/locate/seppur
Mart (2000), MultiStart Methods, in State of the Art Handbook on MetaHeuristics,
F. Glover and G. Kochenberger (Eds.), Kluwer, forthcoming.
Montgomery (1991), Diseo y Anlisis de Experimentos, Grupo Editorial
Iberoamrica, Mxico.
Montgomery (2002). Response Surface Methodology: process and product
optimization using designed experiments. John Wiley and Sons

42

Ningchuan (2008). Un marcoconceptual para lagrficaunificada Optimizacin delUso

deAlgoritmosEvolutivos. Department of Geography, The Ohio State University.
Annals of the Association of American Geographers, 98(4) 2008, pp. 795817 C
_ 2008 by Association of American Geographers Initial submission, November
2006; revised submission, July 2007; final acceptance, October 2007 Published
by Taylor & Francis, LLC.
zgr (2008).Stochastics and Statistics Modelling and optimization of average travel
time for a metro line by simulation and response surface methodology.
Pla, L. 1986. Superficies de Respuestas. Serie Matemtica. Monografa N 31.
Editorial Secretaria General de la Organizacin de los Estados Americanos,
Washington D.C.

43