Metodología para La Optimización

Departamento de Diseo en la Ingeniera
TESIS DOCTORAL
para la obtencin del ttulo de
Doctor por la Universidad de Vigo
METODOLOGA PARA LA OPTIMIZACIN

DEL DISEO DE DISTRIBUCIONES EN
PLANTAS INDUSTRIALES
presentada por:
JOS CARLOS TRONCOSO SARACHO
Director de tesis
Dr. JOS POSE BLANCO
Vigo, septiembre de 2015

Derechos
Metodologa para la Optimizacin del Diseo de Distribuciones en Plantas Industriales.

D. Jos Carlos Troncoso Saracho. Dpto. Diseo en la Ingeniera. Universidade de Vigo.
Jos Carlos Troncoso Saracho, 2003 - 2015
Edicin: TRONCOSOFT
Jos Carlos Troncoso Saracho
C/ Marqus de Valterra 41A 1B
36202 Vigo (Pontevedra)
Reservados todos los derechos.

Ninguna parte de este documento podr ser reproducido, almacenado en un sistema documental o
informtico, ni transmitido en formato alguno ni por medios electrnicos, mecnicos, qumicos, electro-
pticos, fotocopias, grabaciones o cualquiera otro medio, ni total ni parcialmente, sin el previo permiso
escrito del autor-editor. La infraccin de los derechos mencionados puede ser constitutiva de delito
contra la propiedad intelectual (arts. 270 y sgts. del Cdigo Penal vigente).
Departamento de Diseo en la Ingeniera
TESIS DOCTORAL
METODOLOGA PARA LA OPTIMIZACIN DEL

DISEO DE DISTRIBUCIONES EN PLANTAS
INDUSTRIALES
presentada por
JOS CARLOS TRONCOSO SARACHO
para optar al ttulo de

DOCTOR POR LA UNIVERSIDAD DE VIGO
Director de tesis
Dr. JOS POSE BLANCO
Vigo, septiembre de 2015

Autorizacin
Dr. Jos Pose Blanco, Catedrtico de Escuela Universitaria del

Departamento de Diseo en la Ingeniera de la Universidad de Vigo.
CERTIFICA:
Que la presente tesis doctoral titulada METODOLOGA PARA LA
OPTIMIZACIN DEL DISEO DE DISTRIBUCIONES EN PLANTAS
INDUSTRIALES, presentada por Jos Carlos Troncoso Saracho, Ingeniero en
Organizacin Industrial, ha sido realizada bajo mi direccin, contiene material
original y suficiente y rene las condiciones de forma exigida, por lo que autorizo
su admisin a trmite para su lectura y defensa con el fin de obtener el grado de
doctor.
Para que as conste y surta los efectos oportunos, firmo la presente en
Vigo, a 21 de septiembre de 2015
Fdo: Dr. Jos Pose Blanco

Firma
Don Jos Carlos Troncoso Saracho, doctorando de la Universidad de Vigo,
hace constar que esta tesis titulada METODOLOGA PARA LA
OPTIMIZACIN DEL DISEO DE DISTRIBUCIONES EN PLANTAS
INDUSTRIALES ha sido realizada en la Universidad de Vigo, en la Escuela de
Ingeniera Industrial (E.E.I.)
Se ha realizado en el departamento de Diseo en la Ingeniera, dentro del
programa de doctorado Ingeniera de Diseo y Fabricacin, bajo la direccin del
Dr. Jos Pose Blanco.
En Vigo, septiembre de 2015
Fdo: Jos Carlos Troncoso Saracho

La lnea consta de un nmero infinito de puntos;
el plano de un nmero infinito de lneas;
el volumen, de un nmero infinito de planos;
el hipervolumen, de un nmero infinito de volmenes...
No, decididamente no es ste, more geomtrico,
el mejor modo de iniciar mi relato.
El libro de arena.
Jorge Luis Borges (1899-1986), escritor argetino.
Dedicado a mi madre, por su saber esperar,

a mi hermano Angel Luis, porque lo sabr y
no lo entender
y a Lupe, por lo que ha sido, por lo que es y
por lo que ser...
AGRADECIMIENTOS
De gente bien nacida es agradecer los beneficios que reciben, y uno de los
pecados que ms a Dios ofende es la ingratitud.
...
alz don Quijote la voz, y dijo:
- Entre los pecados mayores que los hombres cometen, aunque algunos
dicen que es la soberbia, yo digo que es el desagradecimiento, atenindome a
lo que suele decirse: que de los desagradecidos est lleno el infierno.
Miguel de Cervantes Saavedra (1547-1616),
El Ingenioso Hidalgo Don Quijote de la Mancha
Hay quien dice que reconocer a quien nos ayuda nos hace ms humanos y personas
mejores y como reza el refranero espaol de bien nacidos es ser agradecidos , por ello
no querra dejar pasar esta ocasin sin expresar mi agradecimiento a las personas que, de
una u otra forma, colaboraron para hacer posible la realizacin de este trabajo, rogando, en
todo caso, que me sepan perdonar las inevitables omisiones que pudieran producirse.
Al profesor Dr, Jos Pose Blanco, director de esta Tesis, que ha confiado en mi y que
con infinita paciencia, me ha espoleado y orientado a lo largo de todas las fases de esta
investigacin y en la posterior redaccin de este documento.
A los profesores Dr. Antonio Gmez Barbeito y Dr. Jos Luis Gonzalez Cespn, de la
Universidad de Vigo, por sus visitas, buenos consejos y reiteradas preguntas de: cmo
llevas eso ? Que han ido empujando este barco al agua, especialmnte cuando ms
ampantanado estaba.
Al profesor, y gran amigo, D. Jos Antonio Alonso Rodrguez, por su desinteresada
e inestimable colaboracin en todo momento, y por todas esas fructferas discusiones que
han dado importantes empujones a la investigacin en los momentos ms aciagos.
A mis alumnos y profesores, por todo lo que me han enseado tanto unos como
otros porque con sus exigencias me han ayudado a ser lo que soy y me han obligado a
aumentar, en lo humanamente posible, mi nivel de exigencia personal.
A todos los compaeros, profesores y PAS, del Departamento de Diseo en la
Ingeniera, al que me siento orgulloso de pertenecer, as como a la Universidad de Vigo,
como institucin, por su colaboracin siempre que ha sido necesaria.
Al conjunto de correctores, doctores profesores de Universidades (nacionales e
internacionales), a los que he recurrido, y, en muchos casos, abusado de su buena
disposicin, para recabar informacin y, lo que es ms importante, su opinin personal sobre
el trabajo realizado y sobre este documento.
Al personal de las distintas bibliotecas, en las que he trabajado y buscado
documentacin, pimero por aguantarme y, segundo y ms importante, por su colaboracin y
facilidades prestadas a la hora de conseguir y revisar las distintas referencias bibliogrficas.
A los muchos investigadores que me han precedido y han trabajado duramente en el
campo de los algoritmos heuristicos aplicados a las distribuciones en plantas industriales
por ensearme el camino y cmo no? a los que pudieran continuar ste en el futuro.
Y, finalmente, a los innumerables annimos que de alguna forma han contribuido a la
realizacin y finalizacin de este trabajo.
Alicia se ri: no tiene sentido intentarlo, dijo;
no se puede creer en cosas imposibles.
Yo ms bien dira que es cuestin de prctica dijo la Reina.
Cuando yo era joven, practicaba todos los das durante media hora.
Muchas veces llegu a creer en seis cosas imposibles antes del desayuno.
Lewis Carroll (1832-1898)
-seudnimo de Charles Lutwidge Dodgson-,
en Alicia en el pas de las maravillas.
RESUMEN
RESUMEN
Las decisiones que tomamos satisfacen, no optimizan!
Herbert A. Simon (1916-2001),
Economista Estadounidense. Premio Nobel de Economa en 1978.
Este trabajo de investigacin tiene como principal objetivo presentar

algunos procedimientos operativos para facilitar la resolucin de problemas de
distribucin en planta de instalaciones industriales, de modo que instalaciones no
adyacentes estn enlazadas por pasillos. Los datos de entrada considerados por el
problema son principalmente: la matriz de flujos, las reas de las instalaciones y las
respectivas razones de forma. Los modelos que describen el problema y los
mtodos existentes en la literatura para su solucin, se presentan en la revisin
bibliogrfica.
De la revisin bibliogfica se extrae que aunque las tcnicas de diseo de

distribuciones en planta han evolucionado a lo largo de los aos, el cambio de los
sistemas productivos, pasando de sistemas de produccin en masa a sistemas de
produccin centrados en las necesidades de los clientes, y la incorporacin de
nuevas tecnologas, hacen necesario que los proyectistas de distribuciones en planta
tengan que incorporar herramientas simulacin de eventos discretos, de diseo
asistidas por ordenador y la simulacin humana para optimizar el diseo de nuevas
distribuciones en planta que satisfagan las demandas impuestas por las nuevas
formas de organizar y gestionar la produccin.
Por este motivo se ha abordado como principal objetivo de este trabajo de

investigacin el estudio de la integracin de tcnicas y herramientas de distribucin
en planta desarrolladas hasta la actualidad con herramientas de diseo y simulacin
asistida por ordenador para optimizar el diseo nuevas distribuciones en planta en
proyecto de instalaciones industriales.
El modelo propuesto, considera tres etapas distintas. En la primera etapa, a

travs del mtodo de anlisis multivariante, se genera una estructura de rbol que
pretende situar las instalaciones de tal modo que se mantengan ms prximas
aquellas que presentan mayor flujo entre s. En la segunda etapa, se pretende, con la
ABSTRACT
What is understood need not be discussed.

Loren Adams (1945 - ),
Pintor Norteamericano.
This work has as main objective to present some operational procedures to

facilitate the resolution of distribution problems in plant of industrial facilities, so
that no adjacent facilities are linked by corridors. The input data for the problem
considered are mainly: the matrix of flows, areas of facilities and the respective
procedural grounds. The models describing the problem and methods in the
literature for their solution are presented in the bibliographical review.
The technical developments of plant layout have evolved over the years
trying to cope with the new demands imposed by new technologies and ways of
organizing production. New technologies will eventually be incorporated into the
tools of the designer of plant layout and discrete event simulation, design tools for
computer (CAD) and human-assisted simulation. Thus new tools that facilitate the
quantitative comparison of the possible solutions found and help the final decisions
should be created. The trend of change in production systems, from mass
production systems to production systems focused on the needs of customers,
expands the importance given to industrial facilities projects, largely because of the
strategy devised for production materialized through the implanted distribution
plant.
For this reason it has been addressed the main objective of this work to see
the possibility (feasibility) to integrate development tools plant distribution with
CAD simulation tools, trying to create a method for treating industrial plant
installation.
The method developed in its three computational tools, enables the
development of industrial facilities projects by multidisciplinary teams. Plus the
ability to support development activities, the method allows better communication
between project team members, and the proper recording of results.
The finally proposed model considers three distinct stages. In the first stage,
through the multivariate analysis method, a tree structure, which aims to place the
facilities so that they stay closer those having greater flow together is generated. In
ABSTRACT
What is understood need not be discussed.

Loren Adams (1945 - ),
Pintor Norteamericano.
This work has as main objective to present some operational procedures to

facilitate the resolution of distribution problems in plant of industrial facilities, so
that no adjacent facilities are linked by corridors. The input data for the problem
considered are mainly: the matrix of flows, areas of facilities and the respective
procedural grounds. The models describing the problem and methods in the
literature for their solution are presented in the bibliographical review.
The technical developments of plant layout have evolved over the years
trying to cope with the new demands imposed by new technologies and ways of
organizing production. New technologies will eventually be incorporated into the
tools of the designer of plant layout and discrete event simulation, design tools for
computer (CAD) and human-assisted simulation. Thus new tools that facilitate the
quantitative comparison of the possible solutions found and help the final decisions
should be created. The trend of change in production systems, from mass
production systems to production systems focused on the needs of customers,
expands the importance given to industrial facilities projects, largely because of the
strategy devised for production materialized through the implanted distribution
plant.
For this reason it has been addressed the main objective of this work to see
the possibility (feasibility) to integrate development tools plant distribution with
CAD simulation tools, trying to create a method for treating industrial plant
installation.
The method developed in its three computational tools, enables the
development of industrial facilities projects by multidisciplinary teams. Plus the
ability to support development activities, the method allows better communication
between project team members, and the proper recording of results.
The finally proposed model considers three distinct stages. In the first stage,
through the multivariate analysis method, a tree structure, which aims to place the
facilities so that they stay closer those having greater flow together is generated. In
utilizacin de un algoritmo gentico, determinar el rbol de corte, que minimiza el
momento de transporte entre instalaciones y maximiza el cumplimiento de la razn
de forma de las mismas. En la tercera y ltima etapa, a partir de una distribucin en
planta sin pasillos, obtenida con la aplicacin de las dos etapas anteriores, se hacen
los ajustes necesarios para la introduccin de los pasillos, a fin de interrelacionar
instalaciones no adyacentes, manteniendo el momento de transporte lo menor
posible.
De la aplicacin del mtodo desarrollado a diversos problemas propuestos
en la literatura se observa una mejora de los resultados obtenidos y de la
comunicacin entre los elementos del equipo de proyecto, as como de un
adecuado registro de los resultados obtenidos.
A lo largo de la realizacin del trabajo de investigacin se deja constancia
de que la lnea de trabajo propuesta para integrar las tcnicas algortmicas ya
existentes, con las tcnicas asistidas por ordenador actualmente disponibles (pero
no utilizadas directamente para resolver los problemas de distribucin en planta),
constituye una nueva alternativa para conseguir que todos los esfuerzos que se han
realizado, y se siguen realizando, para solucionar le problema de la distribucin en
planta desemboquen en aplicaciones ms crebles y que puedan ser
implementadas por los tcnicos responsables.
Palabras Clave: Distribucin en Planta, Instalaciones Industriales, Diseo

Aasistido por Ordenador, Algoritmos Genticos, Interrelaciones de Instalaciones.
PUBLICACIONES
Viendo lo que todo el mundo ve,
leyendo lo que todo el mundo lee,
oyendo lo que todo el mundo oye,
innovar es realizar lo que nadie ha imaginado,
todava ...
Patricio Morcillo Ortega
Catedrtico de Organizacin de Empresas de la UAM.
Director del IDAE.
Basadas en algunos de los trabajos realizados para la investigacin de este

trabajo, han sido presentadas comunicaciones en distintos congresos y foros
internacionales, con el objeto de dar divulgacin a algunos de los resultados de las
investigaciones realizadas y permitir contrastar opiniones con algunos de los
mximos expertos nacionales e internacionales en el tema que nos atae.
Se citan, a continuacin, algunas de las publicaciones fimadas por el autor

del presente trabajo, junto con algunos de sus compaeros y colaborradores, que
han sido presentadas con algunos de los contenidos sealados en este documento.
q Ponencia con Comunicacin Oral y Publicacin de Resumen en el "VIII

CONGRESO INTERNACIONAL DE INGENIERIA DE
PROYECTOS", celebrado en Bilbao los das 6, 7 y 8 de Octubre de 2004,
sobre "MODELO PARA LA RESOLUCIN DEL PROBLEMA DE LA
OPTIMIZACIN DE LAS DISTRIBUCIONES EN PLANTA DE
INSTALACIONES INDUSTRIALES. Autores: Troncoso Saracho, Jos C.;
Alonso Rodrguez, Jos A.; Pose Blanco, Jos. ISBN: 84-95809-22-2.
q Ponencia con Comunicacin Oral y Publicacin del Resumen en el

"CONGRESO CONJUNTO: XVII CONGRESO INTERNACIONAL
DE INGENIERIA GRAFICA XV AMD", celebrado en Sevilla los das
1, 2 y 3 de Junio de 2005, sobre "PROCEDIMIENTO PARA RESOLUCION
DEL PROBLEMA DE LAS DISTRIBUCIONES DE INSTALACIONES EN
PLANTAS INDUSTRIALES, Autores: Troncoso Saracho, Jos C.; Alonso
Rodrguez, Jos A.; Gonzlez Cespn, J. Luis; Pose Blanco, J. ISBN: 84-
95475-39-1.
q Citacion de Artculo en revista Virtual PRO, especializada en Procesos

Industriales, en Monogrfico sobre Distribuciones en Planta.
"PROCEDIMIENTO PARA RESOLUCION DEL PROBLEMA DE LAS
DISTRIBUCIONES DE INSTALACIONES EN PLANTAS INDUSTRIALES
(Methodology for Problem Solving Industrial Plants Layout), Autores:
Troncoso Saracho, Jos C.; Alonso Rodrguez, Jos A.; Gonzlez Cespn, J.
Luis; Pose Blanco, J.; Nmero 113, Junio 2011. Pag. 17. ISSN: 19006241
SUMARIO
METODOLOGIA PARA LA OPTIMIZACIN DEL DISEO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES.
INDICE
CAPTULO - 1
1. INTRODUCCIN 3
1.1. CONSIDERACIONES GENERALES. 4
1.2. HIPOTESIS. .. 13
1.3. OBJETIVOS. ... 13
1.3.1. Objetivo general. .. 13
1.3.2. Objetivos especficos. 14
1.4. LIMITACIONES. .. 15
1.5. IMPORTANCIA DEL TRABAJO. .. 16
1.6. CONSIDERACIONES SOBRE EL TRABAJO. .... 18
1.7. ESTRUCTURA DEL TRABAJO. .. 20
CAPTULO - 2
2. EL PROBLEMA DE DISTRIBUCIN EN PLANTA 25
2.1. CONSIDERACIONES INICIALES. 25
2.2. CARACTERSTICAS DEL PROBLEMA. . 30
2.2.1. Introduccin. .. 30
2.2.2. Tipos de problemas. 30
2.2.3. Diferencia entre los problemas. 31
I
2.2.4. Relacin entre el problema de distribucin en planta de instalaciones y el

proceso de produccin. 33
2.3. PROYECTO DE DISTRIBUCIN DE INSTALACIONES INDUSTRIALES. . 37
2.3.1. Planificacin y Proyecto de Instalaciones. .. 37
2.3.1.1. Layout de Instalaciones Industriales. .. 38
2.3.1.2. Tipos de Layout Basados en el Flujo. .. 40
2.3.1.3. Tipos de Layout Basados en la Funcionalidad. 41
2.3.2. Recogida de Informacin para el Layout de Instalaciones Industriales. 42
2.3.2.1. Productos. .. 43
2.3.2.2. Especificacin del Proyecto. .. 44
2.3.3. Principios que deben cumplir las distribuciones. .. 45
2.4. MODELADO MATEMTICO PARA PROBLEMAS DE DISTRIBUCIN EN PLANTA. .... 46
2.4.1. Introduccin. .. 46
2.4.2. Modelo cuntico de asignaciones. .. 47
2.4.3. Modelo cuntico de recubrimiento de conjunto. .. 51
2.4.4. Modelo de Programacin Lineal Entera. .. 53
2.4.5. Problemas de Programacin Entera Mixta. 56
2.4.6. Modelos que utilizan la teora de grafos. . 57
2.4.7. Modelo de distribucin en planta de instalaciones propuesto por Tam y Li. 59
2.4.7.1. Definicin del problema. 59
2.4.7.2. Caractersticas geomtricas. 60
2.4.7.3. Restricciones del modelo. 60
2.4.7.4. Modelado del problema. .. 61
2.4.8. Otros modelos. 62
2.5. ALGORITMOS Y MTODOS DE RESOLUCIN DE PROBLEMAS DE DISTRIBUCIN EN

PLANTAS. .. 64
II
2.5.1. Clasificacin de los mtodos de solucin. 64
2.5.2. Algoritmos para solucin del problema de distribucin en planta. .. 66
2.5.2.1. Algoritmos de ramificacin y acotamiento (branch and bound). .. 68
2.5.2.2. Algoritmos de Planos de corte (Cutting plane). .. 70
2.5.2.3. Algoritmos constructivos. .. 71
2.5.2.4. Algoritmos de mejora. 72
2.5.2.5. Algoritmos hbridos. . 73
2.5.2.6. Algoritmos que utilizan la teora de los grafos. .. 74
2.5.2.7. Otros mtodos encontrados en la literatura. .. 75
2.6. ALGORITMOS HEURSTICOS Y METAHEURSTICOS. 79
2.6.1. Algoritmos Heursticos. . 81
2.6.2. Algoritmos metaheursticos. .. 85
2.6.3. Bsqueda Local. 90
2.6.4. GRASP. 91
2.6.5. Bsqueda Tab (TS o Tab Search). 94
2.6.6. Recocido Simulado (SA: Simulated Anealing). .. 102
2.6.7. Algoritmos Biolgicos. 108
2.6.7.1. Algoritmos Genticos. 109
2.6.7.2. Optimizacin por Colonia de Hormigas (ACO: Ant Colony Optimization). 111
2.6.7.3. Optimizacin por Enjambre de Partculas (PSO: Particle Swarm

Optimization). .. 112
2.7. COMENTARIOS FINALES. 116
III
CAPTULO - 3
3. CUESTIONES GEOMETRICAS. .. 121
3.1. NUEVO PARADIGMA. .. 121
3.2. CUESTIONES PREVIAS. 125
3.3. EL MODELO GEOMTRICO Y EL ESPACIO DE SOLUCIONES. .. 131
3.4 PROBLEMA DE FORMA. 133
3.4.1. Consideraciones Generales. 133
3.4.2. MODELOS DE REPRESENTACIN ESPACIAL. .. 134
3.4.2.1. Modelos topolgicos. 136
3.4.2.1. 1. Aspectos bsicos de la teora de grafos. .... 137
3.4.2.1. 2. Aplicacin al problema de distribucin en planta. 142
3.4.2.2. Modelos Geomtricos. 143
3.4.2.2.1. Modelos de una dimensin (SRLP). . 143
3.4.2.2.2. Modelos de dos dimensiones (FLP). .. 144
3.4.2.2.3. Modelos de dos dimensiones y media (MFLP). 160
3.4.2.2.4. Modelos de tres dimensiones. 169
3.4.3. INDICADORES PARA EL PROBLEMA DE SITRIBUCIN EN PLANTA. 170
3.4.3.1. Indicadores Cualitativos. 171
3.4.3.2. Indicadores Cuantitativos. 174
3.5. PROBLEMA DE FRONTERA. 186
3.6. PROBLEMA DE DISTANCIAS Y MTRICAS. 190
3.6.1. Consideraciones Generales. 190
IV
3.6.2. Adyacencia. 191
3.6.3. Distancia entre Centroides. .. 192
3.6.4. Contorno Lateral. .. 192
3.6.5. Camino ms corto. . 194
3.6.6. Minsowoski. 194
3.6.7. Manhattan. 196
3.6.8. Eucldea. .. 196
3.6.9. Tchebychev. 198
3.6.10. EDIST. 198
3.6.11. Anlisis de la Distancia de Recorrido. 201
3.6.12. ELECCIN DE METRICA ADECUADA. 204
3.6.13. Mtodo de clculo propuesto para distancias entre las distintas instalaciones. 205
3.6.13.1. Caso de Planta a un solo nivel. 205
3.6.13.2. Caso de Planta a con varios niveles. .. 210
3.6.13.3. Caso general implementado. 211
3.7. APORTACIONES DE LA COMPUTACIN GEOMTRICA. 214
3.7.1. Modelado propuesto. 215
CAPTULO - 4
4. MODELO PROPUESTO PARA INCORPORAR PASILLOS. 221
4.1. INTRODUCCION. .. 221
4.2. FORMULACION MATEMTICA DEL PROBLEMA. .. 222
4.3. MTODO DE RESOLUCION PROPUESTO. .. 223
4.3.1. Consideraciones generales. . 223
V
4.3.2. Algoritmo de bsqueda gentica. 226
4.3.3. Estructura del cromosoma. 228
4.3.3.1. Codificacin de una solucin. 228
4.3.3.2. Construccin de una estructura de rbol de corte. 234
4.3.3.3. Construccin de una distribucin en planta de instalaciones a partir de un

cromosoma. 236
4.3.4. Funcin de evaluacin del cromosoma. 244
4.3.5. Proceso de seleccin natural. .. 251
4.3.6. Proceso de reproduccin de cromosomas. Operacin de cruzamiento. 252
4.3.7. Proceso de mutacin. 252
4.4. ESTRATEGIA DE APLICACION DEL ALGORITMO GENTICO. .. 253
4.5. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE LOS PASILLOS. 254
4.5.1. EXPERIMENTO. 255
4.5.2. CONVERGENCIA DEL PROCESO. .. 256
4.5.3. ANLISIS DE LOS RESULTADOS. 262
4.5.3.1. En cuanto a la forma. 263
4.5.3.2. En cuanto al coste. 264
4.5.3.3. Anlisis conjunto. .. 265
4.5.4. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE 30 INSTALACIONES (SIN

LIMITACION EN EL NMERO DE ITERACIONES). 267
CAPTULO - 5
5. CONCLUSIONES Y RECOMENDACIONES. 273
5.1. CONSIDERACIONES FINALES. .. 273
5.2. CONCLUSIONES. .. 274
VI
5.3. RECOMENDACIONES. .. 277
BIBLIOGRAFA
REFERENCIAS DE FUENTES BIBLIOGRAFICAS Y DOCUMENTALES. 281
ANEXOS
. ANEXO A. BSQUEDA DE CAMINOS MNIMOS EN GRAFOS. .. 297
. ANEXO B. ALGORITMO DE DIJKSTRA. 298
. ANEXO C. ALGORITMO DE JARVIS PARA ENVOLVENTE CONVEXA. 300
. ANEXO D. ALGORITMOS PARA DISTRIBUCIN EN PLANTA. 304
. ANEXO E. ALGUNOS PROGRAMAS ESPECFICOS PARA LA IMPLANTACIN EN PLANTA

DE MULTIPLES INSTALACIONES. 307
. ANEXO F. RESTRICCIONES PARA LAS INSTALACIONES. 315
. ANEXO G. CUADRO DE AREAS Y RAZON DE FORMA PARA 30 INSTALACIONES. 317
. ANEXO H. CUADROS DE LOS FLUJOS. 318
. ANEXO I. LISTADOS DE PROGRAMAS DE APLICACIONES PROGRAMADAS. 320
VII
LISTA DE Figuras
Costo de manejo de materiales, que es prcticamente indiferente
Figura 1.1:
de la distancia. .. 9
Figura 2.1: Diagrama de la transformacin del problema P1 en P2. 28
Figura 2.2: Mtodos de resolucin empleados en la bibliografa. 28
Figura 2.3: Tipos de distribucin en planta de mquinas. .. 31
Figura 2.4: (a) Layout de bloque y (b) layout detallado. .. 40
Mtodos de modelado para el Problema de Distribuciones en
Figura 2.5:
Planta. 47
Clasificacin de algunos de los modelos de construccin de
Figura 2.6:
distribuciones. 78
Publicaciones metaheursticas usadas en el problema de
Figura 2.7:
Distribucin en Planta. 81
Funcin multimodal. Suele acarrear el encasillamiento de los
Figura 2.8:
algoritmos heursticos en ptimos locales. 85
Figura 2.9: Composicin de las metaheursticas. . 88
Figura 2.10: Trayectorias del movimiento de las partculas en el enjambre. .. 114
Trayectorias influidas por los atractores en del movimiento de las
Figura 2.11:
partculas. .. 114
Paisaje tras una serie de iteraciones en el que se aprecian ya valles y
Figura 2.12:
colinas (mnimos y mximos locales). 116
Estado de pixelizacin o digitalizacin para obtener entorno
Figura 3.1:
simulado partiendo del contorno real. 132
Clasificacin de los modelos espaciales empleados por las tcnicas
Figura 3.2:
de resolucin del problema de distribucin en planta). 135
Figura 3.3: Clasificacin de los modelos de representacin espacial. 136
Figura 3.4: Representaciones de diagramas de relacin. .. 132
Figura 3.5: Grafo y subgrafos. 138
Figura 3.6: Ejemplo de planaridad de un grafo. 139
Figura 3.7: Incumplimiento relacional consecuencia de la planaridad. 140
Figura 3.8: Grafo dual. .. 141
Figura 3.9: rbol de expansin maximal. .. 141
Figura 3.10: Transformacin en un G.P.P.M. 143
Figura 3.11: Arreglo unidimensional (SRLP). 144
Figura 3.12: Clasificacin de los modelos geomtricos en 2D. 144
Figura 3.13: Discretizacin de un dominio y su representacin. .. 146
Figura 3.14: Curva de Hilbert generada para recorrer el plano. .. 149
Figura 3.15: Esquema del modelo ABSMODEL. 150
Figura 3.16: Caractersticas fundamentales del ABSMODEL2 . 151
Figura 3.17: Caractersticas fundamentales del ABSMODEL3 . 152
Figura 3.18: Descomposicin en subactividades. 154
Figura 3.19: Ejemplo de solucin de las distribucin. 154
Figura 3.20: Geometra de rboles de corte. .. 155
Figura 3.21: Dendograma. 157
Figura 3.22: Representacin de un rbol de corte. 157
VIII
Figura 3.23: Modelo Multi-bay. 158

Figura 3.24: Transformacin de solucin en layout de bloques. . 160
Representacin de la Distribucin de un problema MFLP de dos
Figura 3.25:
plantas. . 160
Figura 3.26: Uso de SFC para la distribucin de las instalaciones en cada nivel. 164
Colocacin de las actividades en la planta por medio de las curvas
Figura 3.27:
SFC. 165
Figura 3.28: Distribucin en dos pisos. . 166
Figura 3.29: Distribucin de tres plantas empleando el operador D. 166
Figura 3.30: Distribucin en una planta entorno al ascensor. .. 167
Figura 3.31: reas de trabajo accesibles. 168
Figura 3.32: Solucin al ejemplo 3 para el process plant layout. 168
Figura 3.33: Representacin de entrada/salida de una actividad en 3D. 170
Figura 3.34: Clasificacin de los indicadores aplicados al FLP. .. 171
Figura 3.35: Factores para calcular FLF. 173
Figura 3.36: Indicadores de Flujo. 176
Figura 3.37: Indicadores geomtricos en el problema de distribucin en planta. 181
Figura 3.38: Clasificacin de las distancias. . 191
Figura 3.39: Distancia de contorno. 193
Figura 3.40: Distancia por contorno lateral. .. 193
Disposiciones Diana y Sandwich que minimizan las distancia entre
Figura 3.41:
centroides de las reas de las actividades. 195
Figura 3.42: Mtricas de distancia entre actividades. .. 197
Figura 3.43: Distintas Mtricas para medir distancias entre actividades. 198
Figura 3.44: Ejemplo de aplicacin de mtrica EDIST. 200
Distintas mtricas calculadas para unir dos puntos esquivando
Figura 3.45:
obstculos. . 202
Figura 3.46A: Combinacin de mtrica Rectilnea y de Contorno. .. 205
Figura 3.46B: Combinacin de mtrica Eucldea y de Contorno. 205
Figura 3.47 Distancia actual y la calculada por mtrica Manhattan. 206
Figura 3.48: Grafo de adyacencias original. 207
Definicin incorrecta de los puntos de base para pasillos
Figura 3.49:
horizontales. .. 208
Figura 3.50: Definicin correcta de los puntos base para los pasillos horizontales. 209
Figura 3.51: Grafo de adyacencias modificado. .. 210
Figura 4.1: Estructura de funcionamiento del modelo propuesto. 226
Figura 4.2: Una estructura de corte con seis instalaciones. 229
Figura 4.3: Un rbol de corte con seis instalaciones. 229
Una secuencia de rbol de corte y estructura de corte
Figura 4.4a:
correspondiente. .. 230
Una secuencia de rbol de corte y estructura de corte
Figura 4.4b:
correspondiente. 230
Ejemplos de rbol de corte y estructura de corte correspondiente
Figura 4.5:
representando tipos de cortes: (a) sin pasillos y (b) con pasillos. .. 231
Ejemplos de rboles de corte y estructuras de corte
Figura 4.6: correspondientes utilizando slo dos operadores. .. 232
IX
Figura 4.7: Una estructura de rbol de corte. 233

Ejemplo de un rbol de corte con las coordenadas de las
Figura 4.8:
instalaciones. . 237
Un rbol de corte con pasillo y su estructura de corte
Figura 4.9:
correspondiente. 238
Figura 4.10: Coordenadas para una instalacin i. 238
Figura 4.12: rbol de corte con pasillo de 1m. 242
Diferencia relativa de rea (%) en el ajuste de los pasillos por
Figura 4.11:
iteracin. .. 243
Figura 4.13: Estructura de corte relacionada al rbol de corte de la figura 4.12. 243
Estructura de corte asociado al problema presentado en las tablas
Figura 4.14:
4.1 y 4.2, con los respectivos puntos auxiliares o de control. 244
Figura 4.15: Ejemplo de cruzamiento entre dos soluciones (strings). 252
Grfico de la distribucin acumulada del nmero de instalaciones
Figura 4.16: por error de la razn de forma (%), para distribucin en planta con
12 instalaciones. .. 257
15 instalaciones. 258
30 instalaciones. . 259
Grfico de la variacin del coste en relacin al nmero de
Figura 4.20:
iteraciones, para distribucin en planta con 12 instalaciones. 261
Figura 4.21:
Figura 4.22:
Figura 4.23:
iteraciones, para distribucin en planta con 30 instalaciones. .. 262
Figura 4.24: Comparacin entre errores medios de las razones de forma. .. 263
Comparacin entre los costes medios de transporte determinados
Figura 4.25:
por ST1 y ST2 en la primera y segunda fase. .. 264
Distribucin en planta obtenida con la heurstica ST1 para el
Figura 4.26:
problema de 2 instalaciones. .. 266
Figura 4.27: Figura que ejemplifica un error de 21% en la razn de forma. 266
Grfico da variacin del coste en relacin al nmero de iteraciones,
Figura 4.28:
para distribucin en planta con 30 instalaciones. .. 268
Figura 4.30: (a) Layout de bloques y (b) layout detallado. 270
X
LISTA DE TABLAS
Tabla 1.1: Caractersticas principales que contienen en su proceso cada mtodo. 10
Tabla 2.1: Caractersticas de los tipos bsicos de distribucin en planta. 36
Tabla 2.2: Algunos algoritmos de distribucin en planta de instalaciones. 73
Tabla 2.3: Seleccin del mejor candidato admisible. 98
Tabla 2.4: Componente de memoria de trmino corto de la bsqueda tab. 98
Tabla 2.5: Restricciones tab y atributos para movimientos de intercambio. 99
Tabla 2.6: Analoga entre la evolucin natural y los algoritmos genticos. 110
Tcnicas para reducir problemas en las distribuciones asistidas por
Tabla 3.1:
ordenador. 128
Clasificacin de las metodologas aplicadas MFLP en funcin de las fases.
Tabla 3.2:
162
Tabla 4.1: reas y restricciones geomtricas por instalacin. 221
Tabla 4.2: Matriz simtrica de flujos de produccin para seis instalaciones. 222
Momentos de transporte obtenidos utilizando el algoritmo gentico
Tabla 4.3:
para problemas con 12, 15, 20 y 20 instalaciones. 224
Momentos de transporte obtenidos utilizando simulated annealing
Tabla 4.4:
para problemas de 20 y 30 instalaciones. 224
Momentos de transporte obtenidos utilizando algoritmo de bsqueda
Tabla 4.5:
tab tras 150 iteraciones. 225
Momentos de transporte obtenidos utilizando algoritmo de bsqueda
Tabla 4.6:
tab tras 150 iteraciones. .. 225
Tabla 4.7: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 1m. 241
Tabla 4.8: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 2m. 241
Tabla 4.9: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 4 m. 241
Relaciones entre instalaciones y pasillos para el rbol de corte de la
Tabla 4.10:
figura 4.12. .. 247
Coordenadas de los centroides de instalaciones, de los puntos que
Tabla 4.11: enlazan instalaciones a los ejes de los pasillos e interseccin de ejes de
pasillos de la figura 4.12. 248
Tabla 4.12: Caminos mnimos obtenidos con el Algoritmo de Dijkstra. 250
Distribucin acumulada del nmero de instalaciones por procedimientos
Tabla 4.13:
y error (%) en la razn de forma. 257
Momento de transporte obtenidos en distribucin en planta de 15
Tabla 4.14:
instalaciones. .. 259
Momentos de transporte obtenidos en distribuciones en planta de 20
Tabla 4.15:
Momentos de transporte obtenidos en distribuciones en planta de 30
Tabla 4.16:
Valores de media, desviacin estndar y estadsticas obtenidos con la
Tabla 4.17:
aplicacin de ST1 y ST2, para los distintos problemas. .. 263
Tabla 4.18: aplicacin de la primera fase de ST1 y ST2, para los distintos problemas.
264
Tabla 4.19:
aplicacin de la segunda fase de ST1 y ST2, para los distintos problemas. 265
XI
XII
GLOSARIO DE TRMINOS Y ABREVIATURAS

ACO: Ant Colony Optimization.
AG: Algoritmos Genticos.
ALDEP: Automated Layout Design Program.
ARS: Algoritmo de Recocido Simulado.
B&B: Branch & Bound.
BBA: Branch & Bound Algoritm.
BCA: Branch & Cut Algoritm.
BPP: Bin Packing Problem.
BT: Bsqueda Tab.
C&P: Cutting and Packing problems.
CAD: Computer Aided Design.
CORELAP: Computerized Relationship Layout Planning.
CP: Cutting Plane method.
CR: Closeness Rating.
CRAFT: Computerized Relative Allocation Facilities Technique.
CSP: Cutting Stock Problem.
DAO: Dibujo Asistido por Ordenador.
DCG: Delayed Column Generation.
EA: Evolutionary Algorithm.
EA: Evolutionary Algoritm.
ECP: Extended Cutting Plane method.
EP: Evolutionary Programming.
FFD: First Fit Decreasing algorithm.
FITNESS: Valor evaluado de bondad.
FL: Fuzzy Logic.
FLP: Facility Layout Planning (o Problem).
FLDP: Facility Layout Design Problem.
FMS: Flexible Manufacturing Systems.
GA: Genetic Algorithm.
GBD: Generalized Benders Decomposition method.
GHA: Genetic Hybrid Algorithm.
GOA: Generalized Outer Approximation method.
GPPM: Grafo planar Ponderado Maximal.
GRAS: Greedy Randomized Adaptive Search procedure
GT: Group Tecnologic.
ILP: Integer Linear Program.
LAP: Lineal Assigment Problem.
LP: Linear Program.
XIII
LSA: Local Search Algoritms.

MALDEP: Multicriteria Automated Layout Design Problem.
MAT: Modular Allocation Technique.
MCDA: Tcnicas de anlisis de decisin multicriterio.
MFLP: Multi Facility Layout Problem.
MHC: Material Handling Cost.
MILP: Mixed Integer Linear Program.
MINLP: Mixed Integer Nonlinear Program.
MIP: Mix Integer Programation.
NFL: No Free Lucnh Theore.
NPCompleto: problema para el cual no existe un algoritmo polinomial (eficiente)
para resolverlo.
NPDuro: (NP Hard) problema para el cual no ha sido hallado aun un
algoritmo polinomial.
NP: No polinmico (en oposicin a polinomial o polinmico).
OA: Outer Approximation method.
PPLI: Problema del Proyecto de Layout de Instalaciones.
PQA: Problema Cuadrtico de Asignaciones o Problema de Asignacin
Cuadrtica.
PSO: Particle Swarm Optimization.
QAP: Quadratic Assignment Problem.
PQA: Problema de Asignacin Cuadrtica o Problema Cuadrtico de
Asignacin.
QSP: Quadratic Set Covering Problem.
SA: Simulateed Aneeling /.
SAA: Simulateed Aneeling Algorithm.
SFC: Space Filling Curves.
SFF: Sistemas de Fabricacin Flexible.
SGM: Segunda Guerra Mundial.
SHP: Sequential Heuristic Procedure.
SLP: Systematic Layout Planning.
SOS: Special Ordered Set.
SPU: Space Planification Unit.
SRLP: Single Row Layout Problem.
SS: Scatter Search.
SSGA: Steady State Genetic Algorithm.
TA: Theshold Algoritm.
TRA: Tabla Relacional de Actividades.
TS: Tabu Search.
TSP: Travelling Salesman Problem.
XIV
VLSI: Very Large Scale Integration.
XV
CAPTULO 1
INTRODUCCIN
METODOLOGIA PARA LA OPTIMIZACIN DEL DISEO DE DISTRIBUCIONES EN PLANTAS INDUSTRIALES
Pg. 2 de 337
CAPTULO 1
Para investigar la verdad es preciso dudar,

en cuanto sea posible,
de todas las cosas, una vez en la vida.
Ren Descartes (1596-1650),
filsofo francs.
1. INTRODUCCION.
Me gustara comenzar la presentacin de este trabajo de investigacin citando

la respuesta que el gran economista norteamericano, Herbert Simon1 dio en una
entrevista al final de su vida y que resume en gran medida sus ideas y que, muy
probablemente, le sirvieron para la consecucin del Premio Nbel en 1978:
Para comprender la gestin, hay que percibir de qu manera las

personas resuelven, realmente, los problemas y toman sus decisiones. Una
persona tiene enormes limitaciones en su capacidad para tener en cuenta
todos los hechos que se dan en el mundo o en lo que lo circunda, que seran
relevantes para tomar una decisin. Estos lmites de los que hablo la
racionalidad limitada, que dio origen al ttulo de uno de mis libros- surgen
simplemente porque los seres humanos tienen un conocimiento restringido,
tienen capacidades limitadas para poder analizar las consecuencias del
propio saber que detentan. Especialmente, existen serios lmites para predecir
el futuro y las reacciones de los otros como respuesta a esas decisiones. Esto
no significa que toda decisin sea puramente intuitiva, sino que no es posible
conocer todas las alternativas que estn disponibles para la toma de decisin,
1
Respuesta a la pregunta: Qu es lo que est equivocado, entonces, en este enfoque
racionalista?. La entrevista fue realizada a travs de correo electrnico por Jorge Nascimento
Rodrigues, el 20 de Abril de 2001.
Pg. 3 de 337
puesto que muchas de ellas estn an por ser descubiertas o diseadas. A

pesar de todo, las decisiones tienen que ser tomadas despus de haber tenido
en cuenta una nfima fraccin de aquellas posibilidades.
Precisamente este pensador, que fue un especialista en psicologa y ciencias

de la computacin con una influencia decisiva en la teora de la gestin y de la
microeconoma, afirma que:
"Toda la racionalidad en el proceso de decisin es limitada.

El gerente (ingeniero) no maximiza, toma decisiones que lo satisfacen,
descubre soluciones aceptables para problemas bien reales.
Se contenta con alternativas satisfactorias".
En este contexto de toma de decisiones en entornos de incertidumbre, gran

competitividad y variabilidad (entornos borrosos) es en el que se enmarca el presente
trabajo intentando ofrecer conocimiento a la empresa para mejorar su estructura
interna con el objetivo de que pueda ser ms competitiva.
1.1. CONSIDERACIONES GENERALES.
Las ltimas dcadas han estado marcadas por el crecimiento desmedido de la

competencia empresarial y por la bsqueda de mercados dispersos globalmente. El
ambiente de competencia empresarial est sujeto a incertidumbres crecientes,
haciendo que las empresas busquen nuevas formas de supervivencia, procurando
tecnologas y tcnicas capaces de mantenerlas en produccin y con beneficios.
Adems, los nuevos paradigmas de sistemas de fabricacin exigen instalaciones
industriales capaces de apoyar los objetivos de la empresa. Surge as la necesidad de
que las empresas se reformulen y busquen soluciones que optimicen sus funciones,
visando flexibilidad, seguridad y reduccin de costes. Esos cambios afectan a todos
los sectores de la empresa, que precisan responder al unsono a todas ellas.
Bennett (1972) y posteriormente Konz (2004) afirman que existen cuatro

criterios generales que deben ser considerados a la hora de disear los sistemas de
trabajo:
1) Seguridad y Salud: ya que ningun puesto de trabajo o instalacin es aceptable

cuando puede poner en peligro la seguridad o salud de los trabajadores. Se
Pg. 4 de 337
deben tomar las precauciones razonables aun considerando que la vida no tiene
un valor infinito.
2) Desempeo: La relacin costo/beneficio debe ser favorable desde el punto de
vista de la organizacin y del individual.
3) Comodidad: La fatiga, el sufrimiento o el dolor innecesarios pueden ser
eliminados por un buen diseo aunque pudiera no haber cambios en los
resultados a corto plazo.
4) Necesidades Mayores: Se puede, y debe, disear un puesto de trabajo para
estimular en lo posible el contacto social o para hacerlo ms interesante.
Aunque hacer los trabajos ms placenteros y/o satisfactorios no tienen una
prioridad relevante en las culturas actuales y no cabe duda de que en breve
periodo de tiempo se debern disear las instalaciones fabriles con un enfoque
ms humano.
Cuando se plantea un proyecto de una nueva instalacin industrial destacan,

entre muchas otras, dos decisiones que condicionarn todo el desarrollo posterior del
proyecto y condicionarn en gran medida el posterior existo del mismo.
La primera se refiere a la ubicacin o localizacin de la nueva instalacin, y

sta que se considera una decisin estratgica, suele ser tenida en gran consideracin
realizando previamente, en la mayor parte de los casos, un estudio pormenorizado,
tomndose posteriormente esta decisin a nivel de grupo y por un amplio equipo de
decisores.
La segunda, y no menos importante, se refiere a lo que denominados

distribucin en planta, esto es, una vez decidido en donde pondremos la planta,
decidir cmo repartiremos las distintas actividades e instalaciones en el espacio
disponible. En muchos casos, igual que la decisin anterior, se trata de una decisin
estratgica ya que, sea cual sea la opcin elegida, afectar durante mucho tiempo el
funcionamiento y posibilidades de explotacin y mejora de productividad de la
industria. Por desgracia, esta decisin suele ser tomada de forma precipitada e
imprecisa, debido en gran medida a la dificultad que su estudio pormenorizado
conlleva, considerando frecuentemente que siempre ser posible corregir posibles
deficiencias a posteriori, estando en este punto los proyectistas y decisores ms
preocupados normalmente en el ahorro en la construccin de las instalaciones, en las
Pg. 5 de 337
exigencias de seguridad, y en las posibles limitaciones tcnicas existentes, y se hace,

por desgracia, en muchos casos sin hacer un estudio pormenorizado y sin tener en
cuenta el verdadero alcance y relevancia que estas decisiones pudieran tener en el
futuro, a medio y largo plazo. Por decirlo de una manera sencilla, en este punto
estamos ms preocupados por el ahorro en las instalaciones (inversin) que por ver si
la opcin elegida es o no la ms correcta a largo plazo considerando los beneficios en
el ahorro de los costes de produccin que otras opciones pudieran reportar.
Por medio de la distribucin en planta se pretende pues conseguir un mejor

funcionamiento de las instalaciones y se aplicar a todos aquellos casos en los que sea
necesaria la disposicin de unos medios fsicos en un espacio determinado, ya est
prefijado o no. Y por tanto la distribucin de una planta se entender al final como la
localizacin de los posibles departamentos, de los grupos de trabajo dentro de estos
departamentos, de las estaciones de trabajo, de las clulas de fabricacin, de las
mquinas y de los puntos de mantenimiento, de las existencias o almacenes, fijos o
temporales, dentro de unas instalaciones de produccin.
En un entorno actual altamente competitivo y global, en el que los precios de

los productos los impone el mercado, los costes de impuestos son iguales para todos,
los salarios de la mano de obra son negociados sectorialmente por los sindicatos, el
acceso a las tecnologas esta generalizado, los sistemas de informacin y
comunicacin llegan a todos los lugares, etc. y en el que los mrgenes comerciales
son francamente estrechos dado que todos los competidores son conocidos y estn
muy igualados en los costes variables, la decisin de una correcta distribucin en
planta puede convertirse prcticamente en la nica ventaja competitiva que permita a
una empresa acceder al mercado con menores costes en la etapa productiva. La
responsabilidad del ingeniero industrial es la de disear una instalacin de
produccin que elabore el producto especificado a la tasa estipulada de produccin
a un costo mnimo (Hicks, 1999), ya que en la elaboracin de un producto est
directamente ligado a una buena distribucin de planta, ya que de forma directa
minimiza costos y aumenta la efectividad del proceso.
El problema de distribucin en planta de instalaciones, que se ha abordado en

este trabajo, se refiere a la distribucin fsica de un nmero de instalaciones, que
denominaremos en otras ocasiones actividades por mantener la denominacin usada
Pg. 6 de 337
por otros autores con anterioridad, sobre una regin plana. Pertenece a una clase de
problemas de localizacin espacial que ha sido estudiado en diversos contextos,
incluyendo la planificacin de espacios en arquitectura, distribucin en planta de
clulas de fabricacin, distribucin en planta de oficinas, hospitales, distribucin de
teclas en teclados de mquinas, montajes de componentes electrnicos en placas y
proyectos de VLSI (Very-Large-Scale Integration). Aunque el tipo de instalacin
pueda variar en cada contexto, la formulacin del problema en gran parte permanece
similar. En general, el rea de cada instalacin y los costes de flujos entre cada par de
instalaciones son estimativas de datos obtenidos por un ingeniero de produccin. El
coste asociado al flujo puede ser especificado por una medida cuantitativa (por
ejemplo el flujo de materiales), o cualitativa (por ejemplo la proximidad exigida entre
instalaciones). La meta es minimizar los costes totales de los flujos satisfaciendo un
conjunto de restricciones especificadas, como por ejemplo, la no sobreposicin de
instalaciones (Tan y Li, 1991). Los primeros estudios relevantes de este problema se
realizan tras la SGM, cuando Immer (1950) presenta los pasos bsicos a seguir en la
planificacin de la implantacin y la estrecha relacin de sta con los sitemas de
manutencin, Cameron (1952) hace la primera referencia al uso de las cartas
relacionales de actividades, concepto que ser utilizado por la teoria para la
resolucin del problema en su aspecto cualitativo, posteriormente Reed (1961) el que
proponga como la fase ms importante de la planificacin sistemtica de la
distribucin en planta el Grfico de Planificacin de la Implantacin, pero
realmente ser Richard Muther (Muther,1968) desarrollando su tcnica SLP
(Systematic Layout Planning) el que marque sin lugar a dudas un antes y un despus
en el desarrollo de las tcnicas de elaboracin y estudio de las distribuciones en
planta, utilizando para ello tanto el anlisis del flujo de materiales (factores
cuantitativos) como el anlisis de las relaciones entre actividades (factores
cualitativos) para configurar un layout adecuado.
Una buena distribucin resulta a todas luces clave para asegurar un buen nivel
de competitividad en la empresa y por eso hace ms de diez lustros que se ha
convertido en un objetivo primordial para los decisores, como bien cita Ontiveros
(2004), ya Immer (1950) en un entorno empresarial mucho ms relajado que el
actual- haca referencia a las apreciaciones de Mallick y Sansoneti (1945) al afirmar
que:
Pg. 7 de 337
Una buena distribucin en planta de las instalaciones significa:

(a) emplazar el equipamiento corecto,
(b) acoplado con el mtodo correcto,
(c) en la posicin adecuada,
(d) permitiendo el procesado de una unidad de producto de la forma ms eficaz,
(e) a travs de las distancias ms cortas posibles, y
(f) en el menor tiempo posible.
La importancia de una buena distribucin en planta, como factor que asegure

bajos costes de produccin, queda bien establecido y es necesario que sea bien
comprendido.
Aunque, para ser realistas con la importancia de la distribucin, las distancias

entre las instalaciones que es uno de los parmetros a los que ms relevacia se le da
en los clculos al final resulta no ser tan relevante dado que los costes de manejo de
materiales son en realidad poco dependientes de las distancias entre las instalaciones
en factoras normales (Konz, 2004).
En la figura 1.1 se muestra el costo de movimiento por unidad de distancia en

donde se puede observar una representacin, ciertamente realista, en la que el costo
del movimiento es muy bajo, y en donde se ve que la mayor parte del costo de
movimientos de materiales viene, en trminos absolutos, determinado por los costes
de carga y descarga (iniciar y detener, aun cuando se omiten la aceleracin y
desaceleracin o frenada) o de papelera o burocracia interna siempre inherente a la
administracin y gestin de las industrias.
Para recorrisods de forma rectangular:
Dist = Lk + Ck (|Xij - Xj| + |Yij Yk|) (1.1)

O para recorridos en linea recta:
__________________
Dist = Lk + Ck (Xij - Xj)2 + (Yij Yk)2 (1.2)
en donde:
Lk = costo de carga + descarga (incluyendo papeleo) por recorrido entre el k-simo

usuario y la ubicacin factible.
Ck = costo/distancia unitaria (excluyendo Lk).
Pg. 8 de 337
5
Recorido
4
Coste
2 Carga y Descarga
0
0 10 20 30 40
Distancia
Figura 1.1: Costo de manejo de materiales, que es prcticamente indiferente de la

distancia. (Konz, 2004)
Dada la complejidad del problema, que es reconocido como un NP-

Completo2, esto es, que no resulta factible encontrar una solucin ptima en un
tiempo normal de computacin, innumerables algoritmos de distribucin en planta
han sido desarrollados para auxiliar al proyectista en un planeamiento de procesos
entre instalaciones. De acuerdo con Kusiak y Heragu (1987), esos algoritmos se
pueden clasificar de forma general en cuatro tipos principales:
a) mtodos constructivos;
b) mtodos de mejora;
c) mtodos hbridos, y
d) mtodos que utilizan la teora de grafos.
Con el auxilio de los ordenadores y la informtica, los sistemas basados en los

mtodos de construccin generan distribuciones en planta ubicando las instalaciones
de forma secuencial hasta que se han considerado todas. Una vez ubicada una
instalacin, esta se mantiene fija en el local asignado. Ejemplos de este tipo de tcnica
son aplicados en los sistemas CORELAP, ALDEP y otros. Debido a su
secuenciamiento y naturaleza de no retorno, el mtodo usualmente necesita de menos
2
Para entender el termino NP-completo es necesario conocer las funciones de complejidad temporal
de los algoritmos. Estas funciones permiten conocer un mayorante para la tasa de aumento de la
cantidad de tiempo que un algoritmo necesita para solucionar un problema en funcin del crecimiento
de la dimensin del problema. Cuando esta funcin es exponencial entonces se dice que el algoritmo es
NP-completo. Para una discusin ms detallada acerca de esta teoria se recomienda la consulta del
texto de Garey y Johnson (1979).
Pg. 9 de 337
esfuerzo de proceso, y aunque la calidad de la solucin no es buena en relacin a los

otros mtodos, estas metodolas son frecuentemente usadas como un primer paso en
la planificacin de las distribuciones en plantas industriales.
Los mtodos de mejora, a su vez, se inician con una distribucin en planta, ya

existente o obtenida por mtodos constructivos, y la mejoran por medio de cambios
de ubicaciones de locales entre las instalaciones. Se produce un incremento
considerable de las necesidades de recursos computacionales por lo que para resolver
el problema de distribucin en planta con un gran nmero de instalaciones, los
sistemas de mejora recurren a sistemas heursticos de cambios eficientes, en lugar de
buscar la distribucin en planta ptima.
Los heursticos de intercambio de instalaciones han sido las tcnicas ms

usadas en la literatura hasta la actualidad. Usando los heursticos de cambios, la
decisin de cambiar dos o ms instalaciones es determinada por una estrategia hill-
climbing (o valley-seeking) o por un procedimiento estocstico. El proceso de
cambios se para cuando no se verifica mejora en la solucin o cuando el tiempo
definido para el proceso se ha terminado. La heurstica de intercambio de pares
desarrollada por Hiller (1963) y Hiller y Connors (1966) y los aumentos para 3, 4 y 5
cambios (Liggett, 1981; Block, 1977; Picone y Wilhelm, 1984) forman la base de
numerosos sistemas de mejora tales como CRAFT, H63, H66, FRAT, CLO, COFAD
y otros. En general, las distribuciones en planta que presentan buenos resultados en
trminos de coste asociado a los flujos pueden ser obtenidos por los mtodos de
mejora sin utilizar un excesivo tiempo computacional.
En la prctica se ha comprobado que, tal como ya afirmaba Liggett (1981), los

mtodos de mejora resultan muy sensibles para la distribucin en planta inicial,
miestras que los mtodos constructivos, pueden ser usados para generar una
distribucin en planta inicial que puede ser mejorado a continuacin. Como
consecuencia, se han planteado los denominados mtodos de aproximacin hbrida
que combinan los dos mtodos anteriores haciendo el resultado mucho ms adecuado
para llevarlo a la prctica. Como ejemplo de esta forma de afrontar el problema
tenemos el sistema FLAC. Tal y como afirma Ontiveros (2004), y anteriormente Kim
y Kim (2000) y Contero (Contero 1995; Contero et al. 2000) entre otros autores, la
utilizacin de las tecnicas mixtas permiten reducir el nmero de alternativas a
analizar, rechazandose las improcedentes o no factibles y seleccionando solo las que
Pg. 10 de 337
contengan mayores posibilidades de ser soluciones eficientes difiniendo estas como

aquellas soluciones que se acercan a la ptima mediante la ejecucin de un nmero
razonable de itraciones.
Con el uso de la teora de grafos, una distribucin en planta puede ser

representada de forma aproximada por un grafo no diseccionado en el que las
instalaciones correspondern a los vrtices y los costes de flujos entre instalaciones
se asociarn a las aristas. El mtodo de solucin viene dado por el dual de un
subgrafo maximal planar que determina la distribucin en planta final de las
instalaciones. Muchos han sido los autores, tal y como se ver ms detenidamente en
el proximo capitulo, que han utilizado esta metodologa para buscar soluciones al
problema planteado (Levin 1964; Eastman 1973; Roth 1988; Schwarz 1994; Recuero
2004; San Jose 2004).
A pesar de que el problema de distribucin en planta ha sido sistemticamente

estudiado durante ms de cuatro dcadas, los mtodos desarrollados hasta ahora
presentan restricciones comunes encontradas en las tareas diarias de distribucin en
planta (Canen y Williamson, 1998). Debido a esto para transformar una distribucin
en planta generada por el ordenador en una distribucin en planta con aplicacin
prctica, son necesarios ajustes manuales, especialmente cuando existen restricciones
de tamao, orientacin, y forma de cada instalacin. De hecho, los mtodos
informticos en la gran mayora de los casos no hacen una inspeccin visual de la
respuesta de salida del funcionamiento del programa, como seria de esperar, en
particular cuando el flujo dominante es grande (Block, 1977), precisamente facilitar
alguna herramienta que ayude al ingeniero a la hora de aplicar este tipo de
restricciones y problemticas es uno de los retos que se han planteado, con la
incorporacin de recursos de CAD, como principal objetivo a la hora de presentar
este trabajo de investigacin.
La limitacin de la mayor parte de los mtodos existentes hasta la actualidad

es que ellos dividen la planta en un conjunto de regiones del mismo tamao. La
formulacin cuadrtica de atribucin, que es la base de numerosos modelos de
distribucin en planta, divide el espacio en una malla rectangular donde en cada
clula de la malla se localiza una instalacin. La caracterstica geomtrica de cada
instalacin es ignorada en la formulacin. De todos modos existen sistemas tales
como CRAFT que resuelven esta limitacin atribuyendo un conjunto de clulas
Pg. 11 de 337
adyacentes para una instalacin y por considerar tales conjuntos como una unidad
cuando efecta los cambios, esos programas no tienen control sobre la forma de cada
instalacin, pudiendo aparecer en las distribuciones fsicas finales con instalaciones
de formas irregulares. Adems de eso, Gondran y Minoux (1984) muestran que el
problema cuadrtico de atribucin (PQA) es NP-completo, lo que transforma su
aplicacin en la resolucin de problemas de mayor porte inviable.
Mtodos Elementos
Diagrama de relacin de actividades
Producto (P), bienes producidos
SLP Cantidad (Q), Volumen producido

Ruta (R), Procesos realizados
Servicios (S), Auxiliar y utilidad a las
actividades
Flujo de materiales y personas entre
departamentos
Datos de entrada
CRAFT Distancias
Almacn de valores
Disposicin de departamentos
Flujo de materiales entre departamentos
COMBINED COMPUTER
AIDED APPROACH Distancia entre departamentos
Dimensin de los departamentos
BLOCPLAN
Formas de los departamentos
Relacin entre departamentos
Distancia entre departamentos
DIAGRAMA DE
RELACIN DE Flujo de material y personas entre
ACTIVIDADES departamentos
Distancia entre departamentos

Localizacin de departamentos
MULTIPLE
Distribuciones de planta
Tabla 1.1: Caractersticas principales que contienen en su proceso cada mtodo

(Ortega 2003).
Pg. 12 de 337
Segn Tam y Li (1991), las restricciones presentadas motivan un abordaje de

planeamiento continuo en el proyecto de distribucin en planta que no sea restrictiva
por el paradigma de "atribuir instalaciones para una clula (o para un conjunto de
clulas)". Por tanto no se debe dividir el espacio en partes discretas sino considerarlo
como un plano contnuo con todas las caractersticas geomtricas de las instalaciones
que deben ser tenidas en consideracin. La malla es simplemente retirada y las
instalaciones se pueden mover a algn lugar en el espacio de rea designado.
En la tabla 1.1 se muestra como los diferentes mtodos tienen elementos

comunes dentro de sus funcionamientos como puedan ser: el flujo de los materiales a
transportar y de personas dentro de los recintos, las relaciones y las distancias que
pueda existir entre los distintos departamentos.
1.2. HIPOTESIS.
La hiptesis de la que se parte este trabajo no es otra que la de desarrollar un

sistema hibrido que para mejar la toma de decisiones en el proceso de diseo de
Distribuciones en Plantas Industriales, mediante la implementacin de algoritmos
heursticos con herramientas de Diseo Asistido por Ordenador para encontrar
soluciones de tipo geomtrico a los problemas de Distribuciones en Plantas, en lugar
de recurrir nicamente a la formulacin algebraica, para poder trabajar con casos ms
aproximados a la realidad cotidiana, incorporando la existencia de pasillos y
ajustando las distintas instalaciones a ubicar con definiciones continuas y no tan solo
con modelalizaciones discretas de las mismas, como hacen prcticamente la totalidad
de los trabajos previos, y que tal y como se ver en muchos casos no resultan del todo
efectivas ni viables tcnicamente.
1.3. OBJETIVOS.
1.3.1. Objetivo general.
Antes de plantear un objetivo para el trabajo, y parafraseando el principio de

la Bsqueda Tab, nos atreveremos a decir que: "Es mejor una mala decisin basada
en informacin que una buena decisin al azar, ya que, en un sistema que emplea
memoria, una mala eleccin basada en una estrategia proporcionar claves tiles
Pg. 13 de 337
para continuar la bsqueda. Una buena eleccin fruto del azar no proporcionar
ninguna informacin para posteriores acciones" y ahora si que pueden ser
descritos los objetivos del mismo.
El primer objetivo planteado al iniciar este trabajo de investigacin ha sido el

realizar un estudio general, a travs de una detenida revisin de la extensa y variada
bibliografa, del problema de distribucin en planta de instalaciones y de los distintos
algoritmos de resolucin existentes, analizando sus procedimientos para establecer
nuevos algoritmos (o viejos con resultados adecuados) que permitan obtener
soluciones prcticas a dicho problema y que a su vez nos permitan mejorar las
disposiciones de las instalaciones en una planta industrial.
Como segundo objetivo de este trabajo se plantea el proponer un modelo

basado en recursos de Dibujo Asistido por Ordenador (DAO), capaz de auxiliar en el
proyecto de distribucin en planta de instalaciones industriales reales, con reas
diferentes, atendiendo a las restricciones de forma, mejora de la calidad del proyecto
a travs de la optimizacin, dando nfasis a las restricciones de forma de las
instalaciones a implantar y recurriendo a la utilizacin de pasillos conexos para
enlazar instalaciones no adyacentes.
Ademas, aunque se ha partido inicialmente de la consideracin tan solo de

distribuciones en una sola planta, se pretende incorporarar una mtrica mejorada que
permita abordar problemas con ms de un nivel, lo que podra considerar un avance
importante, en la resolucin de los problemas que se plantean en la actualidad
cotidiana, dada la naturaleza real de las plantas industriales.
1.3.2. Objetivos especficos.
El modelo desarrollado propone, adems, abordar los siguientes objetivos

especficos:
a) facilitar una herramienta con soporte en entornos DAO que permitan al

decisor trabajar con un soporte visual, adecuado y verstil;
b) reducir, en la medida de lo posible, el momento de transporte asociado a la
distribucin en planta de instalaciones, y consecuentemente los costes con
Pg. 14 de 337
transporte de materiales y con el stock (almacenamiento) de materiales en

movimiento (en transito);
c) obtener grados de calidad adecuados en cuanto a la forma y dimensiones de
las instalaciones implicadas en el proyecto, teniendo en cuenta los problemas
geomtricos reales existentes;
d) permitir modificaciones puntuales de alguna de las instalaciones ya
implantadas o implantacin de nuevas instalaciones, modificando levemente
el resto de las instalaciones ya ubicadas;
e) aumentar, aunque tan solo sea mnimamente, la productividad en el proceso
de planeamiento de la distribucin en planta.
f) tener el control real de la distribucin existente para poder evaluar a la hora de
realizar modificaciones futuras cuales son los cambios que ms nos puedan
favorecer, ajustados a los costes de modificacin (obras a realizar) y a los
costes incorporados a los flujos en los procesos de manufactura posteriores.
1.4. LIMITACIONES.
Para aplicar el modelo propuesto se deben conocer de antemano un minimo de

datos como las formas de las instalaciones o los valores de rea, y las razones de
forma exisgidos y el flujo entre las distintas instalaciones. Como el modelo es
aplicable en problemas de distribucin en planta de departamentos, ser necesario
conocer, tambin, las dimensiones de las superficies donde se localizaran las
instalaciones. El rea de esta superficie deber ser, como resulta evidente, superior a
la suma total de las reas de las instalaciones incrementada con la correspondiente
rea asignada a los pasillos.
Otra restriccin asociada al problema es que se ha considerado, al menos en

un primer paso, que todos los pasillos tienen la misma anchura, no considerando, por
ahora, en la construccin del modelo, eventuales conflictos entre los diversos flujos
existentes.
Adems de esto, aunque se proponga obtener distribucin en planta donde las

instalaciones no adyacentes estn enlazadas por pasillos, esto solo ser considerado
en una segunda etapa del proceso de bsqueda de la solucin, cuando ya se haya
obtenido una distribucin en planta inicial optimizada, en relacin al momento de
Pg. 15 de 337
transporte y a la razn de forma, sin el uso de pasillos. Esta estrategia de bsqueda,

aunque limite el universo de soluciones investigadas, tiene por objetivo reducir el
tiempo de computacin de la bsqueda, y ha dado resultados muy esperanzadores.
Por otro lado las implementaciones de los programas propuestos para la

resolucin de los diferentes programas han sido abordadas en varios entornos de
trabajo utilizando, entre otros, programas implementados en EXCEL, MatLab y
AutoCAD.
1.5. IMPORTANCIA DEL TRABAJO.
El trabajo desarrollado es un paso ms en la elaboracin de aplicaciones que

permitan ayudar a los ingenieros tomar las decisiones de cmo distribuir las distintas
instalaciones en el espacio disponible con datos de partida comunes y que permita
obtener distribuciones comparables que ofrezcan los mejores resultados potenciales.
Localizar las instalaciones y la eficiencia del diseo de estas resulta en la actualidad
una cuestin fundamental para la estrategia de cualquier industria manufacturera.
Podemos calcular, con los antecedentes de las estimaciones realizadas en 1984

tomando como base la industria Norteamericana por Tompkins y White (1984;
Tompkins et al. 2003), el coste anual de nuevas distribuciones en la industria de un
pas industrializado en un 8% del producto nacional bruto (datos promediados desde
el ao 1955 hasta 1984), y esto sin considerar los costes de modificaciones sobre
instalaciones ya existentes; y asimismo Francis y White (1984), estimaron que entre
el 20 y 50 por ciento del total de operaciones que se realizan en la fabricacin pueden
ser atribuidas directamente a la manipulacin y transporte interno de materiales. El
coste de esos transportes es proporcional al flujo y a la distancia entre departamentos.
Una distribucin en planta bien planeada puede reducir fcilmente el coste (stoks,
mano de obra, instalaciones, espacios, ) en un mnimo de 10% a 30%, aumentando
con esto la productividad, y por ende la competitividad, de la empresa. Considerando
que los costes asociados a los factores de transporte en la planta no aportan en ningun
caso valor alguno al producto, siendo, por lo tanto, cargas totalmente indeseables se
plantea que en los FLP el objetivo ms comn usado en los modelos matemticos
ser minimizar los movimientos de materiales lo que resulta ser un factor
cuantitativo. Factores cualitativos tales como la seguridad en la planta, la flexibilidad
Pg. 16 de 337
de la distribucin de las instalaciones para disear futuros cambios, ruidos o incluso

factores estticos tambin pueden, y en todo caso deben, ser cuidadosamente tenidos
en consideracin en su contexto.
Por otro lado, como se ha dicho anterirmente, las plantas industriales resultan
cada vez menos inamovibles y es necesario un continuo replanteamiento de la
distribucin real que las instalaciones tienen en el espacio disponible, ademas, tal y
como nos confirma Sly (1993), no podremos adoptar en nuestra industria las nuevas
tecnicas de JIT, Clulas de Fabricacin o Tecnologa de Grupos sin considerar
primero la necesidad de modificar la distribucin de nuestra planta, por eso resulta
fundamental el ahondar en el estudio de recursos que nos permitan redisear nuestras
factorias de forma casi continua, minimizando los costes y optimizando los
resultados.
Con la aplicacin del modelo propuesto, se pretende obtener una distribucin

real que manteniendo la reduccin en el momento de transporte y la reduccin del
material en trnsito entre las instalaciones (ya conseguida en otros trabajos previos),
lo que implica di facto la reduccin de la cantidad de materiales y productos en
proceso (WIP), se ajuste lo mximo posible a la realidad de la planta productiva.
El problema de la distribucin en planta de instalaciones industriales se

clasifica como un problema combinacional, lo que lleva casi irremediablemente a la
bsqueda de tcnicas heursticas para su solucin. Esto tiene seguramente mucho que
ver con el hecho de que se haya dedicado un considerable espacio al mencionado
problema en la literatura, a travs de la consideracin de mtodos de naturaleza
metaheursticos. Tales mtodos se han mostrado relativamente eficientes en la
solucin de muchos problemas de este gnero, pero tambien han dado lugar a
soluciones poco prcticas y no deseadas en muchos otros, por lo que al final deber
ser siempre el ingeniero el que con las posibles soluciones presentadas por los
agoritmos se decante por una u otra segn el caso, por eso ser importante el ofrecer
al mismo las soluciones propuestas con un formato claro y facil de entender e
implementar ya que esta no ser ms que la primera etapa de un proyecto mayor en el
que las buenas definiciones iniciales acelerarn el resto de etapas y grarantizarn el
xito final del proyecto.
Pg. 17 de 337
1.6. CONSIDERACIONES SOBRE EL TRABAJO.
Aunque, tal como se ver en el proximo capitulo, desde mediados de los aos
60 se han desarrollado un gran nmero de algoritmos y de aplicaciones infomticas
que ayudaran a poner en prcica aquellos y siguen desarrollandose-, las
distribuciones diseadas por ordenador rara vez son usadas en la prctica, tal y como
ya mostr en sus trabajos Moore (1978) y posteriormente el propio Muther (1980)
quien llega a afirmar: En 1968 nuestra firma consultiva trabajaba con cuatro
programas de ordenador para la planificacin del espacio. Hoy, ya no usamos
ninguno de ellos y se ha observado que se pueden obtener distribuciones incluso
mejores y ms rpidamente utilizando SLP y que por desgracia sigue siendo una
afirmacin bastante real aun en la actualidad y aunque las revistas y publicaciones
acadmicas estn llenas de artculos acerca de ellas y revisiones de los algoritmos
existentes, en la prctica apenas se usan nuevas tcnicas de clculo.
Otros autores como Vallhonrat y Corominas (1991) y Alvarez et al. (1995) se

lamentaban de que si bien la utilizacin de los sistemas informticos podian resultar
de gran ayuda, esto resultaba ser tan solo un planteamiento terico, dado que en la
prctica no se ha avanzado tanto, pese a las muchas aplicaciones desarrolladas,
indicando que tal vez esos programas se adelantaron a las posibilidades tcnicas de
su tiempo y sus resultados, no completamente satisfactorios, no contribuyeron a
impulsar la tilizacin de los ordenadores, sino a su estancamiento. Este
planteamiento nos indica al menos dos limitaciones tcnicas de diseo asistido por
ordenador, una referida a que solo intervienen en una fase muy determinada del
proceso clasico del Diseo Sistemtico de Distribucin en Planta (SLP de Richard
Muther), y una segunda referente a la gran evolucin tanto del sofwate como del
harware a utilizar desde la aparicin de los primeros programas hace ms de medio
siglo.
La cuestin que cabra plantarse por lo tanto es por qu a pesar de que se

mejoren los algoritmos estos no son aplicados despus?, o simplificando: por qu no
se usan en la prctica las aplicaciones desarrolladas?. La respuesta puede estar en que
los tcnicos pueden resolver ciertas rutinas casi tan bien como las computadoras
(Konz, 2004) lo que ya fue contrastado por los trabajos de Lewis y Block (1980) que
enfrentaron diseadores experimentados contra una rutina de construccin, FATE.
Las distribuciones calculadas manualmente, salvo los problemas ms complejos,
Pg. 18 de 337
resultaron prcticamente tan vlidos como los obtenidos informticamente. Lewis y

Block observaron que el nmero de departamentos, la complejidad de flujo y la
predominancia del flujo esto es si ste es aleatorio o altamente especifiado
resultaban factores importantes, y si los flujos estaban realmente muy determinados
los ordenadores no parecian tener ventajas, aunque tambien resulta interesante
mencionar que, como dejan bien claro Trybus y Hopkins (1980), por otro lado los
sistemas informtios automatizados parecen dar soluciones tan buenas como las de
los tcnicos, por lo que se podria considerar un empate. La razon ms destacada
dada por Konz (2004), para la poca utilizacin de los nuevos programas informticos,
est en que la Distribucin en Planta es un problema que no se presenta muy a
menudo en una industria por lo que muchos ingenieros jams planearn una
distribucin de un nueva planta en toda su vida profesional o si hacen alguna se trata
en muchos casos de distribuir una clula de fabricacin o departamento cada cinco o
diez aos pero con frecuencia solo se precisar ubicar uno o dos nuevos elementos en
una instalacin ya existente, por eso los tnicos apenas se mantienen actualizados en
el uso de un programa informtico que nunca usan y que frecuentemente apenas les
facilitan herramientas versatiles para modificar las distribuciones (porque se da gran
importancia a la implementacin algoritmica pero a costa de la versatilidad del
entorno de usuario). Por otro lado los programas informticos tampoco estn
actualizados con manuales de instrucciones detallados y apenas estn adaptados hacia
las grandes organizaciones de usuarios, como rutinas de bibliotecas SAS (Statistical
Anlisis System) o las muchas rutinas de programacin lineal. En realidad, muchos de
los desarrollos publicados son planteamientos totalmente teoricos tal vez alentados
por aquello de que nada resulta ms prctico que una buena teora, pero al final, por
desgracia, resultan ser, en palabras de Konz (2004), tcnicas en busca de problemas y
no problemas en bsqueda de solucin.
De aqu que en este trabajo de investigacin se planteen, ms que novedosas

implementaciones algortmicas por otro lado sobradamente estudiadas por
numerosos autores, consideraciones prcticas en sistemas de DAO que, ayuden a
rsolver problemas geomtricos en su origen, y que, con la ayuda de los
planteamientos algoritmicos ya desarrollados, permitan finalmente a los ingenieros
ajustar las posibles distribuciones planteadas a las necesidades reales del problema de
partida.
Pg. 19 de 337
Se har pues aqu un esfuerzo por intentar presentar inicialmente una revisin
de los diversos modelos existentes en la literatura para la resolucin del problema de
la distribucin en planta, tal y como ya se ha mencionado anteriormnte, pero tambin
se presentar un modelo que si bien no resuelve definitivamente (dada la
imposibilidad real de hacerlo) si que ayuda a resolver el problema de distribucin en
planta de instalaciones tomando en consideracin las reas y formas de cada
instalacin, adems de interconectar tales instalaciones a travs de pasillos, o incluso
comunicacin vertical en instalaciones multiplanta, cuando estas no son adyacentes.
Ademas debe mencionarse en este punto que en los trabajos presentados en la
literatura, apenas se abordan planteamientos aplicables en entornos de Dibujo
Asistido por Ordenador, limitandose en la prctica a resultados meramente
matemticos pero poco aplicables en casos reales y pocos tratan el problema
utilizando pasillos en su solucin, y los que lo hacen, utilizan mtodos constructivos
simples, sin buscar soluciones optimizadas.
Por ltimo nos permitiremos hacer nuestras las palabras del profesor Islier
(Islier 2000) mencionando que para un cientfico la simplicidad que permite la
generalizacin es de primordial importancia, mientras que la aplicabilidad ser
esencial para un ingeniero, por lo que ambas cuestiones -simplicidad y
aplicabilidad- han sido premisas que se han pretendido mantener en todo momento a
la hora de enfrentarsesa la problemtica abordada.
1.7. ESTRUCTURA DEL TRABAJO.
De forma general este trabajo esta subdividido en cinco captulos, incluyendo

este primero, en el que se presenta una visin general del problema, los objetivos que
se pretenden alcanzar al final del trabajo, las limitaciones en la aplicacin del modelo
y su importancia.
En el segundo captulo se presenta lo que viene a denominarse el estado del

arte del tema tratado, esto es una revisin bibliogrfica y documental de los modelos
y de los mtodos encontrados en la literatura para solucionar el problema de
distribucin en planta, los cuales son presentados segn su clasificacin, modelado
matemtico y mtodos utilizados en la solucin.
Pg. 20 de 337
En el tercer captulo se presentan, los problemas geomtricos abordados y que

seran aplicados posteriormente en el desarrollo de la solucion propuesta, en particular
se abordan los problemas de forma, contorno y de distancias, planteando tambin su
posible solucin con el uso de la Computacion Geomtrica, o implementacin de
recursos que encuentren soluciones a problemas geomtricos en entronos de DAO, y,
adems, se discuten algunos detalles del modelo propuesto.
En el cuarto captulo se presenta la propuesta metodologica de la solucin del

problema de distribuciones en plantas industriales con control de forma de las
instalaciones uniendo las mismas por pasillos y dando la posibilidad de trabajar en
distintos niveles, asi como su posible interaccin (e implementacin) con los sistemas
actuales de DAO. Tambien se presentan algunos ejemplos de plantas industriales y de
problemas propuestos y los resultados obtenidos, en especial se ha realizado una
comparacin del modelo propuesto con el modelo presentado por Tam (1992).
Aunque al intentar dar un enfoque ms practico al sistema se pierde capacidad de
crear problemas muy genericos, como verificacin y contraste del modelo propuesto
se han utilizado, para fines de comparacin, algunos problemas cuyos datos y
resultados previos se encuentran disponibles en las fuentes bibliogrficas.
Finalmente, en el sexto captulo, se presentan las conclusiones del trabajo

realizado y algunas recomendaciones que pudieran resultar de inters para trabajos
futuros.
Ademas como complemento, aunque no menos importante, se presenta al final

del documento, un extenso conjunto de referencias bibliogrficas y documentales
sobre el tema que han sido consultadas para poder llevar a buen fin este trabajo y que
se presentan como referencia y para que puedan servir de base para cualquiera que
desee ampliar sus conocimientos sobre las distribuciones en plantas industriales y
temas afines. Entendemos que realmente el numero de referencias resulta, en este
caso concreto, muy elevado, seguramente incluso excesivo, pero evidentemente esto
es debido al gran interes que este tema ha suscitado y suscita en los investigadores,
y se ha preferido dejar un amplio listado de las mismas eliminando tan solo los que
resultaban ms intrascendentes, ya que una gran parte de este trabajo ha consistido en
la busqueda de estos documentos y en intentar digerir la mayor parte de lo ya
desarrollado por otros autores y para que de algun modo sirva en un futuro inmediato
Pg. 21 de 337
porque el proceso no cesa de base recopilatoria de los trabajos publicados sobre el

tema. Por el elevado nmero de referencias consultadas se ha optado por presentar
estas en dos listas una ms reducida con las referencias bibliogrficas
correspondientes a este trabajo y aparte tambin se presenta en un anexo un listado
ms amplio de referencias bibliogrficas encontradas sobre el tema de las
Distribuciones en Planta.
Por ltimo se han incorporado al final del documento algunos anexos que
permitan, sin hacer demasiado tedioso el contenido del documento principal, abordar
ciertos temas relevantes en el trabajo presentado y que pueden facilitar su
comprensin.
Pg. 22 de 337
CAPTULO 2
EL PROBLEMA DE LA
DISTRIBUCIN EN PLANTA
Pg. 24 de 337
CAPTULO 2
La arquitectura no es otra cosa que orden,

disposicin, bella apariencia y proporcin de las partes,
conveniencia y distribucin.
Miguel ngel Buonarroti (1475-1564)
Escultor, arquitecto, pintor y poeta italiano.
2. EL PROBLEMA DE LA DISTRIBUCIN EN PLANTA.
2.1. CONSIDERACIONES INICIALES.
Segn Evans et al. (1987), los trminos ingleses facilities planning

(planeamiento de instalaciones), facilities location (localizacin de instalaciones),
facilities design (proyecto/diseo de instalaciones), facilities layout (distribucin
en planta de instalaciones), block layout (distribucin de superficies), a lo que
podramos aadir: as como sus posibles equivalentes en otros idiomas arranjo fsico
de facilidades (portugus), problema de leiature (francs), distribucin en
planta, layout de planta, o incluso localizacin (castellano), son empleados
frecuentemente de forma indistinta, particularmente en problemas relevantes para
empresas manufactureras. Por otro lado tambien encontramos dificultad al expresar
que es lo que queremos distribir y/o localizar, ya que aqu nos encontramos on
trminos tales como: instalaciones, departamentos, facilidades (mala traduccin del
vocablo ingls), superficies, equipamientos, zonas, areas, Para poner un poco de
luz en este galimatas y permitir la distincin entre los distintos trminos y sus
posibles relaciones, Tompkins y White (1984, 2003) proponen una clasificacin
jerrquica donde el planeamiento de instalaciones se subdivide en:
1) localizacin de instalacinn significa la ubicacin o posicin que una instalacin

tiene en relacin al mercado, recursos, competidores, clientes, proveedores, grupo de
trabajo, energa, ambiente, etc;
Pg. 25 de 337
2) proyecto de instalaciones significa la forma de contribucin de los componentes de

la instalacin con los objetivos de la misma, subdividindose a su vez en:
a) proyecto estructural tiene las propiedades fsicas de una instalacin, por

ejemplo, los materiales usados en la construccin, el proyecto mecnico,
utilidades, esttica y paisaje;
b) proyecto de distribucin en planta consiste en el planeamiento de la

produccin o de reas de trabajo, de almacenamiento, de oficinas, de personal, de
manejo de mquinas y/o equipamientos, etc;
c) proyecto de sistemas manuales significando flujos eficientes de materiales, de

personas, de informaciones o de equipamientos sobre una instalacin.
A la hora de hablar de instalaciones se debe dejar bien claro que nos referimos a
un concepto amplio que puede ser una zona de una nave, una compartimento de la misma
o incluso una mquina o equipamiento especfico que sern ubicadas dentro de la planta
de la factoria que se pretende desarrollar. Y en cualquiera de estos casos la frontera de
estas instalaciones puede ser muy determinada o muy difusa dependeiendo justamente
del caso qu se est abordando.
El problema de distribucin en planta de instalaciones se caracteriza como un

problema de minimizacin combinatorial. Tiene una funcin objetivo que debe ser
minimizada y que es definida sobre un conjunto discreto, cuyos elementos son todas las
posibles ubicaciones de instalaciones. El nmero de elementos del conjunto de
configuraciones crece exponencialmente con el aumento del nmero N de instalaciones,
de modo que la bsqueda no puede ser realizada de forma exhaustiva cuando N es
grande. Tambin, por el hecho de que tal conjunto al ser discreto, imposibilita el uso de
las nociones de continuidad, dificultando los procesos que utilizan el concepto de
direccin para caminar en el sentido del ptimo (Cortes, 1996).
Tomando como base la teora de la complejidad que estudia la dificultad

intrnseca de la resolucin de los problemas de optimizacin y decisin (Garey et al.
1979), cuando tenemos que resolver un problema especfico, la solucin consistir
bsicamente en obtener una solucin con el valor ptimo de la funcin objetivo, es decir
que se resolver nicamente si se encuentra dicho valor y no una aproximacin al mismo.
Pg. 26 de 337
Esta teora clasificaba los problemas en diversas categoras o clases en funcin del
nmero mximo de pasos que necesitara un ordenador para la resolucin. Veamos
algunas de estas clases o categoras:
Un algoritmo se dice que es determinstico, si explora una a una cada

alternativa del problema a la vez, y retorna posteriormente para explorar las dems
alternativas. Un algoritmo se denomina no-determinstico si explora todas las
alternativas de un problema simultneamente creando copias de si en cada alternativa.
Todas las copias actan de forma independientemente pudiendo crear nuevas copias.
Si una copia encuentra una opcin improductiva se para, si encuentra una solucin,
comunica el suceso a las dems copias que paran la ejecucin (Reingold et al, 1977).
Un problema se denomina polinomial si existe un algoritmo denominado

tempo-polinomial, cuyo tiempo de solucin, estimado por el nmero de operaciones
elementales de bits (tales como: or, and, not, xor, etc) sobre una cadena string de
entrada de tamao l, esta limitado superiormente por una polinomial P(l) (Reingold et
al., 1977).
La Clase P, que incluye a los problemas para los que existe un algoritmo de
resolucin tal, que el nmero de pasos de clculo que requiere se puede expresar
mediante una funcin polinomial del tamao del problema; en oposicin la clase de
problemas que pueden ser resueltos en tiempo polinomial por un algoritmo no-
determinstico es denominada de clase NP (Gondran y Minoux, 1984), osea que la
Clase NP incluye aquellos problemas para los que no se conoce un algoritmo de
resolucin en tiempo polinmico, pero que pueden ser resueltos en dicho tiempo
empleando un proceso de ilimitadas bsquedas paralelas independientes (por medio
de un computacin no determinista). La clase NP contiene a todos los problemas para
los que puede determinarse si una solucin concreta es factible o no (problema de
decisin), mediante un algoritmo en el que el nmero de pasos de clculo se puede
expresar mediante una funcin polinomial. La clase NP incluye a la clase P.
Un problema P1 se puede transformar en un problema P2, si en cualquier

instancia de P1 puede ser transformada en tiempo polinomial en una instancia de P2,
tal que la solucin de P1 puede ser obtenida en tiempo polinomial a partir de la
solucin de la instancia de P2.
Pg. 27 de 337
Transformacin Transformacin
entrada P1 tiempo entrada P2 Algoritmo del salida P2 tiempo salida P1
polinomial problema P2 polinomial
Figura 2.1: Diagrama de la transformacin del problema P1 en P2.
Un problema se denomina NP-duro (ms conocido por su denominacin

inglesa NP-hard), si cualquier problema de la clase NP se puede transformar en dicho
problema. Un problema ser NP-completo si es de clase P y NP-duro (Reingold et al,
1977). Los problemas NP-completos tienen la propiedad de que cualquier problema
NP puede ser reducido a l en tiempo polinmico. Esto, y que a este tipo de
problemas pertenezca algunos clsicos (como pueden ser el clculo Hamiltoniano o el
Problema de Viajante) para los que no se ha encontrado algoritmos de resolucin en
tiempos polinomiales, hace asumir que los problemas NP-completos son los ms
difciles de resolver, y que con toda probabilidad necesiten tiempos de clculo
expresados mediante funciones exponenciales del tamao del problema (clase EXP).
La teora de la complejidad nos sugiere, pues, que para los problemas NP-
completos, a los que pertenece el que se trata en el presente trabajo, no existe un
algoritmo que proporcione una solucin ptima en un tiempo razonable. Esto, unido a
que el esfuerzo para comprobar la validez de una solucin en un problema de este
estilo no es muy elevado, ha provocado que la tendencia en los mtodos de resolucin
evolucionara desde las tcnicas enumerativas o exactas, hacia procedimientos
heuristicos y metaheuristicos que proporcionen soluciones aceptables en tiempos de
calculo realistas (Loyola et al., 2004; Diego-Mas, 2006; Ontiveros, 2004; Contreras,
2010; Montav, 2011; Gonzalez_Cruz, 2001; Gonzalez_Garcia, 2005).
TECNICAS de RESOLUCION
150
100
50
0
Heuristicas Exactas Metaheuristicas
Figura 2.2: Mtodos de resolucin empleados en la bibliografa (Loyola et al., 2004)
Pg. 28 de 337
En el caso del proyecto de distribucin en planta de sectores o instalaciones

dentro de una nave industrial, el nmero de distribuciones fsicas posibles es igual a
n!, siendo n el nmero de sectores a ubicar en la misma, considerndose que la suma
del rea total de los sectores es igual, en el caso general, al rea de la edificacin. En
el caso de la distribucin en planta de mquinas dentro de un departamento, la
complejidad aumenta, pues, adems del espacio de las mquinas, se debe considerar
el espacio para la circulacin, el espacio para operaciones y manutencin de los
equipamientos y reas para futuras expansiones. Con esto, el nmero de alternativas
es igual a [n! (S/Sn)], siendo: n es el nmero de mquinas, Sn el rea del
departamento n y S el rea total ocupada por todas las mquinas juntas (Marques,
1993).
Para que se pueda evaluar la complejidad del problema, el nmero de

soluciones en un problema de distribucin en planta de un sector con apenas 15
departamentos a posicionar sera de 15!, lo que nos da la friolera de
1.307.674.368.000 (ms de un billn!) posibles soluciones a ser verificadas. Tales
problemas, como se ha dicho, se denominan NP-completos (Reingold et al, 1977;
Gondran y Minoux, 1984), y presentan una complejidad de resolucin inabordable,
por consumir excesivo espacio de memoria y elevado tiempo de procesamiento.
Para hallar una solucin a estos complicados problemas se han buscado

distintos modelos y distintas orientaciones. Segn Kusiak y Heragu (1987)
(contrastados posteriormente por multiples autores como puedan ser Santamarina,
1995; Dos Reis Tabares, 2000; Konz 2004) el problema de distribucin en planta de
instalaciones ha sido modelado, entre otros, como: problema cuadrtico de asignacin
(QAP), problema cuadrtico de cobertura de conjuntos (QSP), problema de
programacin lineal entera, problema de programacin mixta, problema de teora de
grafos.
Pg. 29 de 337
2.2. CARACTERISTICAS DEL PROBLEMA.
2.2.1. Introduccin.
La formulacin cuantitativa clsica ms simple de este problema es el de un

Problema Cuadrtico de Asignacin (QAP), donde se consideran todas las actividades
indusriales iguales y cuadradras (Lawer, 1963).
El problema de distribucin en planta abarca la distribucin en planta de un

nmero dado de instalaciones tales como, departamentos o mquinas, donde el coste
total para desplazar el material necesario entre instalaciones debe ser minimizado
(Heragu y Kusiak, 1991).
El problema ha sido examinado por ms de tres dcadas y hoy se estima que

entre 20% y el 50% del total de operaciones utilizadas en manufacturas pueden ser
atribuidas al movimiento/traslado de material en la factora que estar directamente
relacionado con la distribucin en planta de instalaciones (Savsar, 1991).
Dos objetivos han sido considerados para optimizar las distribuciones en

planta de instalaciones. Uno de ellos es cuantitativo mientras que el otro es
cualitativo. En la prctica, esos objetivos son usados, de uno en uno esto es uno de
cada vez-, en la evaluacin de la distribucin en planta. Por ejemplo, un objetivo
cuantitativo ser el de minimizar o movimiento de material, y un objetivo cualitativo
ser el de minimizar algunas medidas de evaluacin de la proximidad de los
departamentos (Savsar, 1991).
2.2.2. Tipos de problemas.
Los tipos de problemas de proyectos de instalaciones que podemos encontrar

en la distinta bibliografa son:
a) problema de distribucin en planta de instalaciones, y

b) problema de distribucin en planta de mquinas.
Para el problema de distribucin en planta de mquinas, tres son los patrones

(fig. 2.3) presentados por Hassan (1994):
problemas de distribucin en planta de mquinas en lneas simples;
Pg. 30 de 337
problemas de distribucin en planta de mquinas en lneas mltiplas;

problemas de distribucin en planta de mquinas en lazo (loop).
retorno
robot
saltos
Lineal Forma de U Semicircular
a) Instalaciones en lneas simples.
b) Instalaciones en mltiples lneas c) Instalaciones en lazo
Figura 2.3: Tipos de distribucin en planta de mquinas.
2.2.3. Diferencia entre los problemas.
Segn Hassan (1994), existen diferencias entre los problemas de distribucin

en planta de instalaciones (o bloques) y de mquinas, y algunas de estas diferencias
son presentadas a continuacin:
1) En los modelos de distribucin en planta de mquinas, las dimensiones y reas de

las mquinas son relativamente pequeas y pueden ser consideradas iguales o
ignoradas en el procedimiento de solucin sin perdida de precisin. De esta forma,
en la mayora de los procedimientos de distribucin en planta de mquinas,
presentados en las fuentes bibliogrficas, las mquinas son representadas
esquemticamente por un punto. Las posiciones o las posibles localizaciones de las
mquinas en la distribucin en planta pueden ser consideradas equidistantes. Como
consecuencia de esta representacin y de la estructura geomtrica de la
distribucin en planta, la distancia entre las posiciones en la distribucin
Pg. 31 de 337
esquemtica es calculada fcilmente. Por ejemplo, la distancia dij entre las

posiciones i y j es calculada por (Afentakis et al., 1990):
j-i si j>i
dij =
n+j-i si j<i
donde n es el nmero de la posicin (o de la mquina).
Por otro lado, el rea y las dimensiones de los departamentos en el

problema de distribucin en planta de instalaciones, presentan variaciones lo que
hace imposible la suposicin de reas iguales e impide la representacin
esquemtica de la distribucin en planta de instalaciones. As, los departamentos
son representados como superficies regulares con diferentes reas en la
distribucin en planta de las instalaciones y las distancias entre ellas deben ser
calculadas. Esas distancias varan con la forma y las reas de los departamentos
(Hassan et al., 1986);
2) La distribucin en planta de mquinas lleva en consideracin la estructura

geomtrica en cuanto a la distribucin en planta de instalaciones en ella (Hassan,
1994);
3) La relacin entre mquinas usadas en los problemas de distribucin en planta de

mquinas generalmente son relaciones cuantitativas. Ellas representan, tiempo de
trabajo, costes y volmenes de piezas trasladadas entre mquinas. Esas relaciones
son representadas por una matriz de flujos que no es necesariamente simtrica, y
los valores debajo y encima de la diagonal representan movimientos en
direcciones opuestas. Una lista de piezas con la secuencia de mquinas necesarias
para su fabricacin se utiliza algunas veces. Este tipo de dato de entrada puede
ayudar a reducir el retorno y aumentar el movimiento de la secuencia. Las
relaciones cuantitativas entre instalaciones son representadas por un grfico, que
es utilizado algunas veces en problemas de distribucin en planta de
instalaciones, y pueden no ser particularmente convenientes para distribucin en
planta de mquinas, y no han sido usadas excepto por Abdou y Dutta (Hassan,
1994);
Pg. 32 de 337
4) Varios factores que son ignorados en el problema de la distribucin en planta de

bloques deben ser considerados en la distribucin en planta de mquinas dado
que es un problema de distribucin en planta detallado, y esos factores presentan
impacto en la operacin de la instalacin manufacturera. Algunos de estos
factores son: utilizacin de mquinas, tiempo y longitud de cola, retorno y saltos,
grado de automatizacin, habilidad del operador en operar ms de una mquina,
nmero y capacidad de cambios de herramienta (tool magazine), adaptabilidad
de equipamientos para manejo de materiales, control de herramientas (tooling
policy), nmero y localizacin de las estaciones de carga y descarga, tasa de
produccin. Debemos resaltar, mientras tanto, que llevar en consideracin todos
esos factores simultneamente, complica el desarrollo normal de la distribucin
en planta analticamente. Muchos de estos factores no han sido todava
considerados en los modelos de distribucin en planta de mquinas,
simultneamente o de forma individual (Hassan, 1994).
5) Por los factores citados anteriormente, preparar los datos necesarios para
desarrollar una distribucin en planta de mquinas (Hassan y Albin, 1994) requiere
un anlisis ms elaborado que el necesario para el problema de distribucin en
planta de instalaciones (o bloques). Por ejemplo, el tiempo de transporte es una
funcin de las distancias y de las caractersticas del sistema de manejo del
material, tarea desempeada en el movimiento tal como carga y descarga, la
direccin del movimiento, la cantidad y la localizacin de las estaciones de carga y
descarga, que deben ser considerados en el problema. Un segundo ejemplo,
muestra la necesidad de considerar la razn de produccin de un FMS (Flexible
Manufacturing Systems), en la funcin objetivo de un modelo de distribucin en
planta de mquinas (Co et al., 1989). Estos autores analizaran los valores medios
de desempeo en las redes de filas con el fin de calcular las razones de produccin
(Hassan, 1994).
2.2.4. Relacin entre el problema de distribucin en planta de

instalaciones y el proceso de produccin.
Planear la distribucin en planta de una cierta instalacin significa tomar

decisiones sobre la forma como sern dispuestos, en esa instalacin, los centros de
trabajo que deben permanecer ah. Se puede considerar centro de trabajo, cualquier
cosa que ocupe espacio: un departamento, una sala, una persona o grupo de personas,
Pg. 33 de 337
mquinas, equipamientos, mquinas, bancadas y estaciones de trabajo, etc. En todo el

planeamiento de distribucin en planta, existir siempre una preocupacin bsica:
hacer ms fcil y suave el movimiento del trabajo a travs del sistema, sea como fuere
que ese movimiento se refiera al flujo de personas o de materiales (Moreira, 1993;
Ludgero, 1997).
Tal y como se ha mencionado anteriormente en el capitulo uno de este

documento, y sin pormenorizar, tan solo mencionar que Moreira (1993) cita tres
motivos que hacen importantes las decisiones sobre distribucin en planta:
a) Afectan a la capacidad de la instalacin y la productividad de las operaciones;

b) Cambios en la distribucin en planta pueden implicar el gasto (o inversin) de
considerables sumas de dinero, dependiendo del rea afectada y de las

alteraciones fsicas necesarias en las instalaciones, entre otros factores;
c) Los cambios pueden representar elevados costes y/o dificultades tcnicas para
futuras inversiones; pueden incluso causar interrupciones indeseables en el
trabajo.
Por esos motivos, tal vez se pudiera pensar que una distribucin en planta, una
vez establecida no debe ser modificada, y solo debe ser utilizada, la posible
experiencia, para proyectar nuevas instalaciones. Nada ms lejos de la realidad que
nos demuestra cada da que esto resulta totalmente erroneo, pues diversos factores
tales como: la ineficiencia de operaciones, tasas altas de accidentes, posibles cambios
en el producto o servicio, la implantacin de nuevas instalaciones necesarias para la
fabricacin, la necesidad de exponer o mostrar convenientemente productos o
servicios al cliente, cambios en las definiciones de las gamas y productos y en el
volumen de produccin o flujo de clientes, pueden conducir inexorablemente a
algn cambio en las instalaciones ya existentes. De hecho siempre se han de
considerar las instalaciones de las factoras productivas como algo vivo y cambiante
que como todo ser vivo nacen, crecen, se desarrollan (modifican) y, finalmente,
mueren, por lo que resulta del todo inverosmil el pensar que las instalaciones
industriales implantadas permacecern inamovibles en el tiempo.
De manrea muy general, pero tambin muy descriptiva, se acostumbra a

agrupar las distribuciones fsicas posibles bsicamente en tres grandes grupos, a partir
de los cuales pueden crearse otros tipos hbridos. Cada uno de estos tipos puros tienen
Pg. 34 de 337
sus propias caractersticas y consecuencias en lo respecta a los costes de

equipamientos necesarios, trasporte de materiales o movimientos de clientes,
almacenamiento de materiales en proceso, etc. En cierta manera, las caractersticas de
estas distribuciones fsicas son las de los sistemas de produccin que les
corresponden. Los tipos de distribuciones fsicas consideradas en los denominados
modelos clsicos son tres (Maynard, 1970; Francis y White 1974; Contero Gonzalez
1995):
Distribucin en planta de posicin fija: corresponde al sistema de produccin

de proyectos en los cuales los elementos a fabricar no se mueven y es preciso
llevar al sitio todos los elementos necesarios.
Distribucin en planta por proceso o por secciones: corresponde al sistema de
produccin de flujo intermitente como la produccin por lotes o por pedidos.
Corresponde a un desplazamiento lento.
Distribucin en cadena, en serie y corresponde a un desplazamiento rpido.
Distribucin en planta por producto: o por sistemas de fabricacin flexible
(clulas o semiclulas de fabricacin), corresponde al sistema de produccin
continua tales como las lneas de montaje y las industrias de proceso.
La eleccin de uno u otro tipo de distribucin debe basarse tanto en el movimiento

de los medios de produccin como la clase de operacin de produccin que se va a
realizar en la industria. Las clases de operaciones de produccin ms habituales en
las industrias de produccin son:
1. Fabricacin. El producto final se obtiene mediante la ejecucin de una serie

de operaciones encaminadas a cambiar la forma de la materia prima
(extrusin de piezas plsticas).
2. Tratamiento. El producto final se obtiene mediante la ejecucin de una serie
de operaciones encaminadas a cambiar las caractersticas del material de
partida (mecanizacin de piezas metlicas).
3. Montaje. El producto final se obtiene mediante el ensamblaje de
diferentes piezas sobre el material de base (montaje de sistemas
electrnicos).
Pg. 35 de 337
Atendiendo a Posicin Fija Por proceso En Cadena Sistemas de

Fabricacin
Flexib
les
- Varios - Productos - Series
- Bajo pedido. productos con estn dar. pequea s
Producto - Bajo volumen operaciones - Alto volumen medianas (lotes).
produccin . comunes. de produccin . - Flexibilidad.
- Volumen de - Demanda Gama de
produccin estable. productos
variable. amplia.
- Demanda
variable.
- No existen. - Procesos
- Material con - Ln eas lineales. - Cortas y
Lneas flujo entremezcladas - Secuencias sencillas.
posicin ija .
material iguales para
todos los
productos
- Alta - Rutinario y
Cualificacin flexibilidad de - Intermedia. repetitivo - Solo
del operaciones. - Especializado supervisin .
trabajador - Alta
cualificacin .
- Personal de - Gran cantidad
Necesidad de - Programacin planificacin , - Planificacin e - Prc tic a m en te
y coordinacin . manejo de material- nula, sl o ara
personal materiales, operarios supervisin
produccin - Trabajo de general
control de control y
inventarios. mantenimiento
- Flujo variable. - Flujo - Predecible - Sn cro n o,
Manejo de - Equipos de variable. - Flujo totalmente
manejo - Equipos de sistemt ic o automt ic o .
materiales generales. manejo a automatizable
menudo
duplicados.
- Variables, con - Largos. - Mucha rotacin - Mucha rotacin
Inventarios continuas - Mucho de materiales, de materiales,
modificaciones. trabajo en inventarios inventarios
curso. reducidos. reducidos.
Uso del - Bajo.

espacio - Bajo. - Alto - Alta. - Muy alta.
requerimiento
(Uds./m2) por trabajo en
curso.
- Equipos y - Equipos y - Elevada con - Elevada con
Inversin procesos procesos equipos equipos
mv ile s e flexibles. especializados. especializados.
props it o
general.
- Costes fijos - Costes fijos - Costes fijos
Coste del bajos. bajos. elevados - Costes fijos
Producto - Costes - Costes - Costes elevados.
variables variables variables - Costes
elevados elevados (en bajos (en mano variables bajos.
(mano de material y obra y
obra y transporte) materiales)
materiales)
Tabla 2.1 Caractersticas de los tipos bsicos de distribucin en planta.
Pg. 36 de 337
En la Tabla 2.1 se muestran las caractersticas ms importantes de los tipos

bsicos de distribucin en planta, tomado de (Adam y Ebert 1991), (Santamarina
1995) y (Moltav 2011).
En este contexto el modelo que se presentar podemos considerar que ser

utilizado principalmente, aunque no exclusivamente, para resolver problemas de
distribucin en planta por proceso, esto se asemeja ms a la realizacin de
distribuciones en planta de lo que solemos denominar taller.
2.3. EL PROYECTO DE DISTRIBUCIN DE INSLACIONES INDUSTRIALES
Determinar la secuencia de operaciones de la fbrica (factora, taller), cules y

cuantos recursos estn disponibles para cada tipo de operacin, como fluyen los
materiales y las personas, cuales son los locales de los almacenes, como se abastecen
estos y cules son los requisitos de espacio necesarios, son algunas de las cuestiones
que debemos responder en la planificacin de instalaciones industriales. Este
problema puede ser considerado como un caso particular del problema ms general,
conocido por el nombre de problema de proyecto de layout de instalaciones. De
hecho, la planificacin y distribucin en planta de recursos (materiales y/o humanos)
en instalaciones industriales, servicios, oficinas, instalaciones comerciales, son
problemas tpicos de proyecto de layout de instalaciones.
Este captulo ofrece una visin global de los aspectos relacionados con
resolucin de este tipo de problemas, centrandose en su caracterizacin, en la
identificacin de sus principales dificultades, en la descripcin de algunos de los
modelos usados y en la presentacin de algunos de los principales mtodos usados en
su resolucin.
2.3.1. Planificacin y Proyecto de Instalaciones.
El Problema del Proyecto de Layout de Instalaciones3 (PPLI) considera un

conjunto de instalaciones que se deben colocar dentro de un edifcio de tal modo que
3
Este problema es conocido en la literatura internacional por Facility Layout Design Problem (FLDP)
o ms comunmente simplificando Facility Layout Problem (FLP).
Pg. 37 de 337
se asegure una distribucin que optimice un conjunto de especificaciones dadas para

un problema. La resolucin del PPLI es una actividad con aplicacin a diversos
problemas reales, tales como las instalaciones industriales, oficinas, almacenes,
aparcamientos de vehculos, restaurantes, servicios de atencin a clientes, etc.
2.3.1.1. Layout de Instalaciones Industriales.
Considerando el caso particular de las instalaciones industriales, algunos de los

objetivos que pueden ser considerados se enumeran a continuacin (Mecklenburgh,
1985; Fancis et al, 1992; Heragu, 1997; McKendall et al, 1999):
1. Minimizar el coste de manipulacin o maniobra de materiales4, el tiempo y su

frecuencia;
2. Minimizar el capital y coste de operacin del equipamiento y de la planta5;
3. Minimizar el tiempo global de producin;
4. Maximizar el uso de espacio en terminos efectivos y econmicos;
5. Facilitar la operacin del proceso de producin y del flujo;
6. Proporcionar confort y seguridad a los recursos humanos;
7. Asegurar la flexibilidad de la distribucin y operacin ;
8. Minimizar la variacin en los tipos de equipamiento de manipulacin y
maniobra de materiales;
9. Facilitar la estructura organizacional y la gestin de la toma de decisiones;
10. Minimizar el riesgo y la incomodidad del pblico;
11. Asegurar una construcin segura y eficiente;
12. Obedecer a consideracciones legales, tales como el bien estar de los recursos
humanos, atender a problemas de seguridad y del medio ambiente.
Aunque, en la resolucin de estos problemas, se consideran tipicamente dos tipos

de objetivos, que normalmente se pueden sobreponer a los anteriores. Estos objetivos
se basan en la adyacencia (1 a 12) y en la distancia (1 a 5).
Para solucionar un PPLI tambin es necesrio escoger una representacin para las
soluciones. El layout de bloques es una forma frequentemente usada para la
representacin de las soluciones. Este estabelece la localizacin relativa y el tamao
4
El termino usado en lengua inglesa para manipulacin y maniobra de materiais es Material Handling.
5
Al usar el trmino planta, se pretende hacer referencia a parte o todo el espacio interior de la instalacin
de la factoria que normalmente es el interior de un edifcio.
Pg. 38 de 337
de las instalaciones. Normalmente, estas instalaciones requieren un rea fija aunque

su forma pueda ser variable. La representacin por bloques se puede realizar de una
forma discreta o contnua. En una representacin por bloques, discreta, se usa una
coleccin de rejillas para representar las instalaciones. Por otro lado, en una
representacin contnua se consideran parametros como el punto central, el rea, la
anchura y la longitud de cada instalacin para especificar su localizacin exacta
dentro de la planta.
La Figura 2.4a muestra una solucin para un PPLI representada por un layout de
bloques, en que cada bloque representa una instalacin. Es posible, realizar algun
trabajo adicional que ayude a determinar un layout ms detallado, en el que la
estructura de pasillos y corredores para el equipamiento de transporte, los locales de
los puntos de entrada y salida y el layout dentro de cada instalacin quede claramente
especificado (Figura 2.4b). La determinacin del layout detallado incluye problemas
de layout de lineas de flujo, problemas de layout de mquinas y problemas de diseo
de clulas de fabricacin, en donde se considera que las mquinas son de igual rea y
de dimensiones fijas (Hasan, 1995; Meller, 1996). En la seccin siguiente se
enumeran los diferentes tipos de layout que se pueden encontrar en estas situaciones.
Como se puede constatar, el PPLI posee aspectos geomtricos y

combinatrios que hacen del un problema de dificil resolucin por medios
informticos. Adems de esto, se le asocian algunos factores cuantitativos y
cualitativos que hacen del un problema de difcil modelacin y anlisis. Por ejemplo,
el problema de atribuicin cuadrtica, que consiste en un modelo usado para formular
el PPLI y que es descrito en la seccin 2.4.2, a pesar de considerar algunas
simplificacciones es conocido por ser un problema NP-completo6.
6
Para entender el termino NP-completo es necesrio conocer las funciones de complejidad temporal de
los algoritmos. Estas funciones permiten conocer un mximo para tasa de aumento de la cantidad de
tiempo que un algoritmo necesita para solucionar un problema en funcin del crecimiento de la dimensin
del problema. Cuando esta funcin es exponencial entonces se dice que el algoritmo es NP-completo. Para
una discusin ms detallada acerca de esta teoria se aconseja echarle un vistazo al texto de Garey y
Johnson (1979).
Pg. 39 de 337
Figura 2.4: (a) Layout de bloques y (b) layout detalhado.
2.3.1.2. Tipos de Layout Basados en el Flujo.
Los layouts se catalogan frecuentemente segn la forma en que ejecuten

transformacciones fsicas o conforme ejecuten otro tipo de transformacciones, como,
por ejemplo, servicios. En base al proyecto de layouts, y relacionados con el proceso
productivo, dependiendo de la natureza de los productos y del tipo de operaciones
ejecutadas, se pueden identificar las siguientes categorias de layout:
De producto esttico usado cuando el producto a procesar es voluminoso y

no puede ser facilmente desplazado. En estos casos, el producto es fabricado o
montado en un local fijo y los recursos materiales y/o humanos se desplazan
hasta el producto. Algunos ejemplos de este tipo los encontramos en la
construcin de edificios, aviones o barcos. La fabricacin de este tipo de
productos se controla teniendo en cuenta el proyecto y la localizacin de los
recursos, y se modifica o altera a medida que la construcin avanza.
Basado en el producto o en la producin usado cuando un producto o un

conjunto de productos muy semejantes se fabrican en grandes cantidades. Las
mquinas o estacciones de trabajo son colocadas segun una linea de
fabricacin o montage. El orden de las mquinas en la lnea sigue el orden en
que se realiza el proceso productivo. Antes de la elaboracin de una
configuracin de este tipo, es frecuente la determinacin del mejor conjunto
de tareas u operaciones que deben ejecutarse en cada estacin.
De grupo o celular se utiliza cuando una famlia de componentes son

fabricados en una pequea clula. Con esta distribucin, un grupo de
Pg. 40 de 337
mquinas forma una clula. Cada clula tendr su sistema de manejo o

manipulacin de materiales, tipicamente un robot o sistema de transporte y
manutencin. Si fuera posible, una parte del componente ser completamente
procesada en una sola mquina. Todos los componentes son entonces
enviados hacia las reas de montage.
Basado en el proceso agrupa mquinas que ejecutan tareas u operaciones

similares en diferentes departamentos. De esta forma, se pueden encontrar
departamentos con tornos mecanicos, departamentos con fresadoras,
departamentos con mquinas de pulir, entre otros. Los Layouts de este tipo
generan un enorme volumen de trfico en el transporte de componentes entre
departamentos para las distintas operaciones. Una ventaja de esta via est en
la especializacin de los operarios y supervisores en el proceso productivo.
Hbrido considera que no todas las compaias pueden adoptar tan solo un
tipo de layout. Con la adaptacin al mercado, tal vez por el aumento de
volumen y lineas de productos, una compaia puede constatar que ninguna de
las soluciones anteriores resuelve sus problemas. De esta forma es frecuente
encontrar layouts que son una combinacin de los anteriormente descritos.
2.3.1.3. Tipos de Layout Basados en la Funcionalidad.
Una forma diferente de catalogar los diferentes tipos de layout se basa en su

funcionalidad. Un tpico almacen comercial puede ser catalogado como un layout de
proceso, considerando obviamente los diversos departamentos, tales como vesturios,
oficinas, baos, servicios al cliente, entre outros. Pero como complemento a esta
orientacin al proceso, el layout da lugar a un elevado nmero de nuevas
funcionalidades. Entre estas, se pueden identificar las siguientes:
Marketing y Promocin que determinan una distribucin de los pasillos y

zonas y distribucin de las mercancias almacenadas y expuestas con el
objetivo primordial de mejorar a capacidad de la firma para vender sus
productos. Los distintos departamentos son ubicados de forma que promueban
la visualizacin de los productos para inducir la necesidad de su aquisicin.
Almacenes que existen porque apenas una parte de los productos del
Pg. 41 de 337
inventario de la firma esta localizado en la rea reservada a las ventas, estando

el stock restante en reas de armacenamiento y, como tal, no se encuentran
disponibles directamente para la venda imediata.
Seguridad que promueve la distribucin de los pasillos, las cajas para pago, y
entradas/salidas con la intencin de minimizar situaciones de robo y evitar
posibles accidentes.
Acesibilidad y visibilidad que son funcionalidades a tener en cuenta en el

proyecto de layouts cuando se pretende facilitar el flujo de clientes a travs de
las instalaciones. Los motivos pueden relacionarse con el posicionamiento
para a visualizacin y recogida de productos, o minimizacin del tiempo de
permanencia en las instalaciones, percepcin de las colas de espera y/o
posiblemente otras seales.
Sin pretender crear una lista exhaustiva, nos interesa enumerar otras funciones
con alguna importancia en el proyecto de layout. Estas son:
Proporcionar privacidad o garantizar confidencialidad;

Considerar cuestiones de seguridad;
Maximizar el sentido de oportunidad o velocidad en llegar al mercado;
Obtener eficiencia productiva o control de costes;
Implementar un flujo de informacin eficiente.
2.3.2. Recogida de Informacin para el Layout de Instalaciones

Industriales.
Al iniciar un projecto de layout de una instalacin industrial es necesario

comprender los productos y procesos que en ella ocurren. Dependiendo del tamao y
de la sofisticacin de la compaia, mucha de la informacin necesria ya est
disponible en diferentes departamentos, muchas veces de una forma implcita y
armacenada en diversos soportes y formatos. Sin embargo, parte de la informacin
puede no existir dentro de la prpria compaia, o que exige que esta tenga que ser
obtenida del exterior. Todos estos factores contribuyen para que el proceso de
recogida de informacin resulte un proceso complejo para lo cual es necesario
realizar un esfuerzo significativo.
Pg. 42 de 337
La recogida de informacin de una forma sistemtica no solo ayuda en la

realizacin de un buen proyecto de layout, sino que tambien contribuye con otros
benefcios de gran importancia. La documentacin de la informacin de los productos
y de los procesos puede revelar ineficiencias en el proceso, ayudar a revelar fuentes
de problemas de calidad, identificar desperdcios de materiais y ajudar a crear una
estrutura adecuada de contabilidad de costes. Consecuentemente, se debe siempre
procurar recoger la mejor informacin posible y documentarla de manera que resulte
de fcil acceso y anlisis. Esencialmente, desde el punto vista del proyecto de layout
de instalaciones industriales, es necesario saber o que es lo que se va a producir,
como es que va a fabricar y cuando.
2.3.2.1. Productos.
Para proyectar una instalacin industrial es necesario tener bien presente los
tipos de productos a fabricar una vez que estos van a afectar fuertemente a la natureza
de la unidad industrial. La informacin de los productos es tipicamente obtenida en
los departamentos de proyecto. Tambien es importante comprender como los
productos son usados por los clientes para obtener una mejor apreciacin de los
requisitos de calidad y especificacciones operacionales.
Para comprender mejor los productos resulta esencial tener acceso a los
diseos tcnicos, lista de las partes y a la relacin de materiais. Los diseos tcnicos
de todos los componentes, subproductos y productos finales permitirn la
comprensin de la complejidad dos productos y de como los diferentes componentes
se juntan y ensamblan para formar el producto final. Al mismo tiempo es de gran
utilidad observar el producto o su prototipo para tener una idea de su envergadura y
peso. La lista de componentes poseer informacin detallada acerca de las partes y
del nmero de componentes necesario de cada parte. Por ltimo, la relacin de
materiales7 dar una categorizacin jerrquica de la lista de partes e indica como estas
se combinan en el proceso de fabricacin para formar un producto final. Esta
representacin jerrquica puede contener otra informacin, como, por ejemplo,
decisiones para fabricar o comprar, que resultan crticas para el layout de la planta
industrial.
Adems de ser necesario tener un buen conocimiento de los productos, es
7
en la literatura en lengua inglesa, el termino para designar la relacin de materiales es bill of materials.
Pg. 43 de 337
necesario tambin conocer la cantidad a producir y cuando producir. Muchas

compaas estiman lo que esperan producir en cada ao o durante vrios anos.
Tipicamente esta estimacin forma parte de su plan estratgico. La cantidad a
producir es frecuentemente acompaada de informacin probabilstica acerca de la
posibilidad de ir en bsqueda de criterios expectativos e estimativos. Por ejemplo, las
compaas pueden proporcionar escenarios de valores medios, optimistas y/o
pesimistas. Al proyectar una factoria es importante tener en cuenta esta informacin
probabilstica. Un buen plan para una instalacin de fabricacin debe permitir la
expansin de su capacidad si las ventas fuesen superiores a las esperadas, asi como
un plan de contingencia si estas fueran inferiores a las que fueran estimadas con
anterioridad.
2.3.2.2. Especificacin del Proceso.
Despues de la exacta definicin del conjunto de productos a fabricar, es

necesaria la especificacin del proceso a utilizar. En esta fase resulta de gran
importancia la implicacin del responsable del proyecto del layout. Si la mayor parte
de las decisiones para la especificacin del proceso ya fueron tomadas antes de su
desarrollo, habr que verificar si existe alguna flexibilidad en el plano del proceso que
pueda ser explorada.
La eleccin del proceso de fabricacin a usar depende de un gran nmero de

factores diferentes. Adems de la capacidad del sistema para crear productos, se debe
tambin considerar la capacidad de producin, la calidad de los productos, los
factores econmicos, ambientales y las cuestiones de seguridad. La especificacin
final del proceso de fabricacin pasa por la creacin de algunos documentos, de los
cuales se refieren:
Grficos de operaciones de Proceso, que listan todas las operaciones, las

herramientas necesarias, los tiempos y el orden por el cual las operaciones sern
realizadas.
Hojas de Ruta (Itinerarios), que indican el orden por el cual las operaciones sern
realizadas, bien ser la secuencia de mquinas o estacciones de trabajo a ser utilizadas
por la forma de obtener una parte o la totalidad de un producto.
Pg. 44 de 337
Planos de Proceso, que contienen informacin ms detallada acerca de las

operaciones de fabricacin. Adems de la informacin disponible en los grficos de
operaciones de proceso y en los itinerarios, contienen informacin detallada para
utilizar tales como los valores de los parametros de las mquinas.
Diagramas de Montaje, que muestran el orden de preferencia en que los distintos

componentes sern agrupados para formar el producto final.
Diagramas de Precedencia, que muestran todas las operaciones a que es sometida

una parte de un producto o los pasos de una operacin de montaje para adems de
indicar cuales de las tareas que se deben ejecutar antes de que otras comiencen. El
grafo resultante puede usarse para determinar las secuencias alternativas de las
operaciones de fabricacin.
2.3.3. Principios que deben cumplir las distribuciones.
Los objetivos que debe cumplir una distribucin en planta han sido
abordados de muy diversas formas pero tal vez una de las lneas que ms influencia
han marcado es la propuesta por Richard Muther, que indica que los objetivos pueden
resumirse y plantearse en forma de principios, sirviendo estos de base para establecer
una metodologa que permita abordar el problema de la distribucin en planta de
forma ordenada y sistemtica.
I. Principio de la integracin de conjunto: la mejor distribucin es la que

integra a los operarios, los materiales, la maquinaria, las actividades, as como
cualquier otro factor, de modo que resulte el compromiso mejor entre todas estas
partes.
II. Principio de la mnima distancia recorrida: en igualdad de

condiciones, es siempre mejor la distribucin que permite que la distancia a
recorrer por el material entre operaciones ser la ms corta.
III. Principio de la circulacin o flujo de materiales: en igualdad de

condiciones, es mejor aquella distribucin que ordene las reas de trabajo de modo
que cada operacin o proceso est en el mismo orden o secuencia en que se tratan,
elaboran, o montan los materiales.
Pg. 45 de 337
IV. Principio del espacio cbico: la economa se obtiene utilizando de un

modo efectivo todo el espacio disponible, tanto en vertical como en horizontal.
V. Principio de la satisfaccin y de la seguridad (confort): en igualdad de

condiciones, ser siempre ms efectiva la distribucin que haga el trabajo ms
satisfactorio y seguro para los operarios, los materiales y la maquinaria.
VI. Principio de la flexibilidad: en igualdad de condiciones, siempre ser

ms efectiva la distribucin que pueda ser ajustada o reordenada con menos costos o
inconvenientes.
Estos principios pueden servir de base para determinar los objetivos a cumplir
durante la definicin de la distribucin en planta, y para medir el grado en que se ha
logrado alcanzar dichos objetivos. De todos modos debe ternerse en consideracin
que esta enumeracin de principios data de 1981, y la introduccin de nuevos
conceptos en los procesos de fabricacin puede conllevar a que algunos de ellos
puedan haber quedado algo desfasados y que deban ser reformulados.
2.4. MODELADO MATEMTICO PARA PROBLEMAS DE DISTRIBUCIN

EN PLANTA.
2.4.1. Introduccin.
El problema de la distribucin en planta se puede formular bajo distintos

modelos matemticos, todos basados en la formulacin del problema de localizacin
como un problema de asignacin cuadrtica, en el que cada instalacin debe ser
asignada a una localizacin con el fin de obtener la mejor funcin objetivo.
Tal y como se ha mencionado, segn Kusiak y Heragu (1987) los problemas

de distribucin en planta de instalacin han sido modelados como:
a) problema cuadrtico de asignacin (QAP; Quadratic Assignment Problem);

b) problema cuadrtico de recubrimiento de conjuntos (QSP; Quadratic Set
Covering Problem);
c) problema de programacin lineal entera;
d) problema de programacin entera mixta;
e) problema de teora de grafos.
Pg. 46 de 337
Problema de
LAYOUT
Figura 2.5: Mtodos de modelado para el Problema de Distribuciones en Planta.
A continuacin abordaremos una presentacin en detalle de tales problemas.
2.4.2. Modelo cuadrtico de asignaciones.
Los primeros investigadores que modelaron un problema para ubicar

instalaciones considerando el flujo de materiales fueron Koopmans y Beckmann
(1957). El modelo utilizado fue de un Problema Cuadrtico de Asignaciones,
denotado frecuentemente por el acronimo seudoingls PQA (en ingles QAP;
Quadratic Assignment Problem). El nombre de Asignacin Cuadrtica se debe al
hecho de que la funcin objetivo es una funcin polinmica de segundo grado en
cuanto que las variables y restricciones son funciones lineales semejantes a las de un
problema de asignacin lineal. La notacin usada para el problema es la que sigue:
n - nmero total de localizaciones para instalaciones o posiciones;

aij - retorno lquido ingresos netos de la operacin de la instalacin i en
la posicin j;
fik - flujo de material desde la instalacin i hacia la instalacin k;
cij - coste por unidad de transporte de material desde la posicin i hacia la
posicin j;
1 si la instalacin i est asignada a la posicin j,

xij =
0 para los otros casos.
Los autores consideraron que:
Pg. 47 de 337
aij es el retorno bruto menos el coste inicial, y no incluye el coste de transporte

de materiales entre instalaciones;
fik no depende de la posicin de las instalaciones;
cij no depende de la instalacin y est asociado a la alternativa ms barata de

transporte de material de la instalacin i hacia la instalacin j, considera que
siempre ser ms barato transportar directamente de la instalacin i hasta la
j no pasando por una tercera posicin.
El problema (QAP)
n n n n n n
max aij xij - f ik c jl xij x kl (2.1 a)
i =1 j =1 i =1 j =1 k =1 l =1
x
j =1
ij =1 i = 1, 2,..., n (2.1 b)
x
i =1
ij =1 j = 1, 2,..., n (2.1 c)
xij {0,1} i, j = 1,2,... , n (2.1 d)
Con todo, si aij fuera considerado el coste de ubicacin y operacin de la

instalacin i en la posicin j en vez del retorno lquido o ingresos netos de operacin
de la instalacin i en la posicin j, entonces (2.1a) podra ser reescrita como:
n n n n n n
min aij xij + f ik c jl xij x kl (2.2)
i =1 j =1 i =1 j =1 k =1 l =1
Las ecuaciones (2.2), y de (2.1b) hasta (2.1d) pueden ser usadas como modelo
del problema de distribucin en planta de instalaciones, donde aij, fik y cjl representan:
aij - el coste fijo para colocar la instalacin i en la posicin j;

fik - el flujo de material entre las instalaciones i y k;
cjl - coste unitario del flujo de material entre las posiciones j y l;
Lawler (Lawler, 1963) introduce bijkl, donde:
fik cjl + aij si i = k y j = l;

bijkl =
fik cjl si i k o j 1.
Pg. 48 de 337
que equivale al coste de acarreo de materiales desde la instalacin i ubicada en la

posicin j a la instalacin k localizada en la posicin l, y redefine la funcin objetivo
(2.2) para:
n n n n
min bijkl xij x kl (2.3)
i =1 j =1 k =1 l =1
Por las restricciones (2.1b) y (2.1c) en la formulacin anterior, i k si y solo

si j l, y i = k si y solo si j = l. Observe que en la formulacin anterior se asume que,
el nmero de instalaciones es necesariamente igual al nmero de locales, y esto no es
siempre cierto. Existen algunos problemas en los que el nmero de instalaciones m
puede ser menor que el nmero n de locales, esto es, m < n. Este problema tambin
puede ser formulado como un problema cuadrtico de asignaciones siempre que se
introduzcan instalaciones artificiales 1, 2,... , n-m y se considere el flujo entre esas
instalaciones artificiales y las dems igual a cero.
Para el caso de que los costes fijos de localizacin (aij) o los flujos de
materiales entre las distintas instalaciones (fik) fuesen iguales o nulos, la funcin
objetivo (2.2) se reduce a:
n n
min aij xij (2.4 a)
i =1 j =1
si fij = 0 fij = cte, o
n n n n
min f jk c jl xij x kl (2.4 b)
i =1 j =1 k =1 l =1
sujeto a la restricciones (2.1 b) a (2.1 d) lo que resulta un Problema Lineal de

Asignacin (LAP)
Del problema cuadrtico de atribucin (2.2) y (2.1b) a (2.1d), se pueden

deducir dos casos especiales:
a) problema lineal de asignacin: cuando los fik son iguales entre si, la funcin
objetivo se reduce a:
n n n n
min f jk c jl xij x kl (2.5)
i =1 j =1 k =1 l =1
Pg. 49 de 337
La ecuacin (2.5) sujeta a las restricciones de (2.1b) a (2.1d) representa

un problema lineal de asignacin.
b) problema del cajero viajante: si los xij fuesen representados en forma

matricial, la matriz resultante X = [xij] puede ser una matriz de permutacin,
esto es, una matriz en que cada fila y cada columna tiene por lo menos un
valor diferente de cero e igual a uno. La funcin objetivo (2.5) ms las
restricciones (2.1b) a (2.1d), y la condicin de que la matriz permutacin es
cclica (tal como se muestra a continuacin), facilita el modelo del problema
del cajero viajante.
0 1 0 ... 0
0 0 1 ... 0

X = [ xij ] = ...

0 0 0 ... 1
1 0 0 ... 0
El problema cuadrtico de asignacin (2.2), (2.1b) a (2.1d) ha sido usado

frecuentemente para modelar el problema de distribucin en planta de instalaciones.
De todos modos, esto no significa que todo problema de distribucin en planta de
instalacin deba ser formulado como un problema cuadrtico de asignacin, como en
el caso del problema de distribucin en planta de mquinas donde la localizacin de
las mquinas no es conocida a priori. Tales problemas no pueden ser formulados
como problemas cuadrticos de atribucin, pues las distancias djl no pueden ser
determinadas. La distancia dij entre las ubicaciones j e i dependen de la secuencia y
forma de la distribucin de todas las otras mquinas.
Esta situacin no se encuentra en problemas de distribucin en planta en que

las instalaciones son todas del mismo tamao, pues las localizaciones son todas de la
misma rea y las distancias djl entre las localizaciones j y l independen de la
instalacin atribuida a ese local. De este modo, djl no cambia de una instalacin
ubicada a otra. Los problemas en que la distancia entre localizaciones dependa de la
instalacin en particular ubicada sern tratados generalmente como un problema
general de distribucin en planta.
Pg. 50 de 337
El problema ms general de distribucin en planta de instalaciones, ser aquel

e el que la distancia entre dos localizaciones depende siempre de las instalaciones
asignadas a ellas.
Existen dos formulaciones para el problema general de distribucin en planta

de instalaciones. El primero es:
n n n n
min f jk c k jl xij x kl (2.6)
i =1 j =1 k =1 l =1
sujeta a las restricciones de las ecuaciones (2.1b) a (2.1d), donde cKjl es el coste de
transporte de una unidad de material desde la posicin j hasta la posicin l sobre la
solucin de distribucin k. Observe que k o nmero de potenciales distribuciones en
planta varia sobre el conjunto de todas las posibles soluciones de la distribucin en
planta tal y como ya ha sido resaltado por Armour y Buffa (1963), ese nmero
depende de las reas de las instalaciones y no precisa ser necesariamente n!. De hecho
en muchos casos prcticos el nmero de soluciones viables de la distribucin en
planta puede ser mucho menor que n!. Esto ocurre dado que dos o ms distribuciones
fsicas pueden ser simtricas y solamente una de ellas precisa de ser evaluada.
Desde el punto de vista terico el modelo presentado expresa lo que se desea

obtener, pero en la prctica es de difcil solucin, una vez que los costes dependen de
la solucin encontrada para la distribucin y viceversa.
2.4.3. Modelo cuadrtico de recubrimiento de conjunto.
La segunda formulacin para el problema general de distribucin en planta de

instalaciones es el modelo cuadrtico de recubrimiento de conjunto QSP -Quadratic
Set Covering Problem- (Bazaraa, 1975). En esta formulacin, el rea total ocupada
por todas las instalaciones es dividida en un nmero de bloques homogneos, esta
operacin se suele denominar reticulado.
La notacin usada es:
q - nmero de bloques en que dividimos el rea total ocupada por todas

las instalaciones;
I(i) - nmero de localizaciones posibles para la instalacin i;
Pg. 51 de 337
Ji (j) - conjunto de bloques ocupados por la instalacin i situada en la

posicin j;
d( ji , lk ) - distancia entre centroides de la posicin j y l cuando la instalacin i
es situada en la posicin j y la instalacin k se sita en la posicin l;
1 si la instalacin i es situada en la posicin j;

xij =
0 para los otros casos;
1 si el bloque t Ji (j)
pijt =
El Problema Cuadrtico de Cobertura de conjuntos (PQC) se formula:
n I (i ) n I (i ) n I ( k )
min aij xij - f ik d ( ji , l k ) xij x kl (2.7 a)
i =1 j =1 i =1 j =1 k =1 l =1
I (i )
x j =1
ij =1 i = 1, 2, , n (2.7 b)
n I (i )
p
i =1 j =1
ijt xij 1 t = 1, 2, , q (2.7 c)
xij {0,1}, i = 1,2,... , n j = 1,2,... , I(i) (2.7 d)
En el segundo factor de la funcin objetivo de esta formulacin, de igual

forma que en muchas de las siguiente, se considera u coste unitario constante por
unidad de distancia. Obsrvese adems que la restriccin (2.7b) garantiza que cada
instalacin sea atribuida exactamente a un local y la restriccin (2.7c) garantiza que
cada bloque sea ocupado por, como mximo, una instalacin, evitando que dos o ms
instalaciones puedan compartir una misma localizacin.
Las distancias entre localizaciones son tomadas entre los centroides de las
mismas. Bazaraa (1975) sugiere una alternativa de medir esas distancias utilizando
los flujos entre las instalaciones:
fik = fik / Si Sk , donde Si es el nmero de bloques ocupados por la instalacin i, y

djl es la distancia entre los bloques j y l. Usando esta medida se obtiene la siguiente
generalizacin:
Pg. 52 de 337
n q n q n q
min aij xij + f ' ik d ' jl xij x kl / S i S k (2.8 a)
i =1 j =1 i =1 j =1 k =1 l =1
segn las siguientes restricciones:
x
j =1
ij = Si i = 1, 2, , n (2.8 b)
x
i =1
ij 1 j = 1, 2, , q (2.8 c)
xij {0,1}, i = 1,2,... , n j = 1,2,... , q (2.8 d)
Aunque la formulacin anterior puede ser usada para representar el problema

general de distribucin en planta de instalaciones, tiene una desventaja que es que
aumenta el tamao del problema cuando el rea total ocupada por todas las
instalaciones es dividida en bloques ms pequeos y las formas irregulares que estas
pueden tomar en la solucin final al no establecer posibles localizaciones para cada
instalacin I(i) (Bazaraa, 1975). Lo mismo puede decirse en relacin a la sugestin
de Hillier y Connors (1966) para el problema general de distribucin en planta de
instalaciones, donde las instalaciones deben ser particionadas en sub-instalaciones
disjuntas de la misma rea.
2.4.4. Modelos de Programacin Lineal Entera.
Adems de los modelos de PQA y PQC, existen otros que tambin utilizan el
modelado de programacin lineal entera para el problema de distribucin en planta de
instalaciones. Lawler (1963) fue el primero en formularlos, definiendo la variable:
yijkl = xij xkl (2.9)
y sustituyendo en el problema cuadrtico de atribuciones (PQA) (2.2) y (2.1b) a

(2.1d) transformndolo en un problema de programacin lineal entera (PPLI):
n n n n
min bijkl y ijkl (2.10 a)
i =1 j =1 k =1 l =1
sujeto a las restricciones:
Pg. 53 de 337
n n n n
y
i =1 j =1 k =1 l =1
ijkl = n2 (2.10 b)
xij + xkl - 2 yijkl 0 i,j,l,k = 1,2,... , n (2.10 c)
yijkl {0,1} i,j,k,l = 1,2,... , n (2.10 d)
y las restricciones de ecuaciones (2.1b) a (2.1d).
En esta formulacin las ecuaciones (2.10 b) y (2.10 c) aseguran que los

valores de yijkl sean binarios (2.10 d). En este punto se debe considerar que el PQA
tiene n2 variables xij y 2n restricciones mientras que el PPLI tiene n2 variables xij, n4
variables yijkl y n4+2n+1 restricciones. En esta y en las comparaciones siguientes, las
restricciones de no negatividad fueron excluidas. Un punto negativo en este modelo
de Lawler segn Kaku y Thompson (1986) es tener 2n4+ 2n restricciones.
Existe otro modelo propuesto para la solucin del PQA por programacin
entera es el planteado por Love y Wong (1976) que tiene una formulacin ms simple
para el problema de asignacin cuadrtica donde:
a) los locales son definidos como puntos en un plano cartesiano de dos

dimensiones;
b) los costes de transporte son proporcionales a las distancias entre
localizaciones, considerando distancias rectangulares.

Si :
distancia horizontal entre instalaciones i y k, si la instalacin i est a la
derecha de k;
hrik =
distancia horizontal entre instalaciones i y k, si la instalacin i est a la

izquierda de k;
hlik =
distancia vertical entre instalaciones i y k, si la instalacin i est encima

de k;
vaik =
Pg. 54 de 337
distancia vertical entre instalaciones i y k, si la instalacin i est debajo

de k;
vbik =
(xi , yi ) es la localizacin de la instalacin i;
(Xj , Yj ) es la localizacin de la posicin j;
1 si la instalacin i esta asignada a la localizacin j;

xij =
la formulacin del problema de programacin entera para el PQA es:
n n n -1 n
min aij xij + f ik (h r ik + h l ik + v a ik + v b ik ) (2.11 a)
i =1 j =1 i =1 k =i +1
sujeto a las siguientes restricciones:
hrik - hlik = Xi - Xk i = 1,2,... , n; k = i + 1; (2.11 b)
vaik - vbik = Yi - Yk i = 1,2,... , n; k = i + 1; (2. 11c)
n
xi + y i = ( X j + Y j ) xij i = 1, 2,..., n (2.11 d)
j =1
n
xi - y i = ( X j - Y j ) xij i = 1, 2,..., n (2.11 e)
j =1
hrik , hlik , vaik , vbik 0 i = 1,2,... , n; k = i + 1; (2.11 f)
Xi , Yi 0 i = 1,2,... , n (2.11 g)
y las restricciones de ecuaciones (2.1 b) a (2.1 d).
En la formulacin anterior, la localizacin de las instalaciones es definida por

coordenadas cartesianas o rectangulares. Las restricciones (2.11 d) y (2.11 e) definen
solamente la localizacin de las instalaciones. El problema tiene n2 variables enteras y
n2+3n restricciones. Las restricciones (2.11 d) y (2.11 e) aseguran que cada punto en
el plano represente a una sola instalacin. Debido a su complejidad y la gran
capacidad de clculo necesaria, este modelo solo se puede aplicar eficientemente a
Pg. 55 de 337
problemas con pocas instalaciones. Experiencias informticas indican que esta

formulacin no es conveniente para problemas con nueve o ms instalaciones en
funcin del aumento del nmero de variables y del nmero de restricciones.
2.4.5. Problemas de Programacin Entera Mixta.
Kaufman y Broeckx (1978) formularon un problema de programacin mixta

con un nmero reducido de variables y restricciones en relacin a los formulados con
programacin entera para el PQA. La equivalencia entre los problemas fue probada
por Kaufman y Broeckx (1978) y Burkard (1984). Para el nuevo modelo fueron
definidos:
n n
wij = xij bijkl x kl (2.12 a)
k =1 l =1
n n
eij = bijkl (2.12 b)
k =1 l =1
La funcin objetivo es:
n n n n n n n n n n
min bijkl xij x kl = xij ( bijkl x kl ) = wij (2.13 a)
i =1 j =1 k =1 l =1 i =1 j =1 k =1 l =1 i =1 j =1
sujeta a las restricciones siguientes:
n n
eij xij + ( bijkl x kl ) - wij eij (2.13 b)
k =1 l =1
wij 0 i, j= 1,2,... , n (2.13 c)
y las restricciones de las ecuaciones (2.1 b) a (2.1 d).
La formulacin involucra como se puede apreciar n2 variables binarias o

enteras, n2 variables reales o continuas y n2+2n restricciones.
Otro modelo es el propuesto por Bazaraa y Sherali (1980), definido de la

siguiente forma:
gijkl = [ aij + akl / ( n - 1) ] + fik djl + fki dlj (2.14 a)
Pg. 56 de 337
yijkl = xij xkl para i = 1,2,... , n ; k = i+1,... , n; l , j = 1,... , n l j (2.14 b)
El problema lineal entero mixto equivalente al PQA es:
n -1 n n n
min g ijkl y ijkl (2.15 a)
i =1 j =1 k =1+1 l =1
sujeto a:
n n
y
k =i +1 l =1
ijkl - (n - i ) xij = 0 i = 1, 2,..., n-1; j = 1, 2,..., n (2.15 b)
l j
n n
y
i =1 j =1
ijkl - (k - 1) x kl = 0 k = 2, , n; l = 1, 2, , n (2.15 c)
j l
yijkl 1 i = 1,2,... , n-1, k = i+1,... , n, j, l = 1,2,... , n, j l (2.15 d)
yijkl 0 i = 1,2,... , n-1, k = i+1,... , n, j, l = 1,... , n, j l (2.15 e)
y las restricciones de ecuaciones (2.1 b) a (2.1 d). El problema tiene n2 variables

enteras, n2 (n-1)2 / 2 variables reales y 2n2 restricciones.
Existen adems otras muchas formulaciones equivalentes de programacin

lineal entera mixta para resolver el problema de asignacin cuadrtica (Balas y
Mazzola 1980; Bazaraa y Sherali. 1980; Burkard y Bonninger 1983; Frieze y
Yadegar 1983) y todas presentan un nmero similar de variables, tanto enteras como
continuas, y restricciones.
2.4.6. Modelos que utilizan la teora de grafos.
Fueron Foulds y Robinson (1976) quienes formularon una de las primeras

formulaciones utilizando la teora de grafos, partiendo de un grafo planar y
considerando que en cualquier solucin factible existen, adems de los vrtices
(instalaciones), aristas necesarias (instalaciones que necesariamente deben ser
adyacentes), aristas no deseables (instalaciones no adyacentes) y otras que pueden o
no ser aadidas, estas ltimas aristas, se denominadas aristas remanentes, tienen
asociado un beneficio (Cij) de situar la instalacin i adyacente a la instalacin j. La
formulacin que utiliza la teora de grafos necesita conocer los locales para cada par
de instalaciones adyacentes (Foulds y Robinson, 1976).
Pg. 57 de 337
Se usa la siguiente notacin:
G = (V , E ) - es un grafo donde V es el conjunto de vrtices en el vaco, E es

el conjunto de ligaciones disjuntas de V;
wij - indica la razn de proximidad deseable para colocar la
instalacin i adyacente a la instalacin j;
m - el nmero de instalaciones
V - el conjunto de instalaciones;
N - el conjunto de pares de instalaciones que deben ser adyacentes
en alguna solucin viable (aristas necesarias);
F - el conjunto de pares de instalaciones que no deben ser
adyacentes en alguna solucin viable (aristas no deseables);
P - el conjunto de posibles adyacencias (aristas remanentes);
De forma que: {N, F, P} es una particin de V = {{u, v}| u, v X V, u v}
Cij (i<j, {i, j} X P) es el beneficio de situar la instalacin i adyacente a j.
xij X{0, 1} para cada (i < j, {i, j} X P)
E = { ( i , j ) | xij = 1 , ( i , j ) E };
La formulacin del problema utilizando la teora de grafos es:
max wij xij {i, j} X P (2.16 a)

iE jE
xij = 1 , (i , j) N (2.16 b)
xij = 0 , (i , j) F (2.16 c)
(V, E N) es el mximo grafo planar. (2.16 d)
Segn Evans et al. (1987) los problemas de proyectos de distribucin en

planta pueden ser separados en dos categoras bsicas. La primera usa modelos
cuadrticos de asignacin como formulacin bsica y la segunda categora es
caracterizada por el uso del grfico de relacin en el proyecto del proceso.
Pg. 58 de 337
En estas misma lnea Kusiak (1990) propone algunos modelos lineales y no

lineales para resolver el problema de distribucin en planta de mquinas en una fila
SRMLP (SingleRow Machina Layout Problem) o en mltiples filas MRMLP
(MultipleRow Machina Layout Problem).
Aunque se puede considerar que los trabajos basados en la Teora de Grafos

han generado menos actividad que la busqueda de algoritmos con base numrica (y
esto se nota en la cantidad de publicaciones), si es cierto que la teora de grafos ha
dado resultados satisfactorios y en muchos casos ms adecuados a la realidad de la
industria, por eso aunque en ms escasa cantidad y de forma ms espordica aparecen
trabajos que resultan de interes. Podemos citar algunos de los trabajos ms actuales
como los de Recuero et al. (2004) en que intentan generar distribuciones en planta de
forma automtica a partir de grafos de adyacencia.
2.4.7. Modelo de distribucin en planta de instalaciones propuesto por

Tam y Li.
2.4.7.1. Definicin del problema.
Los procedimientos usados para resolver los problemas de distribucin en

planta, segn Tam (1992b), han sido frecuentemente criticados por el hecho de que la
bsqueda es conducida a partir de un nico punto en el espacio de soluciones y por la
dificultad que presenta la definicin de las restricciones geomtricas. En otras
palabras, la dificultad de resolver el problema de distribucin en planta se surge del
hecho de que la ubicacin de cada instalacin depende de la localizacin de las otras.
La complejidad aumenta aun ms, cuando se imponen restricciones de forma y de
tamao, lo que a nivel industrial resulta a todas luces ineludible.
Segn los investigadores Tam y Li (Tan y Li, 1991) las instalaciones son
usualmente modeladas como un bloque con cierta forma. Las tres formas ms
comunes son: rectangular, cuadrada y circular.
De entre las formas anteriores, la ms comn es la rectangular, de la cual la

cuadrada es, como resulta evidente, un caso particular. La forma circular, a pesar de
poder ser representada fcilmente a travs de las coordenadas del centro y del radio, y
ser citada por algunos autores como la de ms fcil manipulacin por medios
informticos, no representa la realidad.
Pg. 59 de 337
2.4.7.2. Caractersticas geomtricas.
Existen algunas importantes caractersticas geomtricas asociadas con las

instalaciones. La mayora de las caractersticas presentadas abajo son relativas a los
bloques rectangulares (Tan y Li, 1991).
a) Tamao: es el rea de una instalacin.
Esta puede ser de tamao fijo o acotado dando como datos la superficie mnima y
mxima entre las que debe estar comprendido el tamao de la instalacin. En
otros casos puede venir dado por un porcentaje que la instalacin debe tener
respecto a la totalidad de la planta general de la nave.
b) Razn de forma (aspect ratio): la razn de forma viene dada por la relacin:
ai = longitud de instalacin i / anchura de instalacin i (2.17)
c) Orientacin: en general, solamente orientaciones horizontal y vertical son

aceptadas para los bloques rectangulares. Si la instalacin puede ser colocada
horizontalmente o verticalmente, tiene orientacin libre, caso contrario, es
denominada orientacin fija.
d) Razn de sobreposicin (deadspace ratio): es una medida que refleja el grado

de distorsin de la forma. La existencia de reas ocupadas en el interior de una
instalacin modificar la forma del rea sobrepuesta. La medida de la razn de
sobreposicin de reas tiene este propsito, y es definida como:
oi = rea de sobreposicin en la instalacin i / rea de la instalacin i (2.18)
Observacin: La variacin de la instalacin, segn la orientacin, se dice fija

cuando puede ser colocada de una nica forma, en caso contrario
se dice mvil.
2.4.7.3. Restricciones del modelo.
De acuerdo con las caractersticas geomtricas de cada bloque, las

restricciones consideradas en el problema son:
Pg. 60 de 337
a) restricciones de tamao;
b) restricciones de orientacin;
c) restricciones de forma;
d) restricciones de sobreposicin.
Para restringir la forma de una instalacin su razn de forma debe estar

contenida en el intervalo [aimin , aimax], donde estos valores representan los limites
inferior y superior de la razn de forma de la instalacin i. Para las instalaciones que
tienen orientacin libre (Tam, 1992b), se considera como razn de forma los valores
ai y 1/ai. As, Tam propone considerar como intervalo:
[min{ aimin , 1 / aimax }, max{ aimax , 1 / aimin }] (2.19)
Cuando la planta est libre de reas ocupadas, las razones de sobreposicin de

todas las instalaciones son iguales a cero. Una de las utilidades de esta medida, es que
se puede moldear el permetro de una planta aproximando el mismo a una forma
deseada (Tam, 1992b).
Basndose en esta formulacin, dado un rbol de corte (slicing tree), se

puede calcular: los lmites, las razones de forma y las razones de sobreposicin para
todas las instalaciones. De hecho, todos pueden ser calculados una vez que los puntos
de corte del rbol sean conocidos (Tam, 1992b).
2.4.7.4. Modelado del problema.
El objetivo es asignar espacios para las instalaciones, de tal forma que la

mayora de las instalaciones con gran flujo de trfico se siten prximas y satisfagan
las restricciones de rea y de forma de cada una. El problema de localizacin de
espacios se define como: encontrar un rbol de corte s S, tal que:
n n
min sS F = vij d ij (2.20 a)
i =1 j =1
s. a aimin ai aimax " i = 1,... , n (2.20 b)
0 oi oimax " i = 1,... , n (2.20 c)
donde:
Pg. 61 de 337
vi j - es el volumen de trfico entre instalaciones i y j;

di j - es la distancia rectilnea entre los centroides de las instalaciones i y j;
ai - es la razn de forma de la instalacin i;
oi - es la razn de sobreposicin de la instalacin i;
El problema puede ser formulado como un problema de optimizacin no

restringido. Para esto es necesario transformar las restricciones en funciones de
penalizaciones.
n n n
min sS F = vij d ij + ( wa k a k + wb k b k ) (2.21)
i =1 j =1 k =1
donde:
ak = max {0 , max {ak - akmax , akmin - ak )}} " k = 1,... , n (2.22)
bk = max { 0 , ok - okmax } " k = 1,... , n (2.23)
wak , wbk 0 " k = 1,... , n (2.24)
El primer trmino de F mide el momento de transporte. El es definido por el

producto de la distancia entre las instalaciones y su volumen de trfico. El segundo
trmino representa la funcin de penalizacin para las restricciones geomtricas. El
primer trmino de la funcin penalizacin mide la extensin o cuanto es violada la
restriccin de razn de forma. Como cada instalacin tiene un nico nivel de
tolerancia para violar esta restriccin, ak es multiplicado por un factor positivo.
Cuando las instalaciones tienen orientacin variable, la penalizacin ak de la razn de
forma puede ser calculada por:
ak = max {0, max {(ak - max{akmax , 1/ akmin }),(min {akmin , 1/akmax}-ak)}} (2.25)
De la misma forma, el segundo termino bk penaliza la existencia de reas

ocupadas sobre las instalaciones. Se definen pesos para cada instalacin para asegurar
los niveles de tolerancia de las figuras irregulares (Tam, 1992b).
2.4.8. Otros modelos.
Los modelos presentados no son los unicos existentes y otros autores han
formulado otros modelos, con mayor o menor suerte, para representar el problema
planteado.
Pg. 62 de 337
Asi podemos citar que se han utilizando otros modelos de programacin lineal
entera como los presentados por Balas y Mazzola (1980), Burkard y Bonninger
(1983) y Friece y Yadegar (1983).
Ritzman et al (1979) formularon un modelo de programacin multiobjetivos

mixto, desarrollaron el programa informtico y resolvieron un problema de
localizacin de oficinas en un edificio. Para poder evaluar la solucin en cuanto a los
resultados, testaron un problema multiobjetivo con seis objetivos en conflicto.
Otros autores como Heragu y Kusiak (1991) presentaron asimismo dos

modelos lineales para el problema de distribucin en planta de instalaciones: uno
continuo (utilizando valores absolutos en la funcin objetivo y restricciones) y otro
mixto. El modelo mixto tiene menor nmero de variables enteras que otras
formulaciones existentes para el problema de distribucin en planta de instalaciones.
Difiere de la mayora de los modelos presentados en la bibliografa por no ser una
linealizacin del PQA. El modelo continuo tiene una forma ms compacta. Una de las
ventajas en las formulaciones presentadas es que los locales de localizacin no
precisan ser conocidos a priori. Las formulaciones modelan problemas de distribucin
en planta con instalaciones de reas diferentes. Los modelos testados con algoritmos
de optimizacin obtienen soluciones subptimas de buena calidad en un tiempo de
procesado computacional relativamente pequeo. El modelo continuo aparenta ser
ms til para resolver el problema de distribucin en planta de instalaciones que otros
modelos presentados en la literatura.
Mas tarde Cambron y Evans (1991) presentan e ilustran una forma de abordar
el complejo problema de proyecto de distribucin en planta englobando mltiples
objetivos conflictivos, llevando en consideracin entradas que pueden ser tanto de
naturaleza: cualitativa como cuantitativas. La forma de abordar el problema agrupa el
uso de diversos algoritmos del proyecto de distribucin en planta, bien como mtodos
manuales para generar distribucin en planta candidatos. Esas distribuciones fsicas
candidatas son usadas como entrada en el Proceso Analtico Jerrquico de Saaty en el
orden en que el problema de mltiples objetivos permite considerar.
Pg. 63 de 337
2.5. ALGORITMOS Y METODOS DE RESOLUCION DE PROBLEMAS DE

DISTRIBUCIN EN PLANTAS.
2.5.1. Clasificacin de los mtodos de solucin.
El problema de distribucin en planta, tal y como se ha dicho en el apartado

anterior, puede ser modelado de diversas formas por lo que como resulta lgico
existen una gran variedad de algoritmos que se pueden utilizar para su resolucin.
Para tratar de determinar la localizacin relativa de las distintas instalaciones

de una planta se han de cumplir con una serie de criterios y restricciones que
marcarn los requisitos de una buena distribucin, estos criterios pueden ser tanto de
naturaleza cuantitativa (mnimo coste de manipulacin de materiales, mnima
distancia entre instalaciones con mximo flujo, mnimo nmero de viajes entre
instalaciones o mnimo tiempo de preparacin, ) como cualitativa (criterios de
cercana no cuantificables, normalmente estratgicos, entre una instalacin y otra).
Normalmente se considera la minimizacin del coste de manipulacin de

material como el principal objetivo del problema; sin embargo existen otros muchos
objetivos crticos como maximizacin de las adyacencias entre instalaciones,
flexibilidad de las operaciones, utilizacin efectiva del espacio disponible, etc. Que se
deben de tener en cuenta simultneamente y que complican la formulacin del
problema. Adems el problema de distribucin en planta contempla la localizacin de
las reas ocupadas por las instalaciones, por lo que la forma que estas toman sobre la
planta son variables y afectan decididamente al coste de manipulacin y al clculo de
la distancia entre instalaciones.
Segn se recoge en los estudios de Kusiak y Heragu (1987), desde mediados

de los aos 50, se han venido desarrollando diversos estudios para resolver el
problema de instalaciones, que tiene algunas caractersticas que lo hacen difcil de
formular y resolver por medios analticos, por una parte el hecho de que cada
instalacin es una candidata potencial para cada localizacin indica que se tienen que
evaluar todas las posibles combinaciones localizacin-instalacin; de modo que si
tenemos n instalaciones para ser ubicadas en n localizaciones posibles, el nmero
total de combinaciones a considerar es de n!. En estos estudios se han presentado
algoritmos que pueden ser clasificados en dos grupos: algoritmos que presentan
solucin ptima y algoritmos que presentan solucin subptima.
Pg. 64 de 337
Asimismo, desde el inicio de los aos 60, han sido innumerables las
investigaciones que han sido realizadas para desarrollar algoritmos ptimos en la
solucin del problema de asignacin cuadrtica (QAP). Esos algoritmos pueden
dividirse en dos clases (Kusiak y Heragu ,1987):
a) algoritmos de ramificacin y acotamiento (branch and bound);

b) algoritmos de planos de corte (cuttng plane).
Los algoritmos ptimos o exactos presentan la desventaja de precisar mucho

tiempo de procesamiento y mucho espacio de almacenamiento en memoria. El mayor
problema, para el cual se ha determinado el ptimo, constaba de 15 instalaciones.
Pero debemos recordar que siendo en QAP un problema NP-hard, ni siquiera

los algoritmos exactos ms rpidos como puedan ser los denominados branch and
bound (B&B) resuelven el problema en los casos ms complejos y que tan solo son
operativos en un tiempo razonable de procesado abordando problemas de menos de
20 (Gavett y Plyter 1966, Burkard 1991, Hadley et al. 1992, Pardalos et al. 1994,
White 1994). Aun asi algunos autores (Pardalos et al. 1994, Domschke y Drexl 1996)
han seguido trabajando y han mejorado los rendimientos reduciendo el tiempo de
procesado incluso recurriendo al uso de implementaciones de algoritmos B&B
paralelos (Laursen 1993, Mans et al. 1995).
Por esta desventaja, las investigaciones se han orientado a concentrarse en los

algoritmos subptimos para resolver el problema de distribucin en planta.
Los primeros mtodos subptimos o heuristicos no presentan soluciones de

buena calidad, pero aun asi a travs de nuevas investigaciones, se han desarrollado
nuevos algoritmos, pudiendo ser clasificados, de forma general en (Kusiak y Heragu,
1987):
a) algoritmos constructivos (construction);

b) algoritmos de mejora (improvement);
c) algoritmos hbridos;
d) algoritmos basados en la teora de grafos.
Pg. 65 de 337
Algunos de estos mtodos subptimos recurren a grficos de flujos (flow

charts), procedimientos grficos basados en la experiencia y en el conocimiento que
el analista tiene de las instalaciones para definir la distribucin en planta. Otro
mtodo usado para determinar la distribucin en planta es el grfico de relaciones
(Relationships chart). Este mtodo muestra grficamente la proximidad deseada
entre los pares de instalaciones; este concepto fue introducido ya anteriormente por
Muther (1955). La proximidad deseada entre los pares de instalaciones es
representada en el grfico de relaciones por las letras A, E, I, O, U y X. Tales letras
indican si la proximidad entre el par de instalaciones i y j son: absolutamente
necesaria, especialmente importante, importante, comn, no importante e indeseable
respectivamente. El grfico de relaciones es la base de un mtodo popular
denominado de Planeamiento Sistemtico de Distribucin en Planta conocido
normalmente por las siglas del acrnimo ingles S.L.P. (Systematic Layout
Planning) (Muther, 1973). Wimmert (1958) presenta un modelo matemtico para el
problema de distribucin en planta de instalaciones que minimiza los flujos de los
productos y las distancias entre todas las combinaciones de instalaciones. Por
desgracia el teorema que sirvi de base para el mtodo de Wimmert estaba incorrecto
segn fue demostraron posteriormente con algn ejemplo Conway y Maxwell (1961).
Buffa (1955) presento un mtodo denominado de anlisis de secuencia, basado en el
anlisis de la secuencia de operaciones de las partes de una planta. Adems de estos,
existen otros mtodos desarrollados principalmente entre las dcadas de 50 y 60, que
no encuentran soluciones de buena calidad. Tales mtodos han sido presentados por
Foulds (1983) y reciben la denominacin de mtodos esquemticos y sistemticos.
En las secciones siguientes, se presentan los algoritmos estudiados con ms

detalle.
2.5.2. Algoritmos Exactos para solucin del problema de distribucin en

planta.
Podramos preguntarnos: Es posible encontrar la solucin ptima a un

problema recorriendo todas las soluciones posibles? A la hora de utilizar un
ordenador para hallar las respuesta a preguntas tales como: Cuntos caminos existen
que ? Listar todas las soluciones posibles para? Hay un camino qu ?
Normalmente requerir de una bsqueda exhaustiva dentro del conjunto de todas las
potenciales soluciones. Por eso, los algoritmos que resuelven este tipo de problemas
Pg. 66 de 337
reciben el nombre de algoritmos exactos, ptimos o de bsqueda exhaustiva. Por

ejemplo, si se desean encontrar todos los nmeros primos menores de 104, no existe
un mtodo conocido que no requiera de alguna manera, examinar cada uno de los
nmeros enteros entre 1 y 104. De igual manera manera si se desea encontrar todos
los caminos de un laberinto, se deben examinar todos los posibles caminos que
comiencen desde la entrada. Un ejemplo de este tipo es la bsqueda con "retroceso" o
(backtracking), trabaja tratando continuamente de extender una solucin parcial. En
cada etapa de la bsqueda, si una extensin de la solucin parcial actual no es posible,
se "va hacia atrs" para una solucin parcial mas corta y se trata nuevamente de
continuar desde ese punto. El mtodo "retroceso" es usado en un amplio rango de
problemas de bsqueda, incluyendo el anlisis gramatical (parsing), juegos, y
planificacin (scheduling). La segunda tcnica es "tamiz o criba" (sieves), es el
complemento lgico de "retroceso" en que se tratan de eliminar las no-soluciones en
lugar de tratar de encontrar la solucin. El mtodo "tamiz" es til principalmente en
clculos numricos tericos. Se debe tener en mente, sin embargo, que "retroceso" y
"tamiz" son solamente tcnicas generales. Se aplicarn en algoritmos cuyos
requerimientos en tiempo son prohibitivos. En general, la velocidad de los
ordenadores no resulta prctica para una bsqueda exhaustiva de ms de 100
elementos. As, para que estas tcnicas sean tiles, debern ser consideradas
solamente como una estructura dentro de la cual se aproxima el problema. Esta
estructura debe ser hecha a medida, a menudo con gran ingenio, para cuadrar con el
problema particular, de modo que el algoritmo resultante pueda ser de uso prctico.
Los mtodos exactos de resolucin de problemas se han aplicado con xito a

una cantidad elevada de problemas. Algunos ejemplos de estos mtodos son los
algoritmos voraces, algoritmos de divide y vencers, algoritmos de ramificacin y
acotamiento, backtraking, etc. Todos estos procedimientos resuelven problemas que
pertenecen a la clase P de forma ptima y en tiempo razonable pero tal y como se ha
comentado anteriormente, existe una clase de problemas, denominada NP, con gran
inters prctico para los cuales no se conocen algoritmos exactos con tiempos de
convergencia en tiempo polinmico. Es decir, aunque existe un algoritmo que
encuentra la solucin exacta al problema, tardara tanto tiempo en encontrarla que lo
hace completamente inaplicable. Adems, un algoritmo exacto es completamente
dependiente del problema (o familia de problemas) que resuelve, de forma que
Pg. 67 de 337
cuando se cambia el problema se tiene que disear un nuevo algoritmo exacto y

demostrar su optimalidad.
Este tipo de algortimos solo son factibles de aplicar en las distribucuiones en

planta cuando las implementaciones buscadas son simplemente de forma lineal
(instalaciones en lneas de produccin por ejemplo), pero no resultan aplicables a
problemas de ms dimensiones.
2.5.2.1. Algoritmos de ramificacin y acotamiento (branch and bound).
Se puede encontrar en la literatura diversos trabajos que presentan la tcnica

de ramificacin y acotamiento (o poda), ms conocida por su denominacin inglesa
de branch and bound (B&B), para encontrar una solucin al problema de la
distribucin en planta.
Los dos primeros algoritmos del tipo branch and bound, para hallar una
solucin al problema de la distribucin en planta de instalaciones, fueron
desarrollados por Gilmore (1962) y Lawler (1963). La diferencia entre estos dos
trabajos est en calcular los lmites. Ambos algoritmos evalan implcitamente todas
las soluciones potenciales, pero difieren en cuanto al clculo de la cota inferior.
Pierce y Crowston (1971) clasifican este tipo de enumeracin como tcnica de
enumeracin controlada. En el caso de que no se considerase un lmite para podar el
rbol de decisin, como se ha citado en los mtodos anteriores, el procedimiento
pasara a ser una tcnica de enumeracin completa que es ineficiente desde el punto
de vista informtico.
Adems de estos, otros dos algoritmos fueron desarrollados por Land (1963) y
por Gavett y Plyter (1966). Estos algoritmos asignan y ubican pares de instalaciones
mientras que los dos primeros algoritmos tan solo sitan una instalacin por vez.
El algoritmo ptimo tiene como caracterstica bsica, ubicar paso a paso, una
instalacin de cada vez. En cada paso aparecen retornos, donde algunas ubicaciones
son excluidas y el proceso de bsqueda contina. Pierce y Crowston (1971)
presentaron un algoritmo que se comporta en base de asignaciones paso a paso
excluyendo pares de asignaciones de la solucin del problema. Los algoritmos
exactos presentados utilizan mucho espacio de memoria y tiempo de procesado
Pg. 68 de 337
(Burkard, 1984). Lavalle y Roucairol (1985) sugieren el uso de un algoritmo de

branch and bound paralelo para encontrar el ptimo del PQA. Tales algoritmos
realizan una bsqueda paralela (simultnea) sobre varias ramas del rbol de decisin.
Sin embargo, los resultados computacionales presentados por estos autores indican
que el algoritmo requiere mucho tiempo de procesado para resolver problemas con
doce o ms instalaciones.
Little et al. (1963) utilizaran el proceso de reduccin en el problema del

Cajero Viajante. Graves y Whinston (1970) desarrollaron un algoritmo heurstico que
se basa en determinar lmites usando propiedades estadsticas de la funcin objetivo.
Esos limites son utilizados en un procedimiento enumerativo que encuentra
soluciones subptimas.
Burkard (1973) propone un algoritmo ptimo para resolver el problema PQA

basado en la reduccin de una matriz cuadrada. La reduccin se realiza de una matriz
cuadrada A para otra matriz cuadrada A de elementos no negativos, con por lo
menos un cero en cada lnea y cada columna, con el objetivo de reducir la
importancia de los trminos cuadrticos en la funcin objetivo y aumentar la de los
trminos lineales.
Bazaraa (1975) desarroll un algoritmo utilizando la tcnica de branch and

bound para el problema general de distribucin en planta de instalaciones,
obteniendo a cada paso una distribucin en planta parcial P (no completa) cada vez
que se desea asignar una nueva instalacin, en la cual determina un limite inferior
(LB) de los costes de las posibles combinaciones de distribucin en planta parcial P
actual en base a la suma de los costes de la distribucin actual P, los costes de
interaccin de P con las instalaciones no asignadas y los de interaccin entre stas
ltimas. La cota inferior, equivalente al coste de la posible terminacin de P, se
compara con la mejor funcin objetivo conocida (C*). Mientras LB sea menor que el
coste de la mejor distribucin en planta evaluada C*, se asigna la nueva instalacin y
se incrementa P; si LB es mayor entonces se descarta esta asignacin y se busca una
nueva instalacin para asignar; as el algoritmo continua ubicando una nueva
instalacin y consecuentemente aumentando el tamao | P | de la distribucin en
planta parcial. Cuando la bsqueda en esta direccin termina y la ltima instalacin
no puede ser situada, se busca una nueva ubicacin. La bsqueda continua utilizando
Pg. 69 de 337
el mismo procedimiento y haciendo crecer la distribucin parcial P hasta que se

obtiene una distribucin completa.
Foulds y Robinson, 1976 implentean tambien un algoritmo branch and

bound para intentar abordar la solucin al problema de asignacin cuadrtica.
Mas tarde Bazaraa y Elshafei (1979) propusieron un algoritmo que utiliza la

tcnica de branch and bound para hallar la solucin del PQA en base a la ubicacin
paso a paso de una instalacin, o lo que es lo mismo asignacin de una instalacin a
la vez, en locales aun no ocupados.
Burkard (1984) presenta una revisin sobre el problema cuadrtico de

asignacin.
Kaku y Thompson (1986) presentaron otro algoritmo utilizando la tcnica de

branch and bound basado en la descomposicin del problema original en pequeos
problemas de caractersticas similares, con mejores resultados que el algoritmo de
Lawler (1963), especialmente cuando los problemas son grandes.
Heragu y Kusiak (1991) presentaron dos modelos para la posible solucin del
problema de distribucin en planta de instalaciones: el primero lineal continuo con
valor absoluto en la funcin objetivo y en las restricciones, otro lineal mixto.
Palekar et al. (1992) presentaron un mtodo exacto y sugiere heursticas para

resolver el problema de distribucin en planta estocstico dinmico.
Kelly et al. (1994) presentaron un planteamiento determinstico a travs de la

busqueda tab, que se ha mostrado ms poderosa que los simples cambios
aleatorios.
Kouvelis et al. (1995) presentaron una aplicacin de un mtodo ptimo en la

solucin del problema de distribucin en planta de mquinas en lnea.
2.5.2.2. Algoritmos de planos de corte (cutting plane).
Los algoritmos que utilizan el mtodo de planos de corte para resolver el

problema de asignacin cuadrtica fueron desarrollados por Bazaraa y Sherali (1980)
y Burkard y Bonninger (1983). Los algoritmos ptimos que utilizan las tcnicas de
Pg. 70 de 337
branch and bound y de planos de corte (cutting plane), gastan, tal y como ya se ha
mencionado, mucho espacio de memoria y tiempo de computacin en la solucin de
los problemas cuadrticos de ubicacin. Para mostrar esto baste como ejemplo citar
que el mayor problema que aparece resuelto en la bibliografa para el cual se obtuvo
la solucin ptima, por un algoritmo de planos de corte, constaba tan solo de ocho
instalaciones. Otra experiencia con estos algoritmos demuestra que la solucin ptima
encontrada en el proceso de bsqueda en los vrtices del rbol solo ha sido obtenida
tras que un nmero significativo de soluciones hayan sido testadas (Burkard y
Stratman, 1978 y Bazaraa y Kirca, 1983), lo que estimul encerrar el proceso de
bsquedas en el branch and bound anticipadamente, sin verificar lo optimo de la
bsqueda, surgiendo la aplicacin de algoritmos heursticos de branch and bound.
Burkard (1984) present dos criterios para el proceso de finalizacin del

algoritmo branch and bound:
a) el primer criterio esta basado en la limitacin del tiempo, en el cual el

algoritmo para ras exceder un lmite de tiempo predefinido;
b) el segundo criterio esta basado en la calidad del lmite superior, esto es, tras
un tiempo de procesamiento no obtenindose una mejora en la solucin, el
lmite superior es reducido en un cierto porcentaje.
2.5.2.3. Algoritmos constructivos.
En los algoritmos constructivos la solucin se construye paso a paso. En otras

palabras, las instalaciones son ubicadas una por una de cada vez, hasta que la
distribucin en planta esta completa.
Un estudio realizado por Moore (1974) indicaba la existencia de dos veces

ms algoritmos constructivos que algoritmos de mejora, y en la actualidad la cosa no
ha mejorado mucho dado que muchos estudios de layouts son de aplicacin en
electronica y aqu los nuevos chips y placas de circuitos impresos parten de cero.
Algunos, dado que seria casi imposible hacer referencia a todos siendo que adems
muchos de ellos son apenas pequeas variantes de otros-, de los ms conocidos
algoritmos de construccin son: HC66 (Hiller y Connors, 1966), ALDEP (Seehof y
Evans, 1967), CORELAP (Lee y Moore, 1967), RMA Comp I (Murther y
Pg. 71 de 337
McPherson, 1970), MAT (Edwards et al., 1970), PLANET (Deisenroth y Apple,

1972), LSP (Zoller y Adendorff ,1972), Algoritmo de ubicacin lineal (Neghabat,
1974), FATE (Block, 1978), INLAYT (OBrien y Abdel Barr, 1980), FLAT
(Heragu y Kusiak, 1986) y COMLADII (Ciai y Sule, 1991).
Ketcham et al. (1989) presentaron un estudio comparando y una versin

modificada del ALDEP, el PLANET y el FLAG.
2.5.2.4. Algoritmos de mejora.
La caracterstica bsica de los algoritmos de mejora es la de generar

aleatoriamente una solucin inicial y, teniendo como base esta solucin, realizar
cambios sistemticos entre instalaciones y evaluar los resultados. Los cambios que
producen una solucin mejor son guardados y el procedimiento contina hasta que no
se obtenga una solucin mejor. Luego el algoritmo de mejora depende mucho de la
calidad de la solucin inicial. A continuacin se citan algunos de los algoritmos de
mejora ms conocidos:
a) CRAFT (Armour y Buffa, 1963 y Buffa et al.,1964);
b) variaciones del CRAFT: COFAD (Tompkins y Reed, 1976), basado en la

tcnica (Nugent et al., 1968), COL (Vollmann et al., 1968), CRAFT-N (Hicks
y Cowan, 1976), SPACECRAFT (Johnson, 1982), CRAFT-3D (Cinar,
1975), SPACECRAFT (Jacobs, 1984), MOCRAFT (Svestka, 1990) y
FACLO (Allenbach y Werner, 1990);
c) otros algoritmos: H63 (Hillier, 1963), H63-66 (Hillier y Connors, 1966),

COL (Vollman et al., 1968), Algoritmos SAMPLING 1 (Nugent et al.,
1968) y 2. (Hitchings y Cottam, 1976), PRAT (Khalil, 1973), COFAD
(Tompkins y Reed, 1976) y COFAD-F (modificado por Shore y Thompkins,
1980), Algoritmo revisado de Hillier (Picone y Wilhelm, 1984).
Co et al. (1989) desarrollaron un modelo para la solucin de problemas con

sistema de fabricacin flexible, que es una extensin del CRAFT incorporando un
modelo, computacionalmente eficiente de filas en red.
Galbraith y Miller (1990) presentan el mtodo MASL (a Multifactor

Approach for Selecting fron among computer generated Layouts) que hace un anlisis
en trminos de medidas cuantitativas tales como: ineficiencia de flujo, distancia entre
Pg. 72 de 337
reas funcionales y aumento de capacidad. Los softwares utilizados para generar las
distribuciones fsicas de test han sido CRAFT, ALDEP y CORELAP.
Cambron y Evans (1991) presentaron la aplicacin del mtodo analtico

jerarquico de Saaty a un problema para encontrar una distribucin para impresin
comercial y encuadernacin.
Lacksonen (1997) presenta un modelo y un algoritmo de mejora para la

solucin del problema de distribucin en planta de instalaciones dinmico con reas
diferentes.
Tipo de Input Construccin Mejora

CRAFT
MCRAFT
PLANET
BLOCPLAN
Cuantitativos BLOCPLAN
LOGIC
LOGIC
MULTIPLE
COFAD
CORELAP
ALDEP
Cualitativos BLOCPLAN
PLANET
BLOCPLAN
Tabla 2.2: Algunos algoritmos de distribucin en planta de instalaciones.
2.5.2.5. Algoritmos hbridos.
Bazaraa y Kirca (1983) clasifican los algoritmos de hbridos cuando poseen

caractersticas de los algoritmos ptimos y subptimos al mismo tiempo. Ejemplos de
tales algoritmos son presentados por Burkard y Stratman (1978), Bazaraa y Sherali
(1980), Bazaraa y Kirka (1983), Elshafei (1977) y Scriabin y Vergin (1985). Se
incluyen en esta lista los dos ltimos, por usar los principios de los algoritmos de
construccin y de mejora.
Burkard y Stratman (1978) propusieron un algoritmo heurstico que usa el

mtodo de branch and bound y el algoritmo de mejora. Obtiene una solucin inicial
usando el algoritmo de branch and bound y un lmite de tiempo. Esta solucin
inicial, pasa entonces, a travs de un algoritmo de mejora denominado VERBES.
Este algoritmo realiza cambios en forma de pares (2-opt) y hasta de tros (3-opt),
alternativamente, y finaliza cuando la solucin no puede ser mejorada.
Pg. 73 de 337
Burkard y Stratman (1978) propusieron un algoritmo similar al anterior

utilizando para encontrar la solucin inicial el algoritmo de Gaschutz y Ahrens
(1968).
Bazaraa y Kirca (1983) presentaron dos algoritmos, el primero un algoritmo

ptimo y el segundo un algoritmo heurstico obtenido a travs de modificaciones en
el primero. El algoritmo heurstico se basa en el mtodo de branch and bound que
reduzca el tiempo de procesamiento no explorando vrtices que son una imagen
invertida de un vrtice explorado anteriormente. En otras palabras, si el vrtice A es
una imagen invertida del vrtice B el lmite inferior ya fue calculado anteriormente,
entonces en bsquedas futuras no es necesario realizar cambios en el vrtice A. Los
mtodos heursticos, utilizando los algoritmos de mejora de 2-way y 4-way y una
regla para seleccionar vrtices a ser investigados, producen resultados de buena
calidad.
Se citan a continuacin algunos algoritmos hbridos:
FLAC (Scriabin y Vergin, 1985);

DISCON (Drezner, 1980);
Houshyar y White (1997).
2.5.2.6. Algoritmos que utilizan la teora de grafos.
Los algoritmos que utilizan la teora de los grafos buscan un subgrafo

maximal planar a partir de un grafo completo que muestra la relacin entre las
instalaciones. El dual de este subgrafo maximal planar determina la distribucin en
planta de las instalaciones. Existen algoritmos que pueden ser clasificados como
algoritmos que utilizan la teora de grafos y como algoritmos constructivos y sern
presentados en este apartado.
Seppanen y Moore (1970) propusieron un procedimiento utilizando la teora

de los grafos mencionada anteriormente. Los mismos autores en 1975, proponen un
algoritmo heurstico utilizando la misma estrategia (Seppanen y Moore, 1975). El
algoritmo determina el rbol mximo con base en el grafo maximal. Con la ayuda de
un proceso de adicin de ejes, el rbol mximo se usa entonces para obtener el
Pg. 74 de 337
subgrafo maximal planar, y del dual del subgrafo maximal planar se determina una
distribucin en planta para las instalaciones.
Existen adems otros algoritmos que utilizan la teora de los grafos, algunos de
los cuales fueron presentados por:
algoritmo Deltahedron (Foulds y Robinson, 1978);

algoritmo Wheel expansin (Eades et al., 1982);
algoritmo GASOL (Hammouche y Webster, 1985);
Kim et al. (1996) presentaron un modelo para resolver el problema de
localizacin de mquinas en lneas simples y mltiplas para periodos cortos y
largos, utilizando la teora de simulated annealing y teora de los grafos;
algoritmo LAMAN (Foulds, 1997);
Mtodos heursticos que transforman el subgrafo mximal planar en una
distribucin en planta de instalaciones con reas diferentes han sido
presentados por Irvine y Rinsma-Melchert (1997) y por Watson y Giffin
(1997);
Wascher y Merker (1997) presentan un estudio comparativo entre los mtodos
heursticos.
Foulds y Partovi (1998) presentan LayoutManager basado en la heurstica
Deltahedron.
Kusumah (2001) presenta otro interesante algoritmo basado en la teoria de
grafos.
Corral (2002) implementa un algoritmo para la compartimentacin del
espacio por medio de R-trees.
San Jos (2004) presenta un algoritmo que permite el dibujo automtico de
distribuciones en planta a partir de un grafo de adyacencias demostrando que
esta lnea de trabajos sigue viva y dando buenos resultados.
2.5.2.7. Otros mtodos encontrados en la bibliografa.
Adems de los algoritmos presentados se debe mencionar que con el avance de

los sistemas informticos y al ampliar las posibilidades de clculo (cmputo) se han
propuesto nuevas tcnicas en el rea de la Inteligencia Artificial, tales como:
Pg. 75 de 337
Sistemas Expertos que consisten en proveer al ordenador de mecanismos y

medios, de forma que el sistema funcione-opere como si fuese un especialista
en algn rea de inters de una determinada ciencia (Cunha y Ribeiro, 1987).
Redes Neuronales que estudian algoritmos que simulan el comportamiento
de las neuronas.
A partir de estas nuevas herramientas, se observan en las referencias

bibliogrficas otros mtodos que estn siendo utilizados en la solucin del problema
de distribucin en planta.
Abdou y Dutta (1990) presentaron un sistema experto en EXSYS que utiliza una
base de dados para obtener distribucin en planta de mquinas sobre combinaciones
especficas de fabricacin y sistemas de mano de obra. La base de dados incorpora
seis factores, relacionando la variedad y cantidad de productos, grado de flexibilidad,
nivel de automacin, sistema de mano de obra, piezas en proceso, consideraciones
generales.
Sirinaovakul y Thajchayapong (1994) presentaron un modelo constructivo,

basado en tcnicas de Inteligencia Artificial. El sistema consiste en la situacin de
patrones, un mtodo de bsqueda heurstica y un sistema de base de dados.
Badiru y Arif (1996) presentaron un sistema FLEXPERT que considera en la

solucin la naturaleza multicriterio del problema de distribucin en planta y las
variaciones de los datos de entrada por la integracin de un sistema especialista y un
algoritmo basado en la teora de la lgica difusa.
Welgama y Gibson (1996) presentaron un modelo para la solucin de

distribuciones en planta y sistemas de mano de obra dinmico integrando abordajes
metodolgicos de bases de datos y optimizacin.
Evans et al. (1987) presentaron una heurstica utilizando la teora de conjuntos

difusos en la solucin del problema de distribucin en planta de departamentos. Esta
heurstica utiliza descripcin aproximada para dos categoras distintas del diseo:
proximidad e importancia expresadas en forma de relaciones difusas para cada par de
departamentos.
Pg. 76 de 337
Rosenblatt y Lee (1987) presentan mtodos de robustez usados en la solucin de

problemas de distribucin en planta con demandas estocsticas para periodos simples.
Golany y Rosenblatt (1989) presentan un algoritmo heurstico para resolver el

problema cuadrtico de atribucin. El algoritmo consta de tres fases distintas:
constructiva, atribucin y mejora.
Malakooti (1989) presenta un algoritmo heurstico, en la solucin del problema de

distribucin en planta de instalaciones multiobjetivos, que genera eficientes
distribuciones en planta a partir de intercambios de pares de departamentos.
Heragu y Kusiak (1990) presentan dos modelos para resolver el problema de

distribucin en planta de mquinas en sistemas de fabricacin automatizados. De
estos modelos deriva un sistema basado en el conocimiento para hallar la solucin del
problema de distribucin en planta de mquinas. En este sistema se combinan los
conceptos de optimizacin y sistemas expertos considerando factores tanto
cuantitativos como cualitativos.
Savsar (1991) present un mtodo sistemtico y un algoritmo de simulacin para

resolver el problema de distribucin en planta flexible de instalaciones. Critrios tales
como minimizar el coste total de mano de obra, maximizar la razn total de
proximidad entre departamentos, minimizar los costes futuros con cambios y
minimizar el coste total de mano de obra esperado en posibles cambios futuros son
incorporados en el modelo.
Kaku et al. (1991) presentan un procedimiento heurstico combinando un mtodo

constructivo con un procedimiento de cambios usado repetidamente.
Tam (1992a) present un algoritmo utilizando la tcnica de simulated annealing

y compara con dos mtodos de bsqueda local.
Hassan (1994) present un estudio del problema de distribucin en planta de

mquinas en modernas instalaciones manufactureras y sugiere reas potenciales de
investigacin.
Malmborg (1994) present un mtodo analtico para el problema de distribucin

en planta con previsin de stocks de piezas en fases de procesamiento, resultante de
Pg. 77 de 337
un nmero fijo de iteraciones (loop), alimentado por vehculos automatizados. El

modelo presentado utiliza dos algoritmos, uno de bsqueda de mejora local y otro de
simulated annealing.
Raoot y Rakshit (1994) presentan una heurstica para solucin del problema de
distribucin en planta de instalaciones, formulado como un problema cuadrtico de
atribuciones con simples y mltiples objetivos, basada en la teora del conjunto
difuso.
Ya a finales del siglo pasado, se empiezan a aplicar a la bsqueda de soluciones

racionales a los problemas las distribuciones en planta las nuevas heursticas basadas
en los denominados algoritmos biolgicos como pueden ser: Algoritmos Geneticos
(Dos Reis Tabares 2000), Ant Colony Optimization (ACO) (Colorni et al. 1991,
Dorigo y Gambardella 1996, Maniezzo y Colorni 1999, Gambardella et al. 1999,
Hospitaler et al. 2003, Solimanpur et al. 2004, Cobo y Serrano 2004, Corry y Kozan
2004, Solimanpur et al. 2005, Baykasoglu et al. 2006) y Particle Swarm Optimization
(PSO) (Hardin y Usher 2005, Acan y nveren 2005, Christu-Paul et al. 2006), que
veremos en prximos apartados.
Asignacin de
Instalaciones
a Lugares
Cheng y OConnor (1996) Zouein et al. (2002)

Tommelein et al. (1992) Hegazy y Elbeltagi (1999)
Tommelein y Zouein (1993) Zouein y Tommelein (1999)
Tcnicas
Tcnicas Numricas y
Heursticas Matematicas
Li & Love (1998)
Yeh (1995)
Tam et al. (2001)
Cheung et al. (2002)
Asignacion
de Instalaciones
a Localizaciones
Figura 2.6: Clasificacin de algunos de los modelos de construccin de

distribuciones.
Pg. 78 de 337
2.6. ALGORITMOS HEURISTICOS Y METAHEURISTICOS.
Una de las cuestiones computacionales que se deben solventar en los

problemas de optimizacin combinatoria es la explosin combinatoria. La explosin
combinatoria se encuentra en situaciones donde las elecciones estn compuestas
secuencialmente, es decir, dado un conjunto de elementos se podrn obtener
diferentes arreglos ordenados de estos, permitiendo una vasta cantidad de
posibilidades.
Una caracterstica recurrente en los problemas de optimizacin combinatoria

es el hecho de que en general son muy "fciles" de entender y de enunciar, pero de
igual modo y por desgracia en general son "difciles" de resolver. Podra pensarse, tal
y como se ha visto en el Captulo 1, que la solucin de un problema de optimizacin
combinatoria se restringe nicamente a buscar de manera exhaustiva el valor mximo
o mnimo en un conjunto finito de posibilidades y que usando un sistema informtico
veloz, el problema carecera de inters matemtico, sin pensar por un momento, en el
tamao de este conjunto. Los intentos por tratar con el problema de la explosin
combinatoria han encontrado muchos obstculos. Por ejemplo, no ser suficiente
contar con un "conocimiento experto" para manejarlos de manera efectiva, de igual
manera no ser suficiente confiar en el poder computacional de alta velocidad de los
superordenadores. Algunos problemas clsicos donde la explosin combinatoria
prevalece, muestran que un intento por generar todas las alternativas relevantes por
computadora no es una tarea factible. As, por ejemplo, en el problema del agente
viajero, en el cual se tiene que salir de una ciudad y regresar a la misma despus de
haber visitado (con costo mnimo de viaje) todas las dems ciudades, si se tienen n
ciudades en total que recorrer entonces existen (n-1)! soluciones factibles, y si un
ordenador se pudiera programar para examinar soluciones a razn de un billn de
soluciones por segundo terminara su tarea, para n = 25 ciudades (lo que
evidentemente resulta un problema pequeo para muchos casos prcticos) en
alrededor de 19.674 aos.
Al respecto Glover (1989) refiriendose a casos como el que se nos plantea

expone: "la clave para tratar con tales problemas es ir un paso ms all de la
aplicacin directa de la destreza y del conocimiento del experto, y generar recursos
Pg. 79 de 337
para un procedimiento especial (o marco) el cual monitorea y dirige el uso de esta

habilidad y conocimiento. Careciendo de tal procedimiento, las reglas expertas se
pueden empantanar, permitiendo un punto donde ninguna mejora puede percibirse, a
menos de que existan alternativas superiores."
Algunos problemas de optimizacin combinatoria como por ejemplo, el

problema de programacin lineal, el problema de transporte, el problema de
asignacin; existen algoritmos rpidos y eficientes, pero en la mayora de problemas
de optimizacin combinatoria, por desgracia no los hay. Como por ejemplo el
problema de asignacin cuadrtico, el problema de localizacin de plantas, el
problema del agente viajero, etc. Desde hace varias decadas han sido atacados por
algoritmos desarrollados especialmente para el problema especfico y usando una
diversidad de tcnicas tales como planos de corte (cutting plane), ramificacin y
acotamiento (brounch and bound), enumeracin implcita, relajacin Lagrangeana,
particin de Benders, etc. o por combinaciones de algunas de las tcnicas antes
mencionadas. Sin embargo, tal y como se ha visto anteriormente en el capitulo 1, no
pueden resolverse de manera exacta usando tiempo y espacio de ordenador razonable,
an cuando se tenga slo un nmero moderado de variables. Precisamente por este
motivo es por el que en los ltimos tiempos, la investigacin se ha dirigido
principalmente hacia el diseo de buenas heursticas, es decir, algoritmos eficientes
con respecto al tiempo de cmputo y al espacio de memoria, y con cierta
verosimilitud de entregar una solucin "buena" esto es, relativamente cercana a la
ptima mediante el examen de slo un pequeo subconjunto de soluciones del
nmero total.
El principal problema de algunos algoritmos heursticos estriba en la

dificultad de escapar de la optimalidad local. Lo anterior ha propiciado que el enfoque
de la inteligencia artificial haya revivido como solucin de problemas que requieren
de la bsqueda heurstica. Varias aproximaciones han surgido del manejo de
problemas de decisin complejos, como son entre otros: Bsqueda Tab, Algoritmos
Genticos, Redes Neuronales, Recocido Simulado, Colonias de Hormigas, Enjambre
de Partculas, Anlisis de Objetivos y Bsqueda Dispersa.
Son muchos los algoritmos que pueden aplicarse sobre la bsqueda de

soluciones para las distribuciones en planta en busca de buenos resultados, pero el
Pg. 80 de 337
estudio ha ido evolucionando desde el uso de Algoritmos Exactos hacia Algoritmos

Heursticos y finalmente Metaheursticos. Los primeros ya han sido vistos en
apartados anteriores, por lo que veremos a continuacin algo ms sobre los
procedimientos heursticos y metaheursticos.
Figura 2.7: Publicaciones metaheursticas usadas en el problema de Distribucin en

Planta (Hahn 2008)
Una vez presentados los algoritmos ms relevantes que se han desarrollado

para abordar el importante problema de la asignacin de instalaciones a espacios y
vistos en el apartado anterior los algoritmos exactos que abordan el problema de la
distribucin en planta se presentarn a continuacin otros procedimientos y tcnicas
resolutivas heuristiocas o metaheursticas que permiten implementar otras tcnicas
que tambin han sido utilizadas para la bsqueda de soluciones al problema
propuesto.
2.6.1. Algoritmos heursticos
Como hemos visto para la mayora de problemas de inters no existe un

algoritmo exacto con complejidad polinmica que encuentre la solucin ptima a
nuestro problema. Adems, la cardinalidad del espacio de bsqueda de estos
problemas suele ser muy grande, lo cual hace inviable en la prctica el uso de
algoritmos exactos ya que la cantidad de tiempo que necesitara para encontrar una
solucin resultara inaceptable. Debido a esto es preciso recurrir a algoritmos
aproximados o heursticos que permitan obtener una solucin de calidad en un tiempo
Pg. 81 de 337
razonable. El trmino heurstica proviene del vocablo griego heuriskein, que puede
traducirse como encontrar, descubrir o hallar.
Desde un punto de vista cientfico, el trmino heurstica se debe al matemtico

George Polya quien lo emple por primera vez en su libro How to Solve It 8. Con ste
trmino, Polya englobaba las reglas con las que los humanos gestionan el
conocimiento comn y que, a grandes rasgos, se podan simplificar en:
Buscar un problema parecido que ya haya sido resuelto.

Determinar la tcnica empleada para su resolucin as como la solucin obtenida.
En el caso en el que sea posible, utilizar la tcnica y solucin descrita en el punto
anterior para resolver el problema planteado.
Existen dos interpretaciones posibles para el trmino heurstica.
La primera de ellas concibe las heursticas como un procedimiento para resolver

problemas. Para esta interpretacin, algunas de las definiciones ms interesantes que
se extraen de la literatura son las siguientes: T. Nicholson: Procedimiento para
resolver problemas por medio de un mtodo intuitivo en el que la estructura del
problema puede interpretarse y explotarse inteligentemente para obtener una
solucin razonable. Otros autores como H. Mller-Merbach las definen como: En
investigacin operativa, el trmino heurstico normalmente se entiende en el sentido
de un algoritmo iterativo que no converge hacia la solucin (ptima o factible), e
incluso Barr et al. dicen que: Un mtodo heurstico es un conjunto bien conocido de
pasos para identificar rpidamente una solucin de alta calidad para un problema
dado.
La segunda interpretacin de heurstica entiende que stas son una funcin que
permiten evaluar la bondad de un movimiento, estado, elemento o solucin. En este
sentido algunas de las definiciones ms interesantes que se pueden encontrar en la
literatura son: Rich et al.: Una funcin heurstica es una correspondencia entre las
descripciones de los estados del problema hacia alguna medida de idoneidad,
normalmente representada por nmeros. Los aspectos del problema que se
consideran, cmo se evalan estos aspectos y los pesos que se dan a los aspectos
8
How to Solve It (titulado en espaol: Cmo plantear y resolver problemas) es un libro del
matemtico hngaro George Plya (1887-1985), publicado en 1945 en la Universidad de Princeton,
que describe mtodos para resolver problemas y elaborar pequeas demostraciones.
Pg. 82 de 337
individuales, se eligen de forma que el valor que la funcin da a un nodo del proceso
de bsqueda sea una estimacin tan buena como sea posible para ver si ese nodo
pertenece a la ruta que conduce a la solucin o la de Russell et al. Que dicen que:
Actualmente, el trmino heurstica se utiliza ms bien como adjetivo para referirse a
cualquier tcnica que permita mejorar el desempeo del caso promedio en una tarea
de resolucin de problemas, aunque no necesariamente permita mejorar el
desempeo del peor de los casos. Especficamente en el rea de los algoritmos de
bsqueda, se refiere a una funcin mediante la cual se obtiene una estimacin del
coste de una solucin.
De todas las definiciones, quiz una de las que puedan resultar ms intuitivas
pudiera ser la siguiente dada por Zanakis y Evans (1981): Procedimientos simples, a
menudo basados en el sentido comn, que se supone que obtendrn una buena
solucin (no necesariamente ptima) a problemas difciles de un modo sencillo y
rpido
Existen mtodos heursticos (tambin llamados algoritmos aproximados,

procedimientos inexactos, algoritmos basados en el conocimiento o simplemente
heursticas) de diversa naturaleza, por lo que su clasificacin es bastante complicada.
Se sugiere la siguiente clasificacin:
1. Mtodos constructivos: Procedimientos que son capaces de construir una

solucin a un problema dado. La forma de construir la solucin depende fuertemente
de la estrategia seguida. Las estrategias ms comunes son:
Estrategia voraz: Partiendo de una semilla, se va construyendo paso a paso una

solucin factible. En cada paso se aade un elemento constituyente de dicha solucin,
que se caracteriza por ser el que produce una mejora ms elevada en la solucin
parcial para ese paso concreto. Este tipo de algoritmos se dice que tienen una visin
"miope" ya que eligen la mejor opcin actual sin que les importe que ocurrir en el
futuro.
Estrategia de descomposicin: Se divide sistemticamente el problema en

subproblemas ms pequeos. Este proceso se repite (generalmente de forma
recursiva) hasta que se tenga un tamao de problema en el que la solucin a dicho
subproblema es trivial. Despus el algoritmo combina las soluciones obtenidas hasta
Pg. 83 de 337
que se tenga la solucin al problema original. Los algoritmos ms representativos de

los mtodos de descomposicin son los algoritmos de divide y vencers tanto en su
versin exacta como aproximada.
Mtodos de reduccin: Identifican caractersticas que contienen las soluciones

buenas conocidas y se asume que la solucin ptima tambin las tendr. De esta
forma se puede reducir drsticamente el espacio de bsqueda.
Mtodos de manipulacin del modelo: Consisten en simplificar el modelo del

problema original para obtener una solucin al problema simplificado. A partir de
esta solucin aproximada, se extrapola la solucin al problema original. Entre estos
mtodos se pueden destacar: la linealizacin, la agrupacin de variables, introduccin
de nuevas restricciones, etc.
2. Mtodos de bsqueda: Parten de una solucin factible dada y a partir de ella

intentan mejorarla. Algunos son:
Estrategia de bsqueda local 1: Parte de una solucin factible que la mejora

progresivamente. Para ello examina su vecindad y selecciona el primer movimiento
que produce una mejora en la solucin actual (first improvement)
Estrategia de bsqueda local 2: Parte de una solucin factible que la mejora

progresivamente. Para ello examina su vecindad y todos los posibles movimientos
seleccionando el mejor movimiento de todos los posibles, es decir aquel que produzca
un incremento (en el caso de maximizacin) ms elevado en la funcin objetivo (best
improvement).
Estrategia aleatorizada: Para una solucin factible dada y una vecindad

asociada a esa solucin, se seleccionan aleatoriamente soluciones vecinas de esa
vecindad. El principal problema que presentan los algoritmos heursticos es su
incapacidad para escapar de los ptimos locales. En la Figura 2.8 se muestra como
para una vecindad dada el algoritmo heurstico basado en un mtodo bsqueda local
se quedara atrapado en un mximo local. En general, ninguno de los mtodos
constructivos descritos en la seccin anterior tendran por qu construir la solucin
optima.
Pg. 84 de 337
Figura 2.8: Funcin multimodal. Suele acarrear el encasillamiento de los algoritmos

heursticos en ptimos locales.
Los algoritmos heursticos no poseen ningn mecanismo que les permita

escapar de los ptimos locales. Para solventar este problema se introducen otros
algoritmos de bsqueda ms inteligentes que eviten en la medida de lo posible quedar
atrapados en ptimos locales. Estos algoritmos de bsqueda ms inteligentes,
denominados metaheursticas, son procedimientos de alto nivel que guan a
algoritmos heursticos conocidos evitando que stos caigan en ptimos locales.
2.6.2. Algoritmos metaheursticos
El trmino metaheurstica o meta-heurstica fue acuado por F. Glover en el

ao 1986. Con este trmino, pretenda definir un procedimiento maestro de alto
nivel que gua y modifica otras heursticas para explorar soluciones ms all de la
simple optimalidad local. Actualmente, existe una cantidad muy importante de
trabajos cientficos publicados que abordan problemas de optimizacin a travs de las
metaheursticas, investigaciones sobre nuevas metaheursticas o extensiones de las
metaheursticas ya conocidas. Existen bastantes foros donde se publican todos estos
trabajos de investigacin. A partir de la definicin original de F. Glover, en la
literatura se pueden encontrar otras definiciones alternativas de metaheursticas o
heursticas modernas, entre las que se puede destacar las siguiente deda por J.P. Kelly
et al.:
Las metaheursticas son una clase de mtodos aproximados que estn

diseados para resolver problemas difciles de optimizacin combinatoria, en los que
los heursticos clsicos no son efectivos. Las metaheursticas proporcionan un marco
Pg. 85 de 337
general para crear nuevos algoritmos hbridos combinando diferentes conceptos

derivados de la inteligencia artificial, la evolucin biolgica y los procedimientos
estadsticos.
La idea bsica general es siempre la misma: enriquecer a los algoritmos

heursticos de forma que stos no se queden atrapados en ptimos locales. La
evolucin de las metaheursticas durante los ltimos 25 aos ha tenido un
comportamiento prcticamente exponencial. En el tiempo que transcurre desde las
primeras reticencias (por su supuesta falta de rigor cientfico) hasta la actualidad, se
han encontrado soluciones de muy alta calidad a problemas que hace tiempo parecan
inabordables.
De modo general, se puede decir que las metaheursticas combinan ideas que
provienen de cuatro campos de investigacin bien distintos, ver Figura 2.9:
Tcnicas de diseo de algoritmo (que resuelven una coleccin de problemas).

Algoritmos especficos (que dependen del problema que se quiere resolver).
Fuente de inspiracin (basadas en el mundo real).
Mtodos estadsticos.
Las tcnicas metaheursticas son procedimientos de bsqueda que tampoco

garantizan la obtencin del ptimo del problema considerado y que tambin se basan
en la aplicacin de reglas relativamente sencillas. A diferencia de los heursticos, las
tcnicas metaheursticas tratan de huir de ptimos locales orientando la bsqueda en
cada momento dependiendo de la evolucin del proceso de bsqueda.
La aplicacin de las tcnicas metaheursticas es especialmente interesante en

caso de problemas de optimizacin combinatoria: problemas en las que las variables
de decisin son enteras (o discretas, al menos) en las que, generalmente, el espacio de
soluciones est formado por ordenaciones de valores de dichas variables. Sin
embargo, las tcnicas metaheursticas se pueden aplicar tambin a problemas de otro
tipo, como con variables continuas, por ejemplo.
La lgica de las tcnicas metaheursticas es similar: el punto de partida es una

solucin (o conjunto de soluciones) que tpicamente no es ptima. A partir de ella se
obtienen otras parecidas, de entre las cuales se elige una que satisface algn criterio, a
Pg. 86 de 337
partir de la cual comienza de nuevo el proceso. Este proceso se detiene cuando se

cumple alguna condicin establecida previamente.
Las tcnicas metaheursticas ms extendidas son las siguientes: los algoritmos

genticos, la bsqueda tab, el recocido simulado, la bsqueda scatter, las colonias
de hormigas, la tcnica conocida por el nombre ingls GRASP. Las redes neuronales,
tambin incluidas entre las tcnicas metaheursticas, son de naturaleza diferente a las
tres no se van a considerar.
Todas las tcnicas metaheursticas tienen las siguientes caractersticas:
Son ciegas, no saben si llegan a la solucin ptima. Por lo tanto, se les debe
indicar cundo deben detenerse.
Son algoritmos aproximativos y, por lo tanto, no garantizan la obtencin de

la solucin ptima.
Aceptan ocasionalmente malos movimientos (es decir, se trata de procesos

de bsqueda en los que cada nueva solucin no es necesariamente mejor en trminos
de la funcin objetivo que la inmediatamente anterior). Algunas veces aceptan,
incluso, soluciones no factibles como paso intermedio para acceder a nuevas regiones
no exploradas.
Son relativamente sencillos; todo lo que se necesita es una representacin

adecuada del espacio de soluciones, una solucin inicial (o un conjunto de ellas) y un
mecanismo para explorar el campo de soluciones.
Son generales. Prcticamente se pueden aplicar en la resolucin de cualquier

problema de optimizacin de carcter combinatorio. Sin embargo, la definicin de la
tcnica ser ms o menos eficiente en la medida en que las operaciones tengan
relacin con el problema considerado.
La regla de seleccin depende del instante del proceso y de la historia hasta

ese momento. Si en dos iteraciones determinadas, la solucin es la misma, la nueva
solucin de la siguiente iteracin no tiene por qu ser necesariamente la misma- En
general, no lo ser.
Pg. 87 de 337
Aunque las soluciones que ofrecen los tcnicas metaheursticas no son las
ptimas y, en general, ni siquiera es posible conocer la proximidad de las soluciones
al ptimo, permiten estudiar problemas de gran complejidad de una manera sencilla y
obtener soluciones suficientemente buenas en tiempos razonables.
Figura 2.9: Composicin de las metaheursticas.
Una primera conclusin que se puede extraer de las definiciones dadas es que,
en muchos casos, son reglas de sentido comn que permiten hacer una bsqueda
inteligente. Debido a esta caracterstica, para bastantes metaheursticas no existe un
marco terico que las sustente, sino que es a travs de los buenos resultados
experimentales donde encuentran su justificacin.
Definir un marco general en el que definir las metaheursticas resulta un poco

complicado hoy en da aunque se est estudiando la manera de englobarlas a todas.
Por el momento se pueden clasificar de la siguiente manera:
Atendiendo a la Inspiracin:
Natural: algoritmos que se basan en un smil real, ya sea biolgico, social, cultural, etc.
Pg. 88 de 337
Sin inspiracin: algoritmos que se obtienen directamente de sus propiedades

matemticas.
Atendiendo al nmero de soluciones:
Poblacionales: buscan el ptimo de un problema a travs de un conjunto de

soluciones.
Trayectoriales: trabajan exclusivamente con una solucin que mejoran

iterativamente.
Atendiendo a la funcin objetivo:
Estticas: no hacen ninguna modificacin sobre la funcin objetivo del problema.
Dinmicas: modifican la funcin objetivo durante la bsqueda.
Atendiendo a la vecindad:
Una vecindad: durante la bsqueda utilizan exclusivamente una estructura de

vecindad.
Varias vecindades: durante la bsqueda modifican la estructura de la vecindad.
Atendiendo al uso de memoria:
Sin memoria: se basan exclusivamente en el estado anterior.
Con memoria: utilizan una estructura de memoria para recordar la historia pasada.
Cualquiera de las alternativas descritas por s solas no es de grano

suficientemente fino como para permitir una separacin clara entre todas las
metaheursticas. Generalmente, estas caractersticas (y pueden incluirse ms) se
pueden combinar para permitir una clasificacin ms elaborada.
Segn el teorema NFL (No Free Lucnh Theorem), que demuestra que al
mismo tiempo que una metaheurstica es muy eficiente para una coleccin de
problemas, es muy ineficiente para otra coleccin), los mtodos generales de
Pg. 89 de 337
bsqueda, entre los que se encuentran las metaheursticas, se comportan exactamente

igual cuando se promedian sobre todas las funciones objetivo posibles, de tal forma
que si un algoritmo A es ms eficiente que un algoritmo B en un conjunto de
problemas, debe existir otro conjunto de problemas de igual tamao para los que el
algoritmo B sea ms eficiente que el A. Esta aseveracin establece que, en media,
ninguna metaheurstica (algoritmos genticos, bsqueda dispersa, bsqueda tab, etc.)
resulta mejor que la bsqueda completamente aleatoria. Una segunda caracterstica
que presentan las metaheursticas es que existen pocas pruebas sobre su convergencia
hacia un ptimo global; es decir, que a priori no se puede asegurar, ni que la
metaheurstica converja, ni la calidad de la solucin obtenida. Por ltimo, las
metaheursticas ms optimizadas son demasiado dependientes del problema o al
menos necesitan tener un elevado conocimiento heurstico del problema. Esto hace
que, en general, se pierda la genericidad original con la que fueron concebidas.
A pesar de estos aparentes problemas, la realidad es que el comportamiento

experimental de la mayora de las metaheursticas es extraordinario, convirtindose
para muchos problemas difciles de resolver en la nica alternativa factible para
encontrar una solucin de calidad en un tiempo razonable. En general, las
metaheursticas se comportan como mtodos muy robustos y eficientes que se pueden
aplicar con relativa facilidad a una coleccin amplia de problemas. Adems, la
demostracin del teorema NFL se basa en que el algoritmo de bsqueda no visita dos
veces la misma solucin y en que no se introduce conocimiento heurstico en el
diseo del mtodo metaheurstico y estas dos hiptesis habitualmente no son ciertas.
2.6.3. Bsqueda Local
El mtodo de bsqueda local (Local Search, LS) recorre el conjunto de

elementos seleccionados buscando el mejor intercambio para reemplazar un elemento
seleccionado con un elemento no seleccionado. El mtodo realiza movimientos
siempre que el valor de la funcin objetivo aumente. Finaliza su ejecucin cuando no
se encuentra ningn intercambio de elementos que mejore. Este mtodo de mejora se
clasifica en los mtodos que seleccionan el movimiento que ms mejora la solucin
(best improvement).
Este mtodo es la base de muchos de los algoritmos utilizados en problemas

de optimizacin. El algoritmo recibe una solucin inicial y trata de hallar entre su
Pg. 90 de 337
vecindad un candidato que garantice una mejor solucin, para esto el concepto de
vecindad es clave. Se considera vecindad a todas las posibles soluciones que estn
prximas a la solucin dada.
La tcnica de seleccin en la vecindad es conocida como la regla del pivoteo o

pivoting rule, en general puede ser o best-improvement rule (explicado al inicio de
este apartado) o first-improvement rule, que selecciona el primer vecino que mejora la
solucin en lugar deseleccionar al mejor entre todos estos.
Como no poda ser de otra manera esta tcnica, aunque no ofrezca gran
calidad en las soluciones, ha venido utilizndose por su facilidad de implementacin
como un primer paso para encontrar una primera aproximacin a la solucin que
posteriormente pueda ser utilizada en otros algoritmos de mejora:
A continuacin se explican las caractersticas ms importantes de estas

tcnicas: Grasp, la bsqueda tab, los algoritmos genticos y el recocido simulado.
2.6.4. GRASP
El nombre de esta metaheurstica viene de su acrnimo en ingls Greedy

Randomized Adaptive Search Procedure (GRASP), que en castellano se podra
traducir como procedimientos de bsqueda miope (constructiva, voraz o vida),
aleatorizados y adaptativos. Cada uno de los trminos incluidos en el nombre se
corresponde con una caracterstica distintiva de la metaheurstica. GRASP se basa en
el siguiente principio de operacin:
GRASP es un procedimiento multi-arranque en el que cada arranque se

corresponde con una iteracin. Cada iteracin tiene dos fases bien diferenciadas:
la fase de construccin, que se encarga de obtener una solucin factible de alta

calidad;
la fase de mejora, que se basa en la optimizacin (local) de la solucin
obtenida en la primera fase.
Originalmente GRASP fue desarrollado por T. Feo y M. Resende (Teo y

Resende 1995) como un algoritmo para resolver justamente problemas de
cubrimiento de conjuntos.
Pg. 91 de 337
Los orgenes algortmicos de GRASP provienen de la heurstica semi-

constructiva (semi-constructive heuristic). Esta tcnica tambin se caracteriza por ser
un mtodo multi-arranque basado en una construccin miope aleatorizada. La
diferencia fundamental con respecto a GRASP es que la primera tcnica no utilizaba
un procedimiento de mejora (bsqueda local). El pseudocdigo resultara tal como se
muestra:
{x:TipoSolucion} = GRASP(NUMREP:Entero, F:
TipoFuncionObjetivo)
variables
i:Entero
: TipoSolucion
inicio
para i = 1 hasta NUMREP hacer
{ } = ConstruccinAleatorizadaMiope();
{ } =MejorarSolucion( ,F)
{x} = ActualizarSolucion(F,x, )
fin para
fin
GRASP es un procedimiento multi-arranque, donde cada iteracin est

compuesta de dos fases: una fase constructiva y una fase de mejora. En la Figura 2.3
se muestra un pseudo-cdigo de alto nivel para esta metaheurstica. La fase
constructiva es un procedimiento iterativo encargado de construir una solucin
elemento a elemento.
Inicialmente, se parte de una semilla que es una componente o un conjunto de

componentes que determinan una solucin parcial. Las componentes introducidas en
ella se sealan como elementos no seleccionables. El resto de componentes
constituyen el conjunto de los elementos seleccionables. Posteriormente, se ordenan
todos los elementos seleccionables, utilizando para ello una funcin voraz,
constructiva o miope (greedy), que les asigna un coste relacionado con el cambio que
se produce en la funcin objetivo si se introduce cada uno de los elementos en la
solucin parcial. Esta fase del algoritmo es la que le aporta el nombre Greedy.
Una vez que se tienen ordenados todos los elementos seleccionables, se

plantea el problema de elegir uno bueno. En el contexto de GRASP no se selecciona
el mejor candidato posible, ya que esta opcin no asegura que se obtenga una
solucin ptima, sino que se elige aleatoriamente un candidato de un conjunto de
buenos candidatos. Este conjunto recibe el nombre de lista de candidatos restringida
Pg. 92 de 337
o RCL (Restricted Candidate List). Numricamente, la RCL se construye utilizando

los valores mximo y mnimo del coste asignado a los elementos seleccionables en
una iteracin dada. Si se supone que cmax y cmin son respectivamente los valores ms
alto y ms bajo del coste, la RCL estara formada por todos aquellos elementos cuyo
coste superase (para problemas de maximizacin) el umbral dado por la siguiente
expresin:
Donde el parmetro a : < determina el tamao de la RCL. Si a=1

slo estara el mejor candidato (funcin miope pura). Por contra, si a=0, estaran
todos los candidatos (funcin aleatoria pura), esta fase es la que aporta la palabra
Randomized.
Una vez que se ha seleccionado un candidato perteneciente a la RCL, ste se

introduce en la solucin parcial y se marca como elemento no seleccionable. El resto
de elementos siguen siendo seleccionables; por consiguiente, para ellos se calcula de
nuevo (mediante la funcin miope) la variacin que se producira en la funcin
objetivo si se seleccionase cada uno de los elementos. Por lo tanto, segn se van
introduciendo candidatos a la solucin parcial GRASP, sta se va adaptando al nuevo
escenario. A esta fase del procedimiento se debe el calificativo de Adaptive.
La solucin construida en la primera fase no tiene por qu ser un ptimo local,

ya que existen bastantes elecciones estocsticas. En otras palabras, la fase
constructiva no garantiza una optimalidad de la solucin. Para resolver este problema,
GRASP introduce una segunda fase, conocida como fase de mejora, que consiste en
un procedimiento de optimizacin local basado en una funcin de bsqueda local o,
incluso, en una metaheurstica. Por lo general, esta fase mejora la solucin construida
pero tampoco garantiza la optimalidad de la solucin (aunque experimentalmente se
ha comprobado que mejora bastante la calidad). La segunda fase termina cuando no
se pueda hacer ningn movimiento que mejore la solucin actual.
De forma recursiva gran cantidad de autores han utilizado este tipo de

heurstica para abordar el problema de la solucin de distribuciones en planta: Teo y
Pg. 93 de 337
Resende 1995, Urban 1998, Delmaire 1999, Urban et al. 2000, Cano et al. 2002,
Zheng y Chew 2009,
2.6.5. Busqueda Tab (TS: Tabu Search).
La Busqueda Tab (BT) o Tab Search (TS) es un procedimiento heurstico de

"alto nivel" introducido y desarrollado en su forma actual por Fred Glover (1989) y
(1990a), el cual se utiliza con gran xito para resolver problemas de optimizacin
cuya caracterstica principal es la de "escapar" de la optimalidad local.
"La filosofa de la BT es la de manejar y explotar una coleccin de principios

para resolver problemas de manera inteligente. Uno de los elementos fundamentales
de la BT es el uso de la memoria flexible, desde el punto de vista de la BT, la
memoria flexible envuelve el proceso dual de crear y explotar estructuras para tomar
ventaja mediante la combinacin de actividades de adquisicin, evaluacin y
mejoramiento de la informacin de manera histrica" (Glover y Laguna 1993).
Es una metaheurstica de bsqueda del ptimo del problema agresiva para evitar
que la bsqueda quede atrapada en un ptimo local que no sea global. La BT se
cimenta en tres puntos principales:
1. El uso de estructuras de memoria basadas en atributos diseados para permitir

criterios de evaluacin e informacin de bsqueda histrica, la cual se explota
ms a fondo que las estructuras de memoria rgida (como en ramificacin y
acotamiento) o por sistemas de prdida de memoria (como recocido simulado y
otros mtodos aleatorizados).
2. Un mecanismo asociado de control, mediante el empleo de estructuras de
memoria, basado en el interjuego entre las condiciones que restringen y liberan al
proceso de bsqueda (envuelto en las restricciones tab y el criterio de
aspiracin).
3. La incorporacin de funciones de memoria de diferentes lapsos de tiempo, desde
trmino corto hasta de trmino largo, para implantar estrategias que refuercen la
combinacin de movimientos y las caractersticas de solucin que histricamente
se han encontrado buenas, mientras que las estrategias de diversificacin manejan
la bsqueda dentro de nuevas regiones.
Pg. 94 de 337
Las estructuras de memoria de la BT operan bajo cuatro dimensiones

principales: pertenencia, frecuencia, calidad e influencia. El papel de estos elementos
en la creacin de procesos efectivos para resolver problemas son uno de los focos de
atencin de este trabajo. En este trabajo se desarrollan los elementos descritos para la
elaboracin de algoritmos originales altamente eficientes para atacar problemas
clsicos considerados en la literatura como difciles.
En trminos generales el mtodo de BT puede esbozarse de la siguiente

manera:
Deseamos movernos desde una solucin factible inicial de un problema de

optimizacin combinatoria paso a paso hacia una solucin que proporcione el valor
mnimo de la funcin objetivo C. Para esto se puede representar a cada solucin por
medio de un punto s (en algn espacio) y se define una vecindad N(s) para cada punto
s como un conjunto de soluciones adyacentes a la solucin s.
El paso bsico del procedimiento consiste en empezar desde un punto factible

s y generar un conjunto de soluciones en N(s), de estas se elige la mejor s* y se
posiciona en este nuevo punto ya sea que C(s*) tenga o no mejor valor que C(s).
Hasta este punto se est cercano a las tcnicas de mejoramiento local a

excepcin del hecho de que se puede mover a una solucin peor s* desde s.
La caracterstica importante de la BT es precisamente la construccin de una

lista tab T de movimientos: aquellos movimientos que no son permitidos
(movimientos tab) en la presente iteracin. La razn de sta lista es la de excluir los
movimientos que puedan regresar a algn punto de una iteracin anterior. Ahora bien,
un movimiento permanece como tab slo duranteun cierto nmero de iteraciones, de
forma que se tiene que T es una lista cclica donde para cada movimiento s s* el
movimiento opuesto s* s se adiciona al final de T donde el movimiento ms viejo
en T se elimina.
Las condiciones tab tienen la meta de prevenir ciclos e inducir la exploracin

de nuevas regiones. La necesidad del significado de eliminar ciclos se debe a que, al
moverse desde un ptimo local, una eleccin irrestricta de movimientos (persiguiendo
Pg. 95 de 337
aquellos con evaluaciones altas) permite igualmente regresarse al mismo ptimo

local.
Hay que apuntar, sin embargo, que la eliminacin de ciclos no es la ltima

meta en el proceso de bsqueda. En algunos casos, una buena trayectoria de bsqueda
resultar al revisitar una solucin encontrada anteriormente. El objetivo es el de
continuar estimulando el descubrimiento de nuevas soluciones de alta calidad como
se ver ms adelante.
Ahora bien, las restricciones tab no son inviolables bajo toda circunstancia.
Cuando un movimiento tab proporciona una solucin mejor que cualquier otra
previamente encontrada, su clasificacin tab puede eliminarse. La condicin que
permite dicha eliminacin se llama criterio de aspiracin.
Es as como las restricciones tab y el criterio de aspiracin de la BT, juegan

un papel dual en la restriccin y gua del proceso de bsqueda. Las restricciones tab,
permiten que un movimiento sea admisible si no est clasificado como tab, mientras
que si el criterio de aspiracin se satisface, permite que un movimiento sea admisible
aunque este clasificado como tab.
La BT en una forma simple descubre dos de sus elementos claves: La de

restringir la bsqueda mediante la clasificacin de ciertos movimientos como
prohibidos (es decir, tab) y el de liberar la bsqueda mediante una funcin de
memoria de trmino corto que proporciona una "estrategia de olvido". Tres aspectos
merecen nfasis:
1. El uso de T proporciona la "bsqueda restringida" de elementos de la

aproximacin y por lo tanto las soluciones generadas dependen crticamente
de la composicin de T y de la manera como se actualiza.
2. El mtodo no hace referencia a la condicin de optimalidad local, excepto
implcitamente cuando un ptimo local mejora sobre la mejor solucin
encontrada previamente.
3. En cada paso se elige al "mejor" movimiento.
Para problemas grandes, donde las vecindades pueden tener muchos

elementos, o para problemas donde esos elementos son muy costosos para examinar,
es de importancia el aislar a un subconjunto de la vecindad, y examinar este conjunto
Pg. 96 de 337
en vez de la vecindad completa. Esto puede realizarse en etapas, permitiendo al

subconjunto de candidatos expanderse si los niveles de aspiracin no se encuentran.
Muchos problemas de optimizacin combinatoria tienen como soluciones

factibles, las permutaciones p de un conjunto de objetos. Para explicar algunos
conceptos de la BT, en lo que sigue, vamos a suponer que se est manejando como
soluciones factibles permutaciones p de un conjunto de objetos y un movimiento de s
a s* consiste en obtener la permutacin p* a partir de la permutacin p.
La seleccin preliminar de la clase de movimientos a tomarse dentro de la BT

consiste en el cambio comn por pares es decir, se intercambia la posicin de dos
artculos para transformar una permutacin a otra. Suponga que dada una
permutacin el objeto p(i) precede, pero no necesariamente es adyacente al objeto
p(j). Un movimiento de intercambio es un rearreglo de los objetos p(i) y p(j) de
forma tal que el objeto p(i) se mueve a la posicin j y el objeto p(j) se mueve a la
posicin i. El valor del movimiento es la diferencia entre el valor de la funcin
objetivo despus del movimiento, F(p*), y el valor de la funcin objetivo antes del
movimiento, F(p), es decir,
Valor movimiento = F(p) - F(p)
El valor de movimiento por lo general proporcionan una base fundamental

para evaluar la calidad de un movimiento, aunque otros criterios tambin son
importantes como se ver ms adelante.
Dada la solucin inicial el mtodo realiza movimientos hasta que un tiempo

de computadora (tiempo_lmite) especfico transcurra. El movimiento que se realiza
en cierta iteracin se encuentra revisando el valor de todos los movimientos
candidatos para la solucin actual. Un movimiento se considera que es un candidato
si los trabajos a intercambiarse estn dentro de una distancia especfica (nmero de
posiciones). Dado que se est minimizando, el mejor movimiento candidato es aquel
que posee el menor valor algebraico. De manera ms precisa, el mejor movimiento se
selecciona del conjunto de movimientos admisibles. Un movimiento es admisible si
es no tab o s su status tab puede eliminarse por medio del criterio de aspiracin. El
mejor movimiento entonces se realiza y la estructura de datos tab se actualiza.
Pg. 97 de 337
El proceso fundamental mediante el que BT busca trascender la optimalidad

local es el de introducir un mecanismo para hacer ciertos movimientos prohibidos. En
la solucin del problema, la preocupacin principal es la de crear un status tab que
prevenga que algn movimiento se invierta bajo la jurisdiccin de la memoria de
trmino corto, la cual se escoge para que el problema tenga un nmero especfico de
movimientos futuros. Es decir, la memoria de trmino corto de la BT constituye una
forma de exploracin agresiva que busca realizar el mejor movimiento posible (vase
Tabla 2.3), sujeto a requerir elecciones posibles para satisfacer ciertas restricciones
(vea tabla 2.4). Esas restricciones estn diseadas para prevenir el regreso o repetir
ciertos movimientos.
Sea la permutacin que proporciona el mejor valor de la

funcin objetivo hasta el momento, entonces
Para (todos los movimientos candidatos)

Si (status del movimiento de tab o
F()+valor_movimiento < F())
Si (valor_movimiento < mejor_valor_movimiento)
Mejor_valor_movimiento valor_movimiento;
Mejor_movimiento movimiento_actual;
Ejecuta mejor_movimiento;
Tabla 2.3: Seleccin del mejor candidato admisible.
La tabla 2.4, nos presenta la forma de eleccin del mejor movimiento

admisible, esto es, dado un movimiento que es candidato, se elige al mejor de todos
ellos considerando que si es tab debe de satisfacer el criterio de aspiracin. En la
tabla 2.5, se contina con el proceso de bsqueda hasta que un criterio de paro se
satisface; por lo general, consiste de un nmero predeterminado de iteraciones.
Genere solucin inicial;
Haga
Crear lista de candidatos (Ejecuta mejor_movimiento);
Actualice condiciones de admisibilidad;
Mientras (Criterio de paro = Falso);
Termine globalmente o transfiera.
Tabla 2.4: Componente de memoria de trmino corto de la bsqueda tab.
Existen varias formas para crear las restricciones tab, la Tabla 2.5 (Laguna
et.al. 1990) muestra una lista de posibles atributos de un intercambio de los objetos
Pg. 98 de 337
p(i) y p(j) donde j > i, y que corresponden a restricciones que pueden imponerse para
prevenir movimientos inversos.
1. (p(i), p(j),i, j) Impide cualquier movimiento que resulte en una

permutacin donde el objeto p(i) ocupe la posicin i y el
objeto p(j) la posicin j.
2. (p(i), i, p(j), j) Impide cualquier movimiento que resulte en una
permutacin donde cualquiera de los objetos ya sea p(i)
ocupe la posicin i o el objeto p(j) ocupe la posicin j.
3. (p(i)) Impide a p(i) regresar a la posicin i.
4. (p(i), i) Impide a p(i) regresar a una posicin k con k i.
5. p(i) Impide a p(i) moverse.
6. (p(i), p(j)) Impide a p(i) y p(j) moverse.
Tabla 2.5: Restricciones tab y atributos para movimientos de intercambio.
Otra manera de identificar atributos de un movimiento de intercambio es el de

introducir informacin adicional, mediante no slo hacer referencia de los elementos
intercambiados, sino tambin de las posiciones ocupadas por esos elementos en el
momento de su cambio. Se puede observar que las primeras restricciones van de
menor a mayor en cuanto a que son restrictivas, pero esto no se puede afirmar de
manera uniforme. Ahora bien, no existe una forma que se pueda decir que es la mejor,
esto slo se puede realizar mediante pruebas. En ocasiones es importante asegurar
que las condiciones puedan manejar los procesos de solucin de manera eficaz desde
la vecindad actual.
La meta principal de las restricciones tab es el permitir al mtodo ir a puntos

ms all de la optimalidad local mientras se permita la realizacin de movimientos de
alta calidad en cada paso al mismo tiempo de que exista una negociacin balanceada
con respecto al esfuerzo computacional al examinar muestras muy grandes, por lo
que, en ocasiones es deseable incrementar el porcentaje de movimientos posibles para
que reciban una clasificacin tab. Esto se puede lograr ya sea mediante el aumento
en la pertenencia tab o mediante el cambio de la restriccin tab.
Adems, se requiere de una estructura de datos para guardar el seguimiento de

los movimientos que son clasificados como tab y para liberar aquellos movimientos
Pg. 99 de 337
de su condicin tab cuando su pertenencia a la memoria de trmino corto expire. El

acompaamiento de la memoria basada en la pertenencia junto con la memoria
basada en la frecuencia adicionan una componente que tpicamente opera sobre un
horizonte. El efecto de tal memoria se puede estipular por medio de que la BT
mantenga una historia selectiva H de los estados encontrados durante la bsqueda, y
reemplazando la vecindad actual N(s) por una vecindad modificada que depende de
este proceso histrico N(H,s).
El ltimo elemento en el procedimiento bsico es el criterio del nivel de

aspiracin, cuyo propsito es el de permitir que "buenos" movimientos tab se
seleccionen si el nivel de aspiracin se alcanza. El apropiado uso de tal criterio puede
ser muy importante para posibilitar que un mtodo de BT alcance sus mejores niveles
de realizacin. Este criterio de aspiracin (que puede ser estndar) es el que permite
que el status tab se elimine si una mejor solucin que la alcanzada hasta el momento
se puede obtener, i.e., a un movimiento tab se le permite ejecutarse si:
F(p) + valor movimiento < F(p)
Ahora bien, otros criterios de aspiracin pueden tambin proporcionar

efectividad para mejorar la bsqueda, como se ver ms adelante. Una base para uno
de esos criterios proviene de introducir el concepto de influencia (Glover y Laguna
1993), la cual mide el grado de cambio inducido en la estructura de solucin o de
factibilidad. La influencia por lo general se asocia con la idea de distancia del
movimiento, i.e., donde un movimiento de gran distancia se concibe como de mayor
influencia.
El mtodo inicia con una solucin heurstica factible, que se guarda como la
mejor encontrada. Un paso crtico, el cual envuelve la orientacin agresiva de la
memoria de trmino corto, es la eleccin del mejor candidato admisible. La funcin
mejor_movimiento es la que identifica a un movimiento para el cual el valor del
movimiento es el ms pequeo. El dominio de la funcin es el conjunto de todos los
movimientos admisibles. El mejor_movimiento no tiene que ser necesariamente uno
que mejore. Primero, cada uno de los movimientos de la lista de candidatos se evala
en turno.
Pg. 100 de 337

Ahora bien, conforme la bsqueda progresa, la forma de la evaluacin

empleada por la BT llega a ser ms adaptativa, incorporando referencias
concernientes para la intensificacin y la diversificacin regional de bsqueda. Cabe
aclarar que en las estrategias basadas en consideraciones de trmino corto la
clasificacin tab sirve para identificar elementos de la vecindad del movimiento
actual, mientras que en las estrategias de trmino intermedio y largo pueden no
contener soluciones en esta vecindad, por lo general consisten en seleccionar
soluciones lites (ptimos locales de alta calidad) encontrados en varios puntos en el
proceso de solucin. Dichas soluciones lites se identifican como elementos de un
conglomerado regional en las estrategias de intensificacin de trmino intermedio, y
como elementos de diferentes conglomerados en las estrategias de diversificacin de
trmino largo.
La esencia del mtodo depende de cmo el registro de la historia H se define y

se utiliza, y de cmo los candidatos y la funcin de evaluacin se determinan.
Revisar el status tab es el primer paso en la escena de la admisibilidad. Si el

movimiento no es tab, es inmediatamente aceptado como admisible; de otra forma,
el criterio de aspiracin da una oportunidad para eliminar el status tab,
proporcionando al movimiento una segunda oportunidad para clasificarse como
admisible.
En algunos casos, si las restricciones tab y el criterio de aspiracin son

suficientemente limitados, ninguno de los movimientos posibles, sern clasificados
como admisible. Un movimiento "menos inadmisible" se salva para manipular tal
posibilidad y se elige si no emergen alternativas admisibles.
La longitud de la lista tab es un parmetro, si es demasiado pequeo el

ciclado puede ocurrir, pero si es demasiado grande, restringir bastante la bsqueda
para poder saltar "valles profundos" (i.e., el mejor mnimo local) del espacio de
valores de la funcin objetivo. Una faceta importante de la BT es la habilidad de
localizar un rango robusto de longitudes de la lista tab mediante pruebas empricas
preliminares para identificar para una clase de problemas los tipos de atributos y de
restricciones tab que se realizan de manera ms efectiva. Acerca de esto, existe el
uso de listas tab mltiples, cada una desarrollada para un tipo particular de atributo.
Pg. 101 de 337

Cuando diferentes tipos de atributos se manejan de esta forma, pueden estar

dados con pesos distintos, dependiendo de su clasificacin y edad, para determinar el
status tab de los movimientos que lo contienen.
En muchas aplicaciones, el componente de trmino corto por s mismo ha

producido soluciones superiores a aquellas encontradas mediante procedimientos
alternativos, y el uso de memoria de mayor trmino en esos casos se ha eludido.
Ahora bien, la memoria de trmino intermedio y largo puede ser importante para
obtener mejores resultados para problemas difciles.
La memoria de trmino intermedio y largo opera primariamente como una

base de las estrategias de intensificar y diversificar la bsqueda.
2.6.6. Recocido Simulado (SA: Simulated Anealing).
El Algoritmo de Recocido Simulado (ARS) (Simulated Annealing Algorithm -

SAA) pertenece una clase de Algoritmos de busqueda local (Local Search Algorithms
LSA) comunmente llamada Algoritmos de Umbral (Threshold Algorithm - TA).
Hay dos razones por las cuales los TA resultan interesantes dentro de los LSA:
1. parecen funcionar bastante bien en una amplia gama de problemas reales.

2. algunos TA, como el SAA, tienen caracteristicas que permiten hacer un
analisis de la convergencia.
Analoga Fsica
El metodo del recocido se utiliza en la industria para obtener materiales ms

resistentes, o ms cristalinos, en general, para mejorar las cualidades de un material.
El proceso consiste en derretir el material (calentarlo a muy altas

temperaturas). En esa situacion, los atomos adquieren una distribucion azarosa
dentro de la estructura del material y la energia del sistema es maxima. Luego se hace
descender la temperatura muy lentamente por etapas, dejando que en cada una de esas
etapas los atomos queden en equilibrio (es decir, que los atomos alcancen una
configuracion ptima para esa temperatura). Al final del proceso, los atomos forman
una estructura cristalina altamente regular, el material alcanza asi una maxima
resistencia y la energia del sistema es minima.
Pg. 102 de 337

Experimentalmente se comprueba que si la temperatura se hace descender

bruscamente o no se espera suficiente tiempo en cada etapa, al final la estructura del
material no es la optima.
La rama de la Fisica llamada Mecanica Estadistica se encargo de desarrollar

una serie de metodos para estudiar el comportamiento de grandes cantidades de
atomos de un sistema. Debido a que en promedio, en un sistema hay 1023 atomos por
cm3, solamente puede estudiarse el comportamiento ms probable del sistema en
equilibrio a una dada temperatura. La experimentacion mostro que los atomos de un
sistema en un proceso de recocido se comportan segn el factor de probabilidad de
Boltzman. En 1953 Metropolis modelo el proceso de recocido: en cada paso del
algoritmo se le da al atomo un desplazamiento azaroso y se mide el cambio de
energia DE. Si DE 0 se acepta el desplazamiento. Si DE > 0, se acepta el
desplazamiento con probabilidad exp (-DE / T.K), donde T es la temperatura del
sistema y K es la constante de Boltzman.
Esqueleto de un TA
Sea (S, c) una instancia de un problema de optimizacion combinatoria, donde:
S es el conjunto de soluciones factibles

c es la funcion costo (a valores reales positivos)
El problema es hallar un i en S que minimize c.
Para implementar un TA son necesarios ademas:
Una funcion entorno N de S en partes de S.

Una sucesion tk (los llamados threshold)
La manera de elegir los tk y el criterio de aceptacion de una nueva solucion

definen 3 tipos de TA:
Dado i en S en la iteracion k
Genero j en N(i)
Utilizo los valores c(j) c(i) y tk para decidir aceptar o no la solucion j
Local Search Improvement (mejora continua): tk = 0 (para todo k)
Pg. 103 de 337

Si c(j) c(i) < tk = 0 entonces acepto j
Threshold Accepting (umbral de aceptacion): se fija la sucesion tk tal que tk tk+1, tk

> 0, y tk tiende a 0 cuando k tiende a infinito.
Si c(j) c(i) < tk entonces acepto j
En este caso, todas las soluciones que disminuyen el costo son aceptadas, y las
que incrementan el costo son aceptadas en forma limitada. A medida que aumenta k
(progresa el algoritmo) solo se aceptan incrementos pequeos, hasta que
eventualmente solo se aceptan mejoras.
Simulated Annealing (recocido simulado): los tk se toman como en el threshold

accepting pero el criterio de aceptacion es probabilistico
Si c(j) c(i) 0 entonces acepto j
Si c(j) c(i) > 0 entonces acepto j con probabilidad exp [(c(i) c(j)) / tk]
(en la iteracion k se genera un numero al azar r y se acepta j si r < exp [(c(i) c(j)) /
tk])
En este caso, cada vecino de una solucion tiene una probabilidad positiva de
reemplazar a la solucion actual. Los tk se eligen de forma tal que a medida que
avanzan las iteraciones, aceptar soluciones con grandes incrementos en el costo es
menos probable (pero sigue existiendo una probabilidad positiva de aceptarlos).
El metodo del Recocido Simulado. (The simulated annealing method).
Sea S el conjunto de soluciones posibles del sistema (a las que identificamos

con los diferentes estados del sistema) y tenemos dada una funcion costo sobre los
elementos de S (a la que identificamos con la energia del sistema). Se quiere
encontrar un elemento en S que minimize la funcion costo (analogamente, se trata de
encontrar un estado en el cual la energia del sistema sea minima). Asumimos que los
Pg. 104 de 337

estados del sistema tienen la funcion de distribucion de probabilidad de Boltzman,

i.e., la probabilidad de que el sistema se encuentre en el estado j es:
P (j) = (1/Zt) exp [- c(j) / t]
Donde Zt = S exp [- c(i) / t] (suma sobre todos los elementos i de S)

t es la temperatura del sistema y c(i) es el costo de la solucion i.
Sea S* el subconjunto de S de las soluciones que minimizan c (globalmente, es decir

soluciones optimas del problema). Para t suficientemente chico:
exp [- c(j*) / t] >> exp [- c(j) / t]
para todo j != j*
Entonces:
P (j) = exp [- c(j) / t] / {S* exp [- c(j*) / t]} = 0 si j != j*

1/S* si j = j*
(Esto se obtiene de tomar t tendiendo a 0)

Por lo tanto: S P (j*) = 1 (suma sobre todos los j* en S*).
Algoritmo de Recocido Simulado. (Simulated Annealing Algorithm).
Version monotona
El algoritmo se divide en etapas. A cada etapa le corresponde una temperatura

menor que la que tenia la etapa anterior (a esto hace referencia la monotonia: despues
de cada etapa la temperatura baja, se enfria el sistema). Por lo tanto hace falta un
criterio de cambio de la temperatura (cuanto tiempo se espera en cada etapa para
dar lugar a que el sistema alcance su equilibrio termico).
Datos iniciales y parametros a ser definidos para poder inicializar el algoritmo:
Temperatural inicial (T0)
Pg. 105 de 337

La temperatura inicial T0 debe ser una temperatura que permita casi (o todo)
movimiento, es decir que la probabilidad de pasar del estado i al j (en N(i)) sea muy
alta, sin importar la diferencia c(j) c(i). Esto es que el sistema tenga un alto grado de
libertad. En problemas como TSP, donde el input son los nodos de un grafo y las
soluciones posibles son distintas formas de recorrer estos nodos, pude tomarse T0
proporcional a la raiz cuadrada de la cantidad de nodos. En general se toma un valor
T0 que se cree suficientemente alto y se observa la primera etapa para verificar que el
sistema tenga un grado de libertad y en funcion de esta observacion se ajusta T0.
Solucion inicial (i0)
En todas las versiones, el sistema debe ser derretido antes de implementar el
algoritmo. Esto es que la solucion factible incial que llamamos i0 debera ser una
solucion tomada al azar del conjunto de soluciones factibles. En algunos problemas
esto puede hacerse utilizando nmeros pseudo aleatorios (pseudo-random numbers)
provistos por una maquina (ejemplo de esto es el bandwidth problem). Pero en
muchos casos ya es problemtico encontrar una solucion, por lo que es imposible
tomar una al azar. En estos casos se implementa un algoritmo greedy tipo local
search para buscar una solucion factible y se toma esta como i0 (ejemplo de esto es el
TSP).
Funcion entorno (N)
Factor de enfriamiento
Tnext = aT (factor de enfriamiento geometrico, a < 1, muy cercano a 1)
Tnext = 1 / (1 + bT) (donde b es un real positivo cercano a cero)
Criterio de cambio de la temperatura

Se usan dos parametros: K = cantidad de iteraciones que estamos dispuestos a
hacer en cada etapa (equivalente a la cantidad de tiempo que vamos a esperar a que el
sistema alcance su equilibrio termico para una dada temperatura T); A = cantidad de
aceptaciones que se permiten hacer en cada etapa.
A medida que T disminuye se supone que al sistema le resulta ms dificil alcanzar un
equilibrio porque resulta ms dificultoso el movimiento, entonces hay que esperar
ms tiempo, esto se traduce en un aumento de K.
Parametro de aumento de K (r, se usan valores alrededor de 1,05)
Pg. 106 de 337

Criterio de STOP
a) Lundy y Mees: si el algoritmo se detiene cuando T < e / [ln (#S 1)/q]
Donde #S es el cardinal del conjunto de soluciones (debe tenerse un metodo de
estimar este valor).
Entonces, si i es la solucion que da el algoritmo e i* en un optimo global,
P(|c(i) c(i*)| < e) = q
b) En general se utiliza un parametro de congelamiento (frozen: FRZN). Como a
medida que disminuye la temperatura, aumenta el parametro K y A permanece
constante, la proporcion A/K se hace pequea. Asumimos que si A/K < FRZN el
sistema esta congelado (la cantidad de aceptaciones respecto de la cantidad de
iteraciones es muy chica, esto da la idea de que cambiar de configuracion es muy
dificil).
El algoritmo:
1. i = i0
2. T = T0
3. K = K0
4. while (condicion de STOP)
5. while (k < K && a < A)
6. generar j en N(i)
7. if (c(j) c(i) < 0)
8. i = j
9. a = a + 1
10. else
11. generar un numero r al azar (pseudo-
random number)
12. if (r < exp [(c(i) c(j))/T])
13. i = j
14. a = a + 1
15. k = k + 1
16. T = aT
17 K = rK
18. k = 0
19. a = 0
20. mostrar i, c(i)
Versin no monotona (fast cooling)
Se utiliza un factor de calentamiento que permite enfriar ms rapidamente el

sistema. Esto es, elegir un factor de enfriamiento a menor y considerar que si en una
etapa dada, con una temperatura T, el algoritmo no alcanza a realizar A aceptaciones
es porque el sistema se enfrio demasiado rapido y entonces en la siguiente etapa se
Pg. 107 de 337

multiplica T por un factor de calentamiento h (1 < h < 2, valores clasicos: mayores a

1,25). Imaginar que en una etapa se alcanzo un minimo local y la temperatura T es
muy baja, entonces la probabilidad de poder salir del minimo es tambien muy baja,
por eso se aumenta un poco la temperatura para que en la siguiente etapa la
probabilidad de salir del minimo local sea mayor.
En este caso el algoritmo queda asi:
1. i = i0
2. T = T0
3. K = K0
4. while (condicion de STOP)
5. while (k < K && a < A)
6. generar j en N(i)
7. if (c(j) c(i) < 0)
8. i = j
9. a = a + 1
10. else
11. generar un numero r al azar (pseudo-
random number)
12. if (r < exp [(c(i) c(j))/T])
13. i = j
14. a = a + 1
15. k = k + 1
16. if (a = A)
17. T = aT
18. else (k = K)
19. T = hT
20. K = rK
21. k = 0
22. a = 0
23. mostrar i, c(i)
2.6.7. Algoritmos Biolgicos.
Los procesos de la naturaleza han sido fuente de inspiracin para implementar

un gran nmero de tcnicas, estas tcnicas se donimonan como evolutivos ya que se
basan en la evolucin y el aprendizaje para ir considerando cuales de las posibles
soluciones resultan mas favorables para los fines buscados
La evolucin natural es responsable de la aparicin de todos los organismos
vivos en nuestro planeta tal y como los conocemos actualmente. Resulta un proceso
muy lento que ocurre desde hace millones de aos y que continua acaeciendo en este
preciso momento. Es el processo de adaptacin de todas las espcies de organismos
vivos que les permite sobrevivir en un ambiente sujeto a cambios regulares. A veces
Pg. 108 de 337

algunas especies desaparecen por falta de adaptacin a ese medio ambiente. Hace
unas decenas de aos surgio el inters por el estudio de la posibilidad de simular por
medios informticos el proceso de la evolucin natural y de usar estas simulaciones
como herramientas de optimizacin en lo que se ha denominado Computacin
Evolutiva.
Dentro de este tipo de lgoritmos destacan sin duda los Algoritmos Genticos,
pero tambin existen otras lneas de trabajo con las denominadas Cologias de
Hormigas y los Enjambres de Partculas (bandadas de aves o de peces).
2.7.4.1. Algoritmos Geneticos.
Los Algoritmos Genticos (AG) constituyen un conjunto de mtodos

adaptativos que podem ser usados na resolucin de problemas de bsqueda y
optimizacin. Estos mtodos se han inspirados en los estudios realizados por los
bilogos especializados en la evolucin y pretenden imular los procesos que son
esenciales en la evolucin natural de poblaciones de seres vivos. A lo largo de
muchas generaciones, poblaciones de organismos vivos evolucionan de acuerdo con
los principios de la seleccin natural, que fueron descritos por primera vez por
Darwin9. Los principios bsicos de los AG fueron establecidos por Holland (1975) y,
dado que desde su propuesta inicial han ido apareciendo algunas modificaciones y
variaciones sobre el mismo, el algoritmo original propuesto por Holland se designa
por AG cannico o AG simple (Goldberg, 1989).
En la naturaleza, los indicuduos de una poblacin compieten entre si para la
obtencin de recursos tales como la alimentacin, el agua o el abrigo. Los miembros
de una misma especie tambin compiten frecuentemente para atraer a un compaero
para la reproduccin.
Los individuos con mayor capacidad de supervivencia y de atraccin de

compaeros para la reproduccin son los que tendrn mas probabilidades de llegar a
tener un mayor nmero de descendientes. Los menos capaces tendrn de este modo
un menor nmero de descendentes. De esta forma, los genes de los indivduos mejor
adaptados al medio ambiente se reproducirn en un nmero creciente de individuos
9
Charles Darwin (1809-1882) escribi la obra Sobre el Origen de las Espcies por Medio de la Selecccin Natural
publicada en 1859 en la que se establecen los principios de la Evolucin Natural, aunque ya antes
Jean_Baptiste Lamark (1744-1829) haba formulado la teora de la evolucin en su libro Filosofa Zoolgica
publicado en 1809.
Pg. 109 de 337

en cada geracin sucesiva. La combinacin de buenas caracteristicas de diferentes

antepasados puede en algunos casos producir descendientes bien adaptados al medio
ambiente, con un mejor grado de integracin en el medio considerado. Asi a cada
individuo se le atribuye un valor de aptitud que corresponde a su capacidad de
supervivencia y reproduccin. Los indivduos comn los mayores valores de aptitud
poseen mayores oportunidades de combinarse con otros individuos de la poblacin.
En la reproduccin se generarn nuevos individuos que heredan algunas
caractersticas de cada uno de los progenitores. La combinacin de las buenas
caractersticas de los progenitores permitir de este modo la generacin de individuos
(soluciones) mejores.
Paralelismo con la Naturaleza
Evolucin Natural Algoritmos Genticos

Indiciduo Solucin
Genotipo (comosomas) Representacin
Reproduccin Sexual Operador de Cruzamiento
Mutacin Operador Mutacin
Poblacin Conjunto de Soluciones
Generacin Ciclos
Tabla 2.6: Analogia entre la evolucin natural y los algoritmos genticos.
Los Algoritmos Genticos (AG) constituyen, por largo, el grupo ms extenso

de los mtodos mas representativos de la aplicacin de las herramientas de los
Algoritmos Biolgicos. Estos trabajan con una poblacin de individuos, que
representan las soluciones para resolver el problema, usando operadores de
recombinacin, mutacin, seleccin y sustitucin. Un AG obtiene sucesivas
geraciones de individuos cada vez ms aptos frente a la problemtica. La bsqueda
se basa tan soloen el valor de aptitud asociado a cada individuo en la porblacin.
Cuando se planea la resolucin de un problema cocreto utilizando AG resulta
normalmente necesario tener en cuenta la codificacin de las posibles soluciones y la
funcin de evaluacin o funcin objetivo, siendo estas dependientes del problema
planteado.
Uno de los aspectos ms importantes que se deben de considerar cuando se

emplean AGs, consiste en la seleccin adecuada de la funcin objetivo (fitness) que
Pg. 110 de 337

se va a emplear para averiguar la calidad de una determinada solucin. Por medio

de algoritmos genticos es posible conseguir buenas distribuciones a partir de una
bsqueda guiada sobre una pequea fraccin del espacio de soluciones, aunque tienen
el problema de la dificultad en codificar los individuos o soluciones factibles y de
disear las estrategias de bsqueda, en las que es fundamental la asignacin de los
parmetros especficos del problema, como por ejemplo las probabilidades de
cruzamiento, mutacin o reproduccin y el tamao de la poblacin, aunque el
problema ms grave es el de la gestin de las restricciones geomtricas del problema
(Michalewicz 1994, Islier 1998), presenta un algoritmo gentico en el que se divide
los centros de actividad en un nmero de celdas de superficie unitaria y se valoran la
forma tomada por cada actividad y por el conjunto, as como los costes de transporte
en el proceso productivo, obteniendo resultados aceptables. Muchos autores han
utilizado los AG en la distribucin en planta (Al-Hakim 2000, Islier 2000, De la
Fuente 2001, Contreras 2010) establecen la discusin sobre la aplicabilidad de los
algoritmos genticos a este tipo de problemas, aportando algunas posibles mejoras en
el campo de la formulacin de los mismos a travs de los algoritmos genticos.
2.7.4.2. Optimizacin por Colonia de Hormigas (ACO: Ant Colony

Optimization).
Basado en el comportamiento de las hormigas que dejan a su paso un rastro de

feromonas que le sirve de medio de comunicacin entre ellas. Esta tcnica emplea
hormigas que crean soluciones al problema considerado. En cada interacin se
dispone de un conjunto de hormigas que construyen un conjunto de posibles
soluciones soluciones.
La Optimizacin por Colonia de Hormigas (Ant Colony Optimization, ACO)
es una tcnica probabilstica para solucionar problemas computacionales que pueden
reducirse a buscar los mejores caminos o rutas en grafos. Se trata, por lo tanto, de una
tcnica evolucionaria, como los algoritmos genticos y la bsqueda scatter.
Cada hormiga construye una solucin mediante un mtodo constructivo
pasando de unos estados a otros, todos soluciones parciales, cada vez ms completos.
En trminos de un problema de optimizacin, el rastro de feromonas depositadas por
las hormigas se traduce en la probabilidad de pasar de un estado a otro determinado.
Al final, tras conocer la calidad de las soluciones obtenidas por cada una de
las hormigas, se modifica el rastro de feromonas asociado a los cambios de estado de
Pg. 111 de 337

acuerdo con algn criterio que premie las transiciones correspondientes a hormigas
que han ofrecido buenos resultados.
En la construccin de nuevas soluciones, las hormigas tendrn en cuenta:
el atractivo que la transicin de un estado a otro ofrece de acuerdo con algn
criterio que a priori permite evaluar la idoneidad de dicha transicin;
la experiencia acumulada a partir de las soluciones construidas en iteraciones
anteriores que esta almacenada en el rastro asociado a los movimientos que se
realizan para construir una solucin.
En estos casos el valor del rastro est acotado inferior y superiormente. Se

inicializar los rastros a un valor mximo. A medida que se realizan iteraciones se
actualizan los rastros que nunca quedan por debajo de un determinado valor con el
objeto de evitar el estancamiento en torno a un posible ptimo local.
El primer algoritmo de este tipo de heurstica fue propuesto en 1992 por
Marco Dorigo (Dorigo 1992), en su tesis de doctorado con el objetivo de buscar el
camino ptimo en un grafo, basado en el comportamiento de las hormigas cuando
estas estn buscando un camino entre la colonia y una fuente de alimentos.
Posteiormente la idea original se ha diversificado para resolver una amplia clase de
problemas numricos, y como resultado, han surgido gran cantidad de problemas
nuevos, basndose en diversos aspectos del comportamiento de las hormigas y uno de
ellos ha sido justamente el problema de la distribucin en planta. (Maniezzo 1999,
Dorigo 1996, Gambardella et al. 1997, Romero et al. 2011)
2.7.4.3. Optimizacin por Enjambre de Particulas (PSO: Particle Swarm

Optimization).
La Optimizacin por Enjambres de Partculas (conocida como PSO, por

sus siglas en ingls, Particle Swarm Optimization) es una tcnica de
optimizacin/bsqueda en el campo del aprendizaje automtico. Este mtodo fue
descrito alrededor de 1995 por James Kennedy y Russell C. Eberhart (Kennedy y
Eberhart 1995), y se inspira en el comportamiento de los enjambres de insectos,
peces y/o aves en la naturaleza (por eso algunos autores en lugar de enjambres de
partculas usan la denominacin de bandadas de aves o bancos de peces). En
concreto, podemos pensar en un enjambre de abejas, ya que stas a la hora de buscar
polen buscan la regin del espacio en la que existe ms densidad de flores, porque la
Pg. 112 de 337

probabilidad de que haya polen es mayor. Este mtodo ha sido portado al campo de la
computacin en forma de algoritmo y se emplea en la actualidad en la optimizacin
de distintos tipos de sistemas, entre los que se encuentra la bsqueda de soluciones
para la distribucin en planta.
Formalmente hablando, dada una funcin desconocida, f(x,y), que podemos

evaluar en los puntos que queramos, pero a modo de caja negra, sin conocer su
expresin, se intentan encontrar valores de x e y para los que la funcin f(x,y) sea
mxima (o mnima, o bien verifica alguna relacin extremal respecto a alguna otra
funcin). Como ya hemos visto en otras entradas similares, a f(x,y) se le suele llamar
funcin de fitness, ya que va a determinar cmo de buena es la posicin actual para
cada partcula (a la funcin de fitness a veces tambin se le llama "paisaje de
fitness", ya que puede verse como un paisaje con valles y colinas formados por los
valores que toma la funcin).
Una primera aproximacin a este problema de calcular valores extremos de

una funcin bidimensional podra ser la seleccin aleatoria de valores de x e y, y
almacenar el mayor de los resultados encontrados, lo que se conoce como una
bsqueda aleatoria. Para muchos espacios de bsqueda (normalmente, todos
aquellos interesantes) este mtodo es altamente ineficiente, por lo que es
imprescindible encontrar otros mtodos ms inteligentes que, a pesar de el
desconocimiento de la funcin a optimizar, puedan ofrezcer ms posibilidades de
xito que la simple bsqueda basada en el azar. En PSO, las partculas se sitan en el
espacio de bsqueda y se mueven a travs del mismo de acuerdo a unas reglas que
tienen en cuenta el conocimiento personal de cada partcula y el conocimiento global
del enjambre. A travs de sus movimientos por este paisaje de fitness las partculas
llegan a descubrir valores particularmente altos para f(x,y).
Pg. 113 de 337

Figura 2.10: Trayectorias del movimiento de las partculas en el enjambre.
Cmo funciona?
Cada partcula (individuo) tiene una posicin, (x,y), en el espacio de bsqueda

y una velocidad, (vx,vy), con la que se mueve a travs del espacio. Adems, como
partculas de un mundo real fsico, tienen una cantidad de inercia, que los mantiene en
la misma direccin en la que se movan, as como una aceleracin (cambio de
velocidad), que depende principalmente de dos caractersticas:
1. Cada partcula es atrada hacia la mejor localizacin que ella, personalmente, ha

encontrado en su historia (mejor personal).
2. Cada partcula es atrada hacia la mejor localizacin que ha sido encontrada
globalmente en el espacio de bsqueda (mejor global).
Figura 2.11: Trayectorias influidas por los atractores en del movimiento de las
partculas.
Pg. 114 de 337

La fuerza con que las partculas son empujadas en cada una de estas
direcciones depende de dos parmetros (atraccin-al-mejor-personal y atraccin-al-
mejor-global), de foma que a medida que las partculas se alejan de estas
localizaciones mejores, la fuerza de atraccin es mayor. Tambin se suele incluir un
factor aleatorio que influye en cmo las partculas son empujadas hacia estas
localizaciones. Siguiendo este algoritmo se intenta optimizar una funcin que viene
determinada por los valores sobre una malla. El paisaje se obtiene asignando
aleatoriamente valores a cada uno de los puntos de la malla, para posteriormente
aplicar un proceso de difusin que suaviza los valores obtenidos, lo que proporciona
un espacio con numerosos mnimos locales (valles) y mximos locales (colinas). Esta
funcin ha sido creada as solo con fines ilustrativos. Habitualmente, en aplicaciones
reales del PSO las variables (x,y,z,...) pueden corresponderse con parmetros
diversos del problema (por ejemplo, de prediccin de un mercado de valores), y la
funcin f(x,y,z,...) no tendr las restricciones ni caractersticas que aqu se imponen
(en el mismo ejemplo, podra evaluarse por medio de los datos histricos).
Posibles variantes en la metodologa
En una primer paso, que se aplica en algunos de los algoritmos que se

engloban dentro de los PSO, y que es fcil de implementar en el modelo visto,
consiste en aadir una fuerza repulsiva entre las partculas con el objeto de intentar
prevenir que todas ellas converjan prematuramente a una pequea zona del espacio de
bsqueda (lo que supone acabar prematuramente en un mximo local, y con pocas
opciones de escapar de l para encontrar mejores optimizaciones). Realmente, se
puede enriquecer el modelo aadiendo comportamientos diversos a los individuos-
partculas, ya sea inspirndose en comportamientos observados en la naturaleza o
puramente abstractos. Otra posibilidad es no considerar el mximo global que se va
encontrando, sino dividir las partculas en familias y considerar mximos globales por
familias, y de esta forma, cada familia puede trabajar en paralelo y cada partcula solo
ha de tener conocimiento acerca de lo que "sucede" en su familia, y no en el conjunto
global de individuos. Con este planteamiento no resulta difcil modificar el modelo
propuesto con anterioridad para que se genere una funcin que cambie en el tiempo y
poder as experimentar bajo qu condiciones las partculas del enjambre siguen el
movimiento de los mximos a medida que se trasladan por el espacio. Adems,
Pg. 115 de 337

existen variantes en las que estas familias son dinmicas, de forma que las partculas
pueden is cambiando de familia a medida que el algoritmo se va ejecutando o incluso
pertenecer a ms de una familia.
Figura 2.12: Paisaje tras una serie de iteraciones en el que se aprecian ya valles y
colinas (mnimos y mximos locales).
2.7. COMENTARIOS FINALES.
Desde la perspectiva que dan los estudios realizados en la bsqueda de la

solucin al problema de la distribucin en planta de instalaciones, se observa que, a
pesar de ser realmente muchos los trabajos, y utilizando las ms diversas tcnicas,
muy pocos son los que tratan el problema con consideracin seria de la autentica
forma de las instalaciones, quedndose la mayora en los planteamientos de
procesamiento puramente matemtico, ademas apenas se encuentran trabajos que
aborden el problema de conexin entre instalaciones por medio de pasillos u otros
medios fisicos de comunicacin, la mayoria tratan tan solo el problema en modelos
monoplanta y muy pocos abordan la solucin con departamentos de varios tamaos y
formas variadas.
Pero del elevado nmero de autores que han abordado estos problemas
debemos citar algunos que si han pretendido abordar los mismos teniendo en
consideracin estas limitaciones geomtricas.
Pg. 116 de 337

Moon y McRoberts (1989) presentan un sistema experimental FLUKES

(Facility Layout Using Knowledge-based Expert System) basado en sistemas
expertos.
Montreuil y Ratliff (1989), por ejemplo, presentan a su vez un mtodo que

determina un rbol de relaciones entre las instalaciones minimizando sus distancias a
travs del arbol de cortes (Cut Trees) y construye la distribucin en planta sobre un
esquema de pasillos construidos de forma libre a partir del Cut Trees.
Langevin et al. (1994) presentaron un mtodo que define un pasillo principal

usado para servir de comunicacin entre las clulas de trabajo, localizadas en ambos
lados y para almacenar temporalmente piezas que estn siendo procesadas. El mtodo
se compone de dos pasos, en el primero se genera el orden de las clulas y el segundo
determina para cada clula la localizacin, considerando sus dimensiones as como la
localizacin de entradas y salidas.
Tretheway y Foote (1994) presentan un mtodo constructivo, que genera una

estructura de pasillos y la localizacin de las instalaciones, a partir de la matriz de
flujos, utilizando el scatter diagram propuesto por Drezner (1987).
Ludgero (1997) plantea un estudio en el que aborda la solucin al problema de

las distribuciones en planta considerando estas interconectadas por pasillos en
ubicaciones monoplanta.
Como se ha mencionado anteriormente se observa que, entre los modelos

presentados en la bibliografa para la solucin del problema de distribucin en planta
-que desde luego son muchos-, apenas ninguno se preocupa en el problema de la
forma de las instalaciones. Entre los estudios que si han procurado atender este
requisito se pueden citar: Tam y Li (1991), Tam (1992a), Tam (1992b), Furtado y
Lorena (1997), Ontiveros (2004), Diego-Mas (2006), Gonzalez-Garcia (2005) y
Moltalv (2011). Como el problema debe atender dos objetivos que pueden entrar en
claro conflicto, flujo y forma, en general y seguramente debido a que los estudios
vienen propiciados desde un punto de vista ms matemtico y economico que
tcnico se ha decidido que resulta ms fcil, y seguramente productivo, en general el
atender el requerimiento en cuanto a la minimizacin de los flujos, dado que el
problema de forma que viabiliza el proyecto de la fbrica, factora o taller no resulta
Pg. 117 de 337

en general solucionado. Esta considracin es la que ha propiciado que en este trabajo

se haya planteado siempre que sea posible el atenerse a la forma real de la instalacin
cuando esta exista y sea conocida. Otra cuestin observada esta en relacin a la
conexin entre instalaciones no adyacentes que puede realizarse por medio de
pasillos, pocos discuten esta realidad y los trabajos presentados son ms bien
constructivos sin mucha preocupacin por la cuestin de la forma. Con el importante
objetivo de estudiar alguno estos problemas y con la modesta intencin de aportar un
granito de arena se ha desarrollado este trabajo de investigacin.
Pg. 118 de 337

CAPTULO 3
CUESTIONES GEOMTRICAS EN LAS

DISTRIBUCIONES INDUSTRIALES
Pg. 120 de 337

CAPTULO 3
Cuanto ms se pretenda que algo se asemeje a la realidad

ms impreciso ser
y cuanto ms preciso sea
ms se alejar de la realidad.
Albert Einstein (1879-1955),
fsico alemn, premio Nobel de Fsica en 1921.
3. CUESTIONES GEOMETRICAS.
3.1. NUEVO PARADIGMA.
Tras haber realizado un repaso por las distintas tcnicas de resolucin del
problema de la Distribucin en Planta industrial y tras haber analizado las distintas
lneas de trabajo e investigacin que se han seguido para abordar este problema nos
damos cuenta de que han sido y siguen siendo enormes los esfuerzos dedicados a
intentar avanzar en la bsqueda de un sistema adecuado que pueda ser aplicado a
casos reales y que tambin pueda tener un uso generalizado por los expertos a la hora
de encontrar una posible solucin para el problema.
Pero, tal y como ya se indic en el capitulo uno de este trabajo, esto no parece
que haya sido posible ni parece que exista una lnea de trabajo que destaque y que
pueda servir de lnea principal para continuar con los trabajos. Cierto es que la
bsqueda de algoritmos, mas o menos complejos, que permitan realizar una bsqueda
de una solucin si no ptima si por lo menos buena, ha sido una de las tareas que mas
investigadores han abordado, pero dado el escaso inters que estos resultados han
suscitado en los ingenieros encargados de tomar la decisin de como realizar las
implantaciones de sus factoras parece que algo no funciona y que no resulta
adecuado el planteamiento o por lo menos la forma de abordar el problema.
Pg. 121 de 337

Tras analizar las causas de este fracaso de utilizacin de las aportaciones, se

ha intentado ver n que podan fallar las lneas de trabajo que se vienen utilizando,
para intentar ver si existe alguna posibilidad de cambio que cambien esta tendencia
que casi se podra denominar suicida.
De una forma algo genrica podramos resumir que en la actualidad los

trabajos abordan la utilizacin de algoritmos heursticos o semiheursticos para la
bsqueda de una solucin optimizada con un modelo meno o multiobjetivo pero se
abordan estos problemas con un modelado que permita utilizar estos algoritmos con
una implementacin informtica clsica, esto es con un procesado de lo que
histricamente se ha venido denominando, desde que Descartes la puso en nuestras
manos geometra analtica. Es cierto que los ordenadores y los sistemas informticos
actuales nos facilitan herramientas de clculo que permiten realizar complejos
clculos y procesar gran cantidad de posibles datos, pero para que esto ocurra
precisamos de disponer de estos datos y de poder modelar y programar las
ecuaciones que representen los clculos que deseamos realizar. Es aqu donde de
alguna manera parece que el sistema pueda estar fallando.
La historia de las matemticas nos indican que la primera rama de esta ciencia
que se consolid fue la geometra impulsada por Euclides (siglo II a.c.) al recopilar en
su obra Los Elementos prcticamente todo el conocimiento matemtico de su poca.
Con esta obra se dispuso de clculos geomtricos que posibilitaban resolver ciertos
problemas: proporciones, operaciones con segmentos y arcos, problemas de
tangencias, problemas de curvas cnicas, problemas de curvas cclicas, contrucciones
geomtricas de lo mas diverso, y con las posibilidades de trazado que estos
ofrecan (e igualmente con las limitaciones que entonces se imponan de uso tan solo
de regla y comps) se han realizado grandes obras de la humanidad: templos,
pirmides, acueductos, etc. Posteriormente con la aparicin de los nmeros mas o
menos complejos (y que los estos evolucionan pasado desde los enteros, pasando por
lo reales e imaginarios hasta llegar a los nmeros complejos) y sus operaciones
aparece el lgebra y el Clculo numrico y posteriormente la Geometra Analtica,
postulada por Descartes (en el siglo XVII), dan un gran paso adelante y con la
incorporacin de las ecuaciones y de las variables e incgnitas se avanza en todos los
campos de la ingeniera haciendo posible que as mismo avance la propia humanidad
con sus logros. En el siglo pasado, con la aparicin de los ordenadores y de los
Pg. 122 de 337

sistemas informticos, la programacin de aplicaciones se ha basado en la

implementacin de las ecuaciones algebraicas que permitan hacer clculos para que
despus dependiendo de los resultados obtenidos se puedan tomar decisiones. De este
modo el clculo y el lgebra se han convertido en herramientas indispensables para la
formulacin de respuestas a las cuestiones planteadas aun con la ayuda del ordenador.
La nueva rama de la geometra computacional ha dado pasos interesantes a la

hora de intentar plantear nuevas formas de abordar algunos problemas geomtricos y
de encontrar algoritmos innovadores que permitan ser implementados por medio de
sistemas informticos, pero esta nueva ciencia aborda problemas muy concretos y
sigue utilizando el algebra y el calculo numrico como recursos bsicos para realizar
sus procedimientos. Si la entendemos la Geometra Computacional como la ciencia
dedicada al diseo y anlisis de algoritmos informticos empleados en la solucin de
problemas de carcter geomtrico, podramos definir la Computacin Geomtrica
como la rama de la Geometra Computacional que pretende implementar los
algoritmos para hallar solucin a los problemas geomtricos pero en un entorno de
DAO, utilizando los recursos para el trazado y que estos entornos poseen. Dicho de
otro modo, es como volver al trazado geomtrico del dibujo clsico para, por medio
de estos, hallar las soluciones a problemas constructivos que presenten datos con
entidades puramente geomtricas (lneas, regiones, superficies, planos, puntos,).
Asi por ejemplo es factible encontrar el punto interseccin de dos rectas que
se corten ya que es fcil dada la ecuacin de las rectas encontrar cualquier punto de
estas o dadas las rectas por dos puntos de cada una hallar la ecuacin de estas rectas y
posteriormente resolver el sistema de ecuaciones planteado. Pero no resulta tan fcil,
aunque evidentemente no imposible, el encontrar el punto interseccin de una recta
con una curva cualquiera que pase por N puntos y de la que, a priori, se desconoce su
ecuacin. Pero lo que si resulta factible, y hasta podramos decir que incluso resulta
fcil, es el hallar el punto interseccin de la recta y la curva (cualquier curva) con un
sistema de DAO. Del mismo modo el problema se complica si, en vez de la
interseccin de recta y curva, se propone encontrar el resultado o resultados (ya que
no tiene por que ser nico) de la interseccin de dos curvas, pudiendo afirmarse sin
embargo que la resolucin de esta cuestin en un sistema DAO resulta prcticamente
similar al problema de las dos rectas o de la recta y la curva.
Pg. 123 de 337

Dicho esto ee postula aqu entonces lo que podramos denominar

Computacin Geomtrica o la implementacin de los problemas geomtricos en un
entorno de un sistema DAO en el que los problemas geomtricos mas comunes se
resuelven de forma mucho mas sencilla, cierto que apoyndose en programas
complejos y de gran potencia operativa pero de forma transparente para el usuario y
mucho mas intuitiva ya que no precisa de utilizar las ecuaciones de las entidades. Si
desde que a finales del siglo XVIII, Gaspar Monge pone la piedra de la Geometa
Descriptiva y de los Sistemas de Representacin en tres dimensiones que permite
solucionar prcticamente todos los problemas tridimensionales que se nos puedan
imaginar (posiciones relativas de elementos en el espacio, verdaderas dimensiones,
intersecciones, etc, etc) y que tengan solucin evidentemente, no se haba dado otro
gran paso hasta la incorporacin de los entornos grficos de DAO para realizar las
tareas del trazado geomtrico, tal vez sea el momento de, una vez implantados de
forma genrica los sistemas de DAO para realizar las tareas de dibujo tanto en 2D
como en 3D, dar otro paso mas utilizando estos entornos con las posibilidades de
programacin que estos puedan ofrecer para abordar problemas geomtricos mas
complejos por medio de iteraciones computacionales.
Nos encontramos aqu con el nuevo paradigma que permite abordar algunos
problemas geomtricos de forma mucho ms directa y real, ya que no se precisa un
modelado distinto a la copia de la realidad existente, que adems resulta ser la forma
mas comn con la que se trabaja en la actualidad para plantear esos problemas.
Parece un poco absurdo el utilizar la geometra para obtener unos datos que se
procesan posteriormente por algoritmos algebraicos para en un paso final volver a
incorporar los posibles resultados dados por esos algoritmos en los sistemas
geomtricos de los que partimos. No debemos olvidar que los programas DAO
permiten un trazado geomtrico, y por tanto obtener sus resultados analticos
posteriormente, tanto en 2D como en 3D y permiten mantener relaciones entre las
entidades que intervienen en el problema e incluso aplicar cuanta restriccin
geomtrica se quisiera imponer.
Dicho esto y planteado este nuevo escenario podemos afirmar que el entorno
ms normal para abordar el problema de distribucin en planta es seguramente un
entorno Dibujo Asistido por Ordenador (DAO) en el que podremos resolver, con los
distintos algoritmos, y clculos realizados de forma interna o externa, las distintas
Pg. 124 de 337

cuestiones que se nos presentan a la hora de abordar el problema. Esto permitira

encontrar una solucin, cuando no mas eficiente, al menos si mas real, visual y
fcilmente interpreble, lo que favorecera la credibilidad de los resultados optenidos y
finalmente generalizara en el futuro el uso de estas tcnicas e implementaciones por
parte de los ingenieros.
3.2. CUESTIONES PREVIAS.
La cuestin es que, a pesar de que el problema de la distribucin en planta de

procesos industriales (Facility Layout Planning o FLP), tal y como se ha visto con
anterioridad, ha sido ampliamene estudiado y se han planteado muy diversos recursos
que faciliten la ordenacin de los elementos (instalaciones o actividades) de un
sistema de produccin de forma ptima (o tal vez deberamos decir cuasi-ptima) y
asistido por medios informticos, la el problema planteado sigue adoleciendo de
soluciones aplicables al mundo real para que que el ingeniero pueda aplicarlas sin
tener que replantearse todos sus principios de lgica y experiencia y sin tener que
aceptar las posibles soluciones que el sistema asistido le imponga sin poder realizar
modificaciones a ciegas.
Ya en 1978 Tompkins planteaba cinco problemas comunes en lo que se puede

denominar la resolucin del problema de distribucions en planta asistidas por
ordenador y que por desgracia siguen perdurando a pesar del paso del tiempo:
1) falta de confianza
2) ubicacin irreal de departamentos
3) forma irreal de departamentos
4) formas irreales de plantas (no rectangulares)
5) alineacin irreal de departamentos
1) La confianza en las respuestas aunenta a medida que los programas informticos son
ejecutados mltiples veces. Se vara la distribucin inicial usada como entrada. Para
PLANET se vara la prioridad de colocacin. Para CORELAP se varian la anchura y
la longitud de los departamentos (siempre rectangulares). Para ALDEP, se vara la
anchura de la forma y el grado de proximidad. Se hacen ligeras modificaciones del
diagrama desde-hacia (o de relacin).
Pg. 125 de 337

2) Las ubicaciones irreales no constituyen un problema importante en CRAFT,

COFAD y ALDEP ya que las ubicaciones estan fijas. Si una instalacin aparece
situada en una ubicacin indeseable, su ubicacin se fija en la siguiente iteraccin
del programa. CORELAP no permite a asignacin a muros o esquinas exteriores
esecficos. Con PLANET la prioridad de colocacin ms baja entra al final de la
distribucin y, por tanto, est en el exterior y para evitar esto tan solo cabe cambiar
la prioridad de colocacin del departamento si fuera necesario.
3) Las formas pueden estar restringidas por el tipo de maquina. Por ejemplo, las
mquinas atornilladotas automticas pueden medir 1,5 x 5,5 metros, por tanto,
puede ser apropiada un rea larga y angosta. Sin embargo, un cuadrado de 3 x 3 no
funcionar aun cuando el area sea suficiente. Para CRAFT y COFAD se toma la
distribucin generada, se le da la nueva forma deseada al departamento y se corre
de nuevo con el departamento fijo. Con ALDEP se puede fijar el rea o variar la
anchura de la forma. Con CORELAP y PLANET el ejor enfoque es simplemente
usar la entrada del ordenador como primer esquema mental.
4) La forma de planta irreal no es problema para CRAT, COFAD o ALDEP, ya que

permiten especificar la forma de la planta. Con CORELAP se varan las
proporcionesentre longitud y anchura de la planta o se fijan las reas salientes en
ubicaciones fijas en la siguiente ejecucin. Con PLANET slo se aprueba y apoya, y
debe recordase que su finalidad es generar ideas, no una distribucin final.
5) Normalmente, las alineaciones irreales presentan problemas de situacin de pasillos.

CRAFT y COFAD permiten usar departamentos ficticios (con flujo nulo) que se
pueden considerar como pasillos. ALDEP permite directamente la entrada de
pasillos. Con CORELAP y PLANET, las rutinas pueden manejar pasillos, y por
tanto, la distribucin se debe ajustar manualmente.
A esto hay que sumar de una manera relevante que muchas de las tecnicas
utilizadas para llegar al layout objetivo son del tipo constructivo, casi como si se
presupusiera que la distribucin buscada es nueva y que una vez que se haya decidido
como queda permanecer invariable en el tiempo, y esto es, a todas luces, totalmente
inadeacuado cuando se habla de instalaciones industriales (no ocurrira lo mismo en
otro tipo de distribuciones como puedan ser la arquitectonica, o las distribuciones de
componentes electrnicos en una placa impresa ) Es por esto por lo que como
objetivo primordial de este trabajo se ha planteado el intentar, en la medida de lo
Pg. 126 de 337

posible, paliar algunas de estas limitaciones o problemas que conlleva el

planteamiento de una distribucin en planta industrial.
A estos 5 problemas principales ya propuestos por Tompkins se podran aadir

algunos otros como puedan ser:
- dimensiones de las instalaciones no correctas

- medidas de transportes irreales
- metricas no adecuadas
- inicio de medidas siempre desde los centroides de los departamentos
- imposibilidad de asignar instalaciones al contorno exterior
- no se tiene en cuenta las fronteras de las instalaciones suponiendo estas
siempre como paredes fijas
- trabajo con un solo nivel de instalaciones
-
No se acabarn aqu los posibles problemas sino que a medida que se

resuelvan estos es seguro que aparecern otros inconvenientes en el camino que
obligara a seguir trabajando en este campo, pero es justamente aqu en donde, en la
medida de lo posile, se plantearemos a continuacin algunas cuestiones en la que se
intentarn dar soluciones a estos problemas.
Pg. 127 de 337

Naturaleza del
CORELAP ALDEP PLANET CRAFT COFAD
problema
Puede efectuar Puede variar el Puede variar Puede variar la Igual que
puebas por medio ancho de la prioridades de distribucin CRAFT
1 Falta de de la variacin de forma y el grado colocacin y inicial, se deben
proporciones entre de proximidad y hacer varios ubicar cuando
confianza en la el ancho de los hacer corridas procesos nevos menos tres
solucin departamentos y adicionales de la de la rutina. distribuciones
hacer un nmero rutina. significativamen
de iteraciones te diferentes al
nuevas. ordenador.
Pueden Puede redituar Puede usar Igual que Igual que

especificarque un departamentos prioridades de ALDEP ALDEP y
2 Ubicaciones departamento se con ubicaci colocacin para CRAFT
fije a un muro irreal la secuencia de
departamentales exterior o esquina colocndolos en entrada para
irreales y volver a una ubicacin cambiar la
procesar la ruina. realista y distribucin en
reprocesar la la siguiente
rutina. ejecucin de la
rutina.
Aunque no es un Puede variar el No puede Puede remodelar Igual que

enfoque flexible, ancho de la corregir con el departamento CRAFT
3 Formas puede variar las forma o fijar el rutina; se dee y volver a
proporciones entre departamento al manejar a mano procesar la
depatamentales longitud y ancho y rea la distribucin rutina usando
irreales volver a procesar realistamente generada por el una distribucin
la rutina. cnformada y ordenador. modificada as
olver a procesar como la
la rutina. istribucin
inicial.
Puede variar las No deben surgir No puede Igual que Igual que
proporciones entre problemas; se corregir con ALDEP ALDEP y
4 Formas irreales longitud y ancho puede rutina; se debe CRAFT
de la planta o especificar la manejar a mano
de planta variar la prioridad forma de la la distribucin
de ubicacin y planta desde el generada por el
volver a principio. rdenador.
reprocesar la rtina.
No puede corregir No deben surgir Igual que Puede insertar Igual que
con rutina; se problemas; la CORELAP departamentos CRAFT
5 Alineacin del debe tratar rutina puede en la
manualmente la especificar distribucin
departamento distribucin pasillos en la inicial, alinear
geneada por el configuracin deartamenos
ordenador. inicial. reales n la
distribucin
generada por el
ordenador,
poner modelos
ficicios entre
ellos, volver a
prcesar la rutina.
Tabla 3.1: Tcnicas para reducir problemas en las distribuciones asistidas por
ordenador (Tompkins, 1978).
La cuestin que debera preocuparnos en estos tiempos es que, tal y como

indic Moore (1978), a pesar de los grandes esfuerzos empleados para su desarrollo,
Pg. 128 de 337

las rutinas de distribucin implementadas informticamente son rara vez se utilizadas

en la prctica, salvo para estudios muy particulares, siendo en la practicas sustituidas
por el ya clsico Systematic Layout Planning (SLP) de Richard Muther. Esto
sorprende aun ms observando que las publicaciones acadmicas estn llenas de
artculos acerca de ellas. En la misma lnea el mismo Muther afirmaba en 1980: En
1968 nuestra firma consultiva trabajaba con cuatro programas de ordenador para el
resparto de espacios. Hoy (refirindose a 1980) ya no se usa ninguna de allos ya que
hemos observado que podemos obtener mejores distribuciones ms rpidamente si
utilizamos el SLP.
Otra posibilidad, no descartada por Konz (2004), es que las personas puedan
realizar rutinas tan bien como los ordenadores, y dar soluciones mucho ms adaptadas
a la realidad buscada. Lewis y Block (1980) hicieron la prueba de enfrentar a
expirementados ingenieros diseadores de planta a una rutina de construccin (en este
caso FATE) y obtuvieron como resultado que los ingenieros hicieron todo tan bien
como los sistemas informticos excepto los problemas muy complejos, y se dieron
cuenta de que el nmero de departamentos, la complejidad y predominancia del flujo
(entendiendo por predominancia si este es aleatorio o si es altamente especfico)
resultaban factores importantes, y se daba algun caso, como cuando la predominancia
del flujo era realmente alta, en que los ordenadores no ofrecan ventaja alguna. En ese
mismo ao Trybus y Hopkins (1980) llegan incluso a afirmar, sin mayores
miramientos, que los ordenadores dieron unos resultados tan buenos como los
tcnicos (afirmacin que en Galicia se dira que la decan con retranca).
Cabe entonces preguntarse: por que no se usan de forma sistemtica los

programas informticos desarrollados?, que vistas las publicaciones en que se
exponen dan tan buenos resultados. La opinin ms plausible pudiera ser que el
problema de la Distribucin en Planta de ua factoria industrial a pesar de ser una
cuestin elevante no se presenta muy a menudo en una empresa (por lo menos a nivel
global), y ya se sabe que la solucin optima no es fcilmente abodable, por lo que
la solucin por la que al final se obte ser una buena solucin (que en muchos casos
no sabemos cuan buena es en realidad) y que ademas, para ms inri se modificar
irremediablemente en un futuro no muy lejano. Asi las cosas muchos ingenieros de
planta no planearan una distribucin en planta en toda su vida y si hacen una, esta
puede que en realidad apenas se trate de una distribucin de productos (lnea) o de
Pg. 129 de 337

una clula de fabricacin; pueden volver a distribuir un departamento cada cinco o

diez aos, pero con mucha frecuencia apenas se ubican uno o dos nuevos elementos
en una instalacin ya existente. Por ese motivo no se mantienen actualizados en el uso
de sistemas informticos especficos para estas tareas. Cabe destacar aqu que algunos
de los manuales ms adecuados hasta la fecha para estas tareas siguen siendo los de
Tompkins y Moore (1978) o Khator y Moodle (1983) lo que prueba que si bien hay
mucho trabajo en nuevas implementaciones informticas (nuevos algoritmos, estudios
de caso, bsquedas de mejoras tericas,) no ocurre lo mismo en la tarea de facilitar
a los ingenieros, o usurios finales, herramientas que les faciliten el uso de las mismas.
Llegados a este punto y una vez planteada la duda sobre la posible inutilidad
del uso sin ms de los algorirmos heursticos planteados por los distintos autores,
intentaremos enfrentarnos a los problemas geomtricos que se presentan en la
resolucin de las distribuciones de planta para, en la medida de lo posible, intentar
acercar ms la solucin obtenida con ayudas heursticas o semiheursticas a lo
buscado por los ingenieros, para avanzar en la confianza que estos puedan tener en
estos sistemas y al final inpermitan incrementar su uso en las tareas ms cotidianas.
Los problemas geomtricos inmediatos con los que nos encontramos a la hora
de ubicar instalaciones en un espacio fsico son al menos los siguientes:
- La forma y tamao de la instalacin.

- El contorno o frontera de la instalacin.
- La forma de determinar las distancias entre las distintas instalaciones.
- El espacio en el en que hay que situar esta situado en una sola planta o esta
distribuido en varios posibles niveles.
A estos podran aadrsele otros mas como puedan ser si el estudio se

pretende realizar en 2, 2D o 3D, el tipo de instalaciones a ubicar (no es lo mismo
tabajar con mquinas, que con espacios de almacen, que con tuberas y conducciones,
), la posibilidad o no de modificar/mover/reorientar algunas de las instalaciones
existentes para hacer la nueva implantacin, los costos disponibles para poder hacer
la implantacin (que permitin o no realizar las nuevas instalaciones o las
modificaciones sobre los existente),
Pg. 130 de 337

3.3. EL MODELO GEOMTRICO Y EL ESPACIO DE SOLUCIONES.
Los aspectos geomtricos bsicos del FLP son el tamao y forma de las
actividades, el modelo de representacin del espacio y su mtrica y la forma y
nmero de pisos o niveles de la planta industrial o del dominio de ubicacin, el modo
en que son tratados determina la configuracin espacial de las soluciones.
Estos aspectos, de principal importancia en el proyecto y construccin de

complejos industriales no son contemplados por una formulacin estndar del QAP y
son los que se intentan abordar de manera explcita en este trabajo.
Para tratar los aspectos geomtricos del problema existen bsicamente dos
vas, una introduciendo explcitamente en la formulacin un conjunto de restricciones
o penalizaciones relacionadas directamente con la forma, dimensin y posicin de las
actividades y otra implcitamente a travs del propio modelo geomtrico adoptado, la
mtrica y la representacin. En nuestro caso apostamos sin duda por esta segunda
opcin, aunque usando tambin en algunas ocasiones criterios de restriccin-
penalizacin para instalaciones no totalmente determinadas, ya que es la ms realista
y la que ms se adecua una tarea de ingeniera de planta. Puesto que se considera que
la distribucin se realiza en dos etapas claramente diferentes una primera en la que se
aborda la distribucin de zonas amplias o agrupada de instalaciones y una segunda
en la que se aborda con mas detenimiento la distribucin que se pretende implantar y
que corresponder a la distribucinde detalle.
Inicialmente se plantea un modelo continuo de las instalaciones de las que se

conoce su forma concreta para determinar las posiciones ms reales posibles pero de
posteriormente se ha adoptado un modelo discreto partiendo de una cobertura por
medio de un solapamiento de rectngulos que cubran las instalaciones reales con las
que se trabaja y el control geomtrico de agregacin (que evita la rotura de las
actividades) por estar este asociado implcitamente al procedimiento con que se
construyen las soluciones para abordar el problema de los pasillos, pero se trabajar
tambin con modelos continuos en la medida en que se dispondr de formas
geomtricas concretas de las instalaciones que se ubicarn pasando los datos a los
procesos algortmicos externos para que estos procesen los datos reales
suministrados.
Pg. 131 de 337

Como se ver a continuacin a la hora de formular los distintosproblemas

geomtricos, la propuesta de este trabajo ha diso el de trabajar siempre que se pueda y
se tengan los datos con las formas reales de las instalciones a implantar, pero dejando
la posibilidad de que en el caso de que estos datos no se encuentren totalmente
disponibles al empezar a buscar la solucin al problema de la distribucin en planta,
se pueda trabajar con representaciones discretas de las mismas. De igual modo y
puesto que aunque se pesenta n implementaciones en entornos de DAO se pretende
mantener el vinculo con aplicaciones ya existentes se deja tambin abierta la
posibilidad de discretizar los datos reales de partida para poder transmitir los datos a
los programas disponibles.
A- Contorno Real. B- Contorno Simulado.
Figura 3.1: Estado de pixelizacin o digitalizacin para obtener entorno

simulado partiendo del conterno real.
En trminos generales, el entorno del sistema preparado para poder simular en

entorno real en un modelo simulado discreto, puede ser descrito como una cuadrcula
en la que cada posicin tiene una marca que indica si la posicin est ocupada o no
por un obstculo. De esta forma se dispone de un mecanismo que convierte los
obstculos en el entorno real (Fig. 3.1-A) en obstculos digitalizados en el entorno
simulado (Fig. 3.1-B).
Para poder recurrir a la utilizacin de ambos modelados el real o continuo y el

simulado o discreto se aborda la bsqueda de solucin en dos niveles distintos
primeramente una distribucin agrupada o de bloques para la que se hara un solape en
forma de rectngulos de las instalaciones y posteriormente una distribucin mas
Pg. 132 de 337

promenorizada o de detalle de maquinaria en la que se pueda trabajar con zonas

rectangulares o con formas reales.
3.4. PROBLEMA DE FORMA.
3.4.1. Consideraciones generales.
El problema de la distribucin en planta de procesos industriales (FLP)

persigue la ordenacin ptima de los elementos (instalaciones o actividades) de un
sistema de produccin y contempla tal y como se ha visto, entre otros, aspectos tan
relevantes como puedan ser los geomtricos y econmicos, aunque en la actualidad y
con la aplicacin de tcnicas multivariantes y multiobjetivo se han incorporado
algunos otros tales como la seguridad, la mantenibilidad o la flexibilidad para el
cambio. El aspecto econmico tiene que ver con los costes de la implantacin de la
instalacin en la planta y con su operacin y explotacin, mientras que el geomtrico
se relaciona con la arquitectura del sistema y la forma y dimensiones de las propias
instalaciones y plantas industriales. De la consideracin de estos aspectos se derivan
diferentes formulaciones del problema segn el modelo geomtrico adoptado para
representar la solucin y segn la funcin a optimizar, que puede incluir trminos
cuantitativos, como pueden ser los costes de instalacin y de operacin (manutencin)
y trminos cualitativos derivados de la tabla relacional de actividades establecida
desde la metodologa SLP (Muther, 1973).
La formulacin cuantitativa clsica ms simple de este problema es como un

problema cuadrtico de asignacin (QAP), donde todas las actividades industriales se
consideran iguales y cuadradas (Lawler, 1963). Bajo este planteamiento monorea de
las actividades la planta industrial tiene una caracterizacin geomtrica insuficiente lo
que dificulta en general la adecuada representacin y valoracin de la distribucin en
planta de un proceso industrial de fabricacin. En esencia el QAP es una formulacin
topolgica propia de la teora de grafos que no considera los aspectos geomtricos
fundamentales del problema real de la distribucin en planta (FLP).
Para resolver las dificultades propias de la representacin geomtrica del

modelo y las dificultades de resolucin del QAP se han desarrollado diferentes
modelos geomtricos y aplicado diversas tcnicas heursticas y de optimizacin
(Heragu, 1991) que permiten abordar problemas industriales reales con eficiencia y
mejor grado de resolucin. Las distintas tcnica algortmicas y heursticas se han
Pg. 133 de 337

aplicado al problema de distribucin en planta formulado como un problema

cuadrtico de asignacin (Gambardella et al., 1997, Maniezzo, 1999) con todos los
inconvenientes ya reseados que esto conlleva.
De forma abstracta el problema puede enunciarse como:
Dado un dominio D de rea A con geometra conocida, desconocida o

restringida, D(A), se persigue ubicar en l sin superposicin, sin disgregacin y con
calidad geomtrica un conjunto de m actividades de reas ai, di(ai) de geometra
irregular, fija o flexible, relacionadas entre s con intensidades de relacin (wij, rij) de
modo que se optimice cierta funcin del sistema asociada a su geometra (forma), la
operacin y la relacin(adyacencia).
m m m m
Min F (W , D, R, F ) = Min Wij d ij - V (rij ) f ij (3.1)
i =1 j =i +1 i =1 j =i +1
Se persigue minimizar, para un periodo de tiempo determinado, la anterior

funcin multicriterio, donde wij el coste unitario de manutencin entre las actividades
i y j, por unidad de tiempo y de distancia, dij la distancia entre las actividades i y j,
medida con la mtrica adecuada, rij la relacin de adyacencia especificada en la tabla
relacional de actividades R(rij) para el par de actividades i y j, V(rij) es una funcin
de valor de la relacin y F(fij) la matriz de adyacencia o frontera del sistema
(Hospitaler, 2003).
3.4.2. MODELOS DE REPRESENTACIN ESPACIAL.
Una de las primeras y fundamentales decisiones que se deben tomar a la hora

de abordar el problema de distribucin en planta de instalaciones industriales es el
relativo al modelo de representacin espacial que se va a emplear. Al consultar la
bibliografa nos encontramos con dos lneas claramente diferenciadas en este punto
del problema:
1. La primera lnea de trabajo emplea un modelo espacial topolgico, basado en

teora de grafos, tanto para el planteamiento como para la resolucin del
problema. Este enfoque es muy empleado en aquellas referencias en las que se
utilizan objetivos tan solo cualitativos.
Pg. 134 de 337

2. La segunda emplea un modelo espacial geomtrico a la hora de colocar las

actividades sobre el plano, o sobre el espacio. En esta lnea es en la que se
encuentran la mayor parte de los trabajos, por ello se dedicar un mayor nivel de
detalle en este apartado.
Figura 3.2: Clasificacin de los modelos espaciales empleados por las

tcnicas de resolucin del problema de distribucin en planta
(Diego-Mas 2006).
En la Figura 3.3 se muestra una clasificacin de los distintos modelos de

representacin espacial empleados en las distintas versiones del problema de
implantacin de industrias en la bibliografa consultada. Si se opta por los modelos
geomtricos se abre un amplio abanico de opciones en funcin del espacio empleado,
ya sea unidimensional, en cuyo caso el problema ser un SRLP (Single Row Layout
Problem), bidimensional, al que se denomina FLP (Facility Layout Problem) y el
caso general de ms de dos dimensiones. Una lnea con mucha pujanza en la
actualidad es emplear dos dimensiones y media, integrando varias plantas iguales y
ascensores (montacargas y/o escaleras) entre ellas, el MFLP (Multi Facility Layout
Problem) o bien una formulacin que emplee plenamente las 3 dimensiones. En cada
uno de los modelos geomtricos se debe decidir a su vez si se va a emplear una
representacin espacial continua o discreta, pues la formulacin del problema vara
sensiblemente en ambos casos.
Pg. 135 de 337

Figura 3.3: Clasificacin de los modelos de representacin espacial.
Siguiendo los trabajos de Santamarina (1995), de Diego-Mas (2006), de

Gonzalez (2005) y de Montalv (2011) se muestran a continuacin algunos de los
modelos utilizados para modelar las distintas actividades en las plantas industriales, y
de igual modo se hace un breve esbozo de los indicadores que se han venido
utilizando para el anlisis de las formas de las mismas.
3.4.2.1. Modelos topolgicos
Las aproximaciones al problema de distribucin en planta que emplean

modelos de representacin espacial topolgicos, no persiguen encontrar una
distribucin exacta de cada una de las n actividades del problema, sino situar ms
bien su posicin relativa. El diagrama final deber satisfacer una serie de aspectos que
tienen que ver con la necesidad de proximidad o lejana de actividades, as como por
el flujo de materiales entre actividades. Si las restricciones espaciales resultan ms
estrictas y solo se permite la colocacin de actividades en un plano de trabajo,
obtenindose as un modelo bidimensional, que es el ms extendido en la bibliografa.
Sin embargo es posible extender el problema a tres dimensiones si se elimina la
restriccin de planaridad.
Por tanto, se persigue construir un diagrama relacional de actividades y/o

recorridos de modo que no se produzcan cruzamientos (principio de circulacin) y
sean adyacentes las actividades con mxima relacin o estn separadas las
Pg. 136 de 337

incompatibles (principio de la mnima distancia, principio de la seguridad y confort y

principio de integracin).
Como paso previo a la materializacin de alternativas (etapa de sntesis), tanto

Buffa (1955) como Muther (1968) proponen, tal y como se vio en el captulo anterior,
realizar una representacin a travs de un grafo, para plasmar las interacciones
existentes entre las diversas instalaciones que componen la planta (representando las
mismas como puntos). Muther denomina al diagrama resultante Diagrama
Relacional de Recorridos y/o Actividades y Buffa Diagrama Esquemtico Ideal.
Diagrama Relacional de Actividades Ideal Schematic Diagram

(Montreuil y Ratliff 1989) (Buffa 1955).
Figura 3.4: Representaciones de diagramas de relacin (Santamarina 1996).
La utilizacin de estas tcnicas en realidad supone un enfoque totalmente

diferente al adoptado por la mayor parte de los mtodos de generacin de
distribuciones, ya que su origen radica en las metodologas (manuales) propuestas por
Buffa y Muther. En 1970 Seppnen y Moore inician esta nueva lnea de mtodos de
generacin de distribuciones en planta de recintos industriales basados en tcnicas de
teora de grafos, que ha llegado a alcanzar un considerable desarrollo.
3.4.2.1.1. Aspectos bsicos de la teora de grafos.
Los primeros antecedentes histricos del uso de la teora de grafos como

metodologa de resolucin de problemas, datan de 1736 cuando Euler los utiliz para
resolver el problema clsico de los puentes de Koenigsberg.
Pg. 137 de 337

Un grafo G est formado por un conjunto de nodos, denominados vrtices (vi),

conectados por arcos, denominados aristas (vi,vj). El grafo se representa como
G=G(V,A), donde V es el conjunto de los vrtices vi y A el conjunto de las aristas (vi,
vj). Si (vi,vj) es una arista de A(G), entonces se dice que los vrtices vi y vj son
adyacentes, y que la arista (vi,vj) es incidente en los vrtices vi y vj. Se dice que el
grafo es no dirigido en el caso de que las aristas no tengan un sentido definido, es
decir queden identificadas por un par no ordenado de vrtices; en caso contrario se
trata de un grafo dirigido.
El conjunto de grafos que tienen un mayor inters en la resolucin del

problema de distribucin en planta es el de los no dirigidos, ya que los mtodos que
utilizan la teora de grafos responden habitualmente a las relaciones representadas en
el diagrama relacional de actividades de Muther, en el que se expresa la conveniencia
de que dos actividades ocupen posiciones adyacentes en el layout.
G' es un subgrafo de G si y solo si: A(G') A(G) y V(G') V (G) . En la

Figura 3.5 se puede observar un grafo (izquierda) con dos subgrafos del mismo
(centro e izquierda).
Figura 3.5. Grafo y subgrafos.
El nmero de pares no ordenados distintos en un grafo con n vrtices es

n(n-1). Un grafo no dirigido de n vrtices con n(n-1) aristas se dice que es
completo.
Un camino, del vrtice vp al vrtice vq, en un grafo G, es una secuencia de

vrtices vp, vi1, vi2,... , vin, vq, tal que (vp,vi1),(vi1,vi2),... , (vin,vq) son aristas del grafo
G. La longitud de un camino es el nmero de aristas del mismo. Un camino simple es
un camino en que todos sus vrtices, excepto posiblemente el primero y el ltimo, son
distintos. Un ciclo es un camino simple cuyos vrtices inicial y final son el mismo.
Pg. 138 de 337

En un grafo no dirigido G, dos vrtices vi y vj se dice que son vrtices conexos

si existe un camino en G de vi a vj. Un grafo no dirigido se dice que es un grafo
conexo si para cada par de vrtices distintos vi, vj de V(G) existe un camino de vi a vj
en G.
Las reas que quedan definidas por cada ciclo de aristas de un grafo se
denominan caras. La regin exterior al grafo tambin se considera una cara, pero
como una cara infinita.
Un grafo G es un grafo ponderado si sus aristas tienen pesos asociados que

pueden ser utilizados como parmetros de coste o beneficio.
Otro concepto importante es el de grafo planar, se dice que un grafo es planar

si, al menos, tiene una representacin bidimensional en la que su aristas slo se
intersectan en los vrtices. En la Figura 3.6 se puede observar el concepto de
planaridad. Adems se define como grafo planar maximal a aquel grafo planar que
deja de serlo si se le aade una arista ms. Se dice que un grafo es planar ponderado
maximal, si es un grafo planar maximal y sus aristas tienen los mayores pesos
asociados posibles.
Grafo Planar Grafo no Planar

Figura 3.6: Ejemplo de planaridad de un grafo.
En 1736 Euler estableci la conocida ecuacin que liga el nmero de caras,

vrtices y aristas en un grafo conexo planar, y que tiene por expresin:
v a+ c = 2 (3.2)
Dnde: a = nmero mximo de aristas del grafo.
Pg. 139 de 337

c = nmero mximo de caras del grafo.
v = nmero de vrtices del grafo.
En un problema de distribucin en planta en el que existen n actividades (en

este caso vrtices), pueden existir como mximo 1/2n(n-1) relaciones entre ellas.
Para que el grafo sea planar, la condicin de planaridad exigir que el mximo
nmero de relaciones que se pueden respetar sea de 3n-6, lo que muestra la
imposibilidad de cumplir todos los requisitos relacionales (aumentando el
incumplimiento a medida que crece el nmero de actividades, vase Figura 3.7)
Figura 3.7: Incumplimiento relacional consecuencia de la planaridad.
Asociado a cada grafo planar G existe un grafo dual G que tambin ser
planar. El grafo dual planar G se construye colocando un punto en cada cara del
grafo planar G, incluyendo la cara infinita, y conectando con una arista los pares de
puntos cuyas caras tienen arista comn. Estos puntos se convierten en los vrtices del
grafo dual y las lneas que los conectan en sus aristas. El nmero de vrtices del grafo
dual de un grafo planar es igual al nmero de caras del grafo planar.
Pg. 140 de 337

Figura 3.8: Grafo dual (Contero 1995).
Un concepto tambin muy empleado en teora de grafos es el concepto de

rbol. Se define un rbol como un grafo conexo que no tiene ciclos, siendo un tipo
especial de rbol el denominado rbol de expansin, que se define, dado un grafo
G, como un subgrafo en forma de rbol que contiene a todos los vrtices de G. A la
vista de esta definicin, resulta evidente que asociado a un grafo existen para el
mismo, diferentes rboles de expansin. De todos ellos, es de especial inters para su
aplicacin a la resolucin de problemas de distribucin en planta, el denominado
rbol de expansin maximal, Figura 3.9) que corresponde en el caso de un grafo
ponderado G a aquel rbol de expansin que maximiza la suma de los pesos
asociados a sus aristas.
Figura 3.9: rbol de expansin maximal.
El tamao del espacio de configuraciones, es decir, el del nmero de posibles

grafos planares construibles (N) para un conjunto de n actividades asciende, tal y
como seala (Santamarina 1996) a:
Pg. 141 de 337

3n -6
N = C n ( n -1) / 2 (3.3)
con este modelo topolgico la formulacin del problema en dos dimensiones (plano)
es:
MA X G(ai ,rij ) (3.4)

s.t.:
G(ai ,rij ) planar (3.5)
Si se quiere extender esta formulacin al problema de distribucin en planta

en tres dimensiones (como puede ocurrir por ejemplo en el caso de plantas
petroqumicas) se debe eliminar la restriccin (3.5) para permitir que las actividades
se coloquen en altura.
3.4.1.1.2. Aplicacin al problema de distribucin en planta.
Para la obtencin de la distribucin de bloques o agregada (block layout)

mediante teora de grafos se deben abordar tres fases:
1. Obtener el Grafo Planar Ponderado Maximal (GPPM).
En esta primera fase las actividades se suponen sin rea, y el objetivo es obtener
el grafo planar ponderado maximal a partir del diagrama relacional de
actividades, el mtodo heurstico de construccin del Diagrama Relacional de
Recorridos y/o Actividades (propuesto por Muther) persigue la ordenacin
topolgica de las actividades. El objetivo es encontrar un grafo en el que se
muestren las relaciones existentes entre las diferentes actividades intentando que
no existan cruzamientos (Principio de Circulacin), al menos entre las lneas que
muestran las relaciones de mayor intensidad (Principio de la Mnima Distancia),
lo que en teora de grafos se denomina un Grafo Planar Ponderado Maximal
(G.P.P.M.).
Se pueden encontrar algunas referencias de algoritmos desarrollados para la

obtencin del GPPM a partir de la tabla relacional (Santamarina 1995), bien sea
con comprobacin de la condicin de planaridad (Foulds y Robinson 1976,
Carrie et al. 1978,) o sin comprobacin de la planaridad (Foulds y Robinson
1978, Green y Al-Hakim 1985, Boswell 1992).
Pg. 142 de 337

F
i
g
u
r
a
Diagrama relacional Grafo Planar P.M.
3.10: Transformacin en un G.P.P.M. (Santamarina 1995).
2. Obtener el grafo dual.
Una vez obtenido el GPPM se obtiene el grafo dual, colocando un vrtice en cada
una de las caras del grafo, incluyendo en la cara exterior. El proceso es el
mostrado en la Figura 3.10.
3. Obtener el layout de bloques.
En esta ltima fase, se incorporan los aspectos geomtricos (rea y forma),

obteniendo a partir del grafo dual la distribucin del layout de bloques. En esta
lnea, pueden destacar las aportaciones realizadas por Hassan y Hogg (1989 y
1991).
3.4.2.2. Modelos geomtricos.
3.4.2.2.1. Modelos de una dimensin (SRLP).
La opcin ms simple para la modelizacin del problema de distribucin en

planta es considerarlo como un problema de una sola dimensin, donde las
actividades se colocan en una fila, sin tener en cuenta la dimensin Y, generando de
esta forma un recinto con muchos espacios vacios.
(Simmons 1969) propone la resolucin del problema de distribucin en planta

como un modelo de secuenciacin y lo resuelve mediante el mtodo de ramificacin
y acotacin (branch and bound) para obtener soluciones eficientes. Visualiza el
problema como un ordenamiento del conjunto de actividades de distinta rea (no
Pg. 143 de 337

uniformes) pero conocidas, y va colocando las mismas en una sola dimensin, (una
detrs de otra), al final obtiene las posiciones de las actividades en esa cadena. La
secuencia que menor coste obtenga ser el ptimo. El algoritmo no contempla
restricciones de colocacin de las actividades en la lnea.
El tamao del espacio de soluciones (N) del problema de n actividades con

esta formulacin ser:
N= n! (3.6)
En (Heragu 1997) se clasifica este tipo de problemas para el caso en continuo,

como problemas de distribucin de planta unidimensionales (Single-Row Layout
Problem, SRLP).
Figura 3.11: Arreglo unidimensional (SRLP).
3.4.2.2.2. Modelos de dos dimensiones (FLP)
El segundo grupo de aproximaciones al problema son aquellas que emplean

dos dimensiones para representar el diagrama de bloques de una planta industrial. Las
actividades, tienen en este caso ancho y largo y deben posicionarse sobre el recinto
que las alberga sin superposicin, aprovechando de esta forma la totalidad de la
parcela.
En general, cada actividad queda definida por sus dos dimensiones y por la
posicin (X, Y) del centro de gravedad de la misma, aunque la forma en la que se
trata el espacio pueda ser diferente, tal y como se comentar en este punto.
El problema de distribucin en planta en 2D es lo que se conoce como el FLP

(Facility Layout Problem) diferencindose entre el problema del layout de bloques
(block layout) y la fase de diseo de detalle (detail layout). En el primero solo se
consideran las dimensiones de las actividades y no el punto de entrada y salida de
Pg. 144 de 337

materiales ni la distribucin interior de cada actividad o el flujo interno, que se dejan

para la segunda fase.
En la Figura 3.12 se muestran los distintos modelos geomtricos en 2D

aplicados en la resolucin del problema de distribucin en planta, haciendo una clara
diferencia entre aquellos que emplean un modelo discreto y los que utilizan un
modelo continuo.
Figura 3.12: Clasificacin de los modelos geomtricos en 2D.
A continuacin se desglosan y comentan las diferentes aproximaciones

realizadas mediante los modelos geomtricos discreto y continuo con las diferentes
variantes de cada una de ellas.
Modelos discretos
La representacin geomtrica empleando un modelo discreto se muestra en la

Figura 3.13. Sea un dominio D(A) de geometra conocida y rea A, donde deben
ubicarse, sin superposicin, n actividades industriales de rea ai y geometra libre. Por
geometra libre, se entiende que no existe ninguna forma, ni coeficiente de aspecto
definido, a priori, para cualquiera de las actividades que restrinja su forma
geomtrica. Cada una de las n actividades, quedar definida por Di(ai).
Pg. 145 de 337

Figura 3.13: Discretizacin de un dominio y su representacin.
El dominio D(A) quedar discretizado en una retcula de c subdominios

elementales de rea a, de tal forma que ca=A, producindose la siguiente
transformacin:
D(A) D(c, a)
(3.7)
Di(Ai) Di(ci,a) / Ai = ci a
Como consecuencia de la discretizacin, el dominio D se transforma en un

conjunto de c casillas o ubicaciones, sobre las que se deben asignar las n actividades.
A cada actividad i, se le asocia un conjunto de celdas elementales Si sobre el que se
distribuye la actividad. A este conjunto de celdas elementales se le denomina
conjunto de asignacin. Si la formulacin del problema es la de un problema
cuadrtico de asignacin (QAP), cada actividad ocupa una nica casilla, por tanto no
es necesario emplear el conjunto de asignacin.
Como resultado de la discretizacin del dominio se puede establecer una

matriz de distancias d(dkl) que recoge las distancias existentes entre las diferente
celdas en las que ha sido discretizado el dominio D y que recoge la geometra del
mismo.
El tamao del espacio de configuraciones posibles del dominio discretizado

es, en el caso de permitir la desagregacin de las actividades al implantarse sobre el
mismo:
Pg. 146 de 337

n
c!
N =C C1
C C ci
c- k =1 c k
i -1 = n
i=2
c! i =1
i (3.8)
Donde: n es el nmero de actividades.
c el nmero de celdas de la discretizacin.
ci el nmero de celdas de la actividad i.
Formulacin del problema
Para facilitar la formulacin de la funcin de coste, se emplea el concepto de

variable de asignacin xik, que adopta los siguientes valores:
(3.9)
xik=
{ 1 si la actividad i ocupa la casilla k-sima.
0 si la actividad i no ocupa la casilla k-sima.
Las variables de asignacin permiten establecer las distancias existentes entre

dos actividades (i y j) de la configuracin, mediante la siguiente expresin:
c c
1
d ij = d kl x jl x ik
c i c j k =1 l = 1
(3.10)
La formulacin monobjetivo ms simple del problema, es la que viene

impuesta por la funcin de coste de instalacin de las actividades en una posicin y el
coste de manutencin (derivado del flujo de materiales entre actividades), que puede
ser expresada mediante:
n n n
MHC = b +w
i =1
i
i =1 j =1
ij d ij
(3.11)
Donde bi es el coste de instalacin de la actividad i-sima en su posicin

actual y wij es la intensidad relacional entre las actividades i y j, que establece el coste
de movimiento de productos entre dos actividades por metro de distancia. El coste de
Pg. 147 de 337

instalacin de actividades suele ser considerado nulo en el problema 2D, pues no

existe un coste adicional por colocar una actividad en una posicin determinada. Este
coste puede variar en el caso de colocar actividades muy pesadas en altura o si se
consideran cuestiones ambientales de la planta, tales como iluminacin o ventilacin.
Considerando el dominio discreto y la funcin de coste expresada en trminos

de variables de asignacin, la formulacin del problema de distribucin en planta con
actividades de rea variable que se va a utilizar es la siguiente:
n n c c W ij
MinC =
i =1 j =1 k =1 l =1 ci c j
d kl x ik x jl (3.12)
s.t.
c
x
k =1
ik = Ai (3.13)
x
i =1
ik =1 (3.14)
x ik = x ik2 (3.15)
La restriccin (3.13) controla que cada actividad i este compuesta por un

nmero de casillas tal que se alcance el rea necesaria para la instalacin (Ai). La
restriccin (3.14) vela por la no superposicin de actividades en una misma casilla,
finalmente, (3.15) no es una restriccin como tal, sino que viene siendo la propia
definicin de la variable de asignacin.
A estas restricciones, habra que aadirle otra cuarta restriccin ms que se

encargar de evitar la disgregacin de las actividades a medida que se van colocando
sobre el dominio. El problema es que esta restriccin es dependiente de la tcnica de
relleno que se emplee, pudindose dar dos casos:
La tcnica de relleno no controla la agregacin: se da, por ejemplo, en tcnicas

de relleno tipo ALDEP oscilatorio con anchos de banda distintos de la unidad, en
cuyo caso hay que establecer algn tipo de algoritmo de control de la
disgregacin.
Pg. 148 de 337

La tcnica de relleno controla la agregacin: Esta situacin se da por ejemplo en

el caso de utilizar curvas de relleno (SFC), que ocupan el recinto discretizado de
forma continua, garantizando la no rotura de las actividades a medida que se
colocan.
Algunas de las tcnicas de relleno utilizadas en la construccin de soluciones en

el caso de dominios discretos de entre las que se pueden encontrar en la bibliografa
son:
PLANET, que utiliza un sistema de barrido oscilatorio (en zizag) en X, en Y,

oscilatorio en X Y, o en espiral.
ALDEP que coloca las instalaciones siguiendo un orden en espiral partiendo del
centro del recinto.
SFC (Space Filling Curves) o curvas de relleno, utilizando la curva recursiva de
Hilbert, propuesta por este mamtico en 1891.
Figura 3.14: Curva de Hilbert generada para recorrer el plano.
Modelos continuos
Otro grupo de autores son aquellos que emplean un modelo geomtrico

continuo, sobre el que se implantan las actividades. Sin embargo, no todos los autores
formulan en problema de la misma forma, pudiendo distinguirse tres grandes grupos
de aproximaciones: ABS-Model, Basados en corte y Scatter Diagram.
1.- MODELO ABSMODEL
En primer lugar se destaca la familia de modelos geomtricos desarrollados en

(Heragu y Kusiak 1991 y 1992), que permite realizar una comparacin respecto
Pg. 149 de 337

formulacin establecida en los modelos geomtricos discretos. Casi simultneamente

(Tam y Li 1991) proponen un modelo del mismo tipo, aunque se seguir con la
notacin introducida por Heragu.
El modelo se denomina ABSMODEL, y evoluciona desde el 1, que define el

problema de distribucin en planta como un modelo de secuenciacin en el cual las
actividades colocan una despus de otra en forma lineal y no existe la restriccin en la
forma espacio donde las actividades sern colocadas (se corresponde con el problema
unidimensional comentado en la pgina 45). En este primer modelo, los autores
consideran las actividades de forma cuadrada o rectangular y de orientacin conocida.
La Figura 3.15 muestra el esquema para la formulacin de este modelo.
Figura 3.15: Esquema del modelo ABSMODEL (Heragu 1997).
El segundo modelo, ABSMODEL2, es una evolucin del anterior, y se adapta

al problema QAP, en el que todas las actividades tienen la misma rea (unitaria) y
pueden ser dispuestas en dos dimensiones X e Y. Las actividades se consideran de
forma cuadrada y sin holgura entre las mismas. Este modelo agrega restricciones del
tamao del recinto para asegurar que las actividades sern colocadas completamente
en su interior. La Figura 3.16 muestra el formato para la formulacin del modelo.
Pg. 150 de 337

Figura 3.16: Caractersticas fundamentales del ABSMODEL2 (Heragu

1997).
En el tercer modelo, el ABSMODEL3, se considera que cada actividad i, tiene

a priori, una forma rectangular o cuadrada, definida por sus dimensiones y la posicin
de la misma queda definida nicamente por la posicin de su centro de gravedad
(xi,yi). Por tanto las actividades no se sitan de una manera compacta sobre el recinto,
sino que existe una cierta holgura entre cada una de ellas. Este modelo geomtrico
resulta muy interesante y ha sido empleado por numerosos investigadores en los
ltimos aos.
Pg. 151 de 337

Figura 3.17: Caractersticas fundamentales del ABSMODEL3 (Heragu

1997).
La formulacin del problema sera de la siguiente forma: la funcin objetivo

formulada cuando se emplea este modelo geomtrico es de tipo cuantitativo y
consiste en minimizar el coste total de manutencin requerido por el flujo entre
actividades, si se emplea el concepto de intensidad relacional entre actividades wij
como el producto del coste de manutencin (cij) por el flujo entre actividades (fij) es la
siguiente:
n -1 n
MinC = w
i =1 j = i + 1
ij ( xi - x j + yi - y j ) (3.16)
s.t.
1
xi - x j ( l i + l j ) + d min ij , i = 1,..., n - 1 j = 1,..., n - 1
2
1
yi - y j ( b i + b j ) + d min ij , i = 1,..., n - 1 j = 1,..., n - 1 (3.17)
2
li
xi + H i = 1,..., n
2
Pg. 152 de 337

bi (3.18)
yi + V i = 1,..., n
2
li Li i = 1,..., n
Ai (3.19)
bi i = 1,..., n
li
Las restricciones de este modelo geomtrico son ms complejas que las del
modelo discreto, siendo en todas ellas bi y li son las longitudes y anchuras de las i
actividades:
Restriccin de no superposicin (3.17): Las dos restricciones que se

incorporan en este modelo, representan la condicin de no superposicin, de tal forma
que se garantiza, que siempre existir una distancia mnima, dmin ij entre las
actividades i y j.
Restriccin de inclusin en el dominio (3.18): Se introducen una serie de

restricciones para garantizar que las actividades queden inscritas dentro de un
rectngulo, que representa las dimensiones mximas del dominio, cuyas dimensiones
horizontal y vertical, son H y V respectivamente.
Restricciones de aspecto y la orientacin (3.19): Otro tipo de restricciones que

se pueden incluir, consideran el caso en que las actividades no sean rgidas (geometra
variable), y slo se conozca, a priori, el rea Ai de cada una de ellas y su longitud
mnima li.
En (Barbosa-Pvoa, Mateus y Novais 2001) se da un paso ms al modelo

ABSMODEL de Heragu integrando sobre el mismo la posibilidad de considerar el
diseo de detalle, al incluir los puntos de entrada y salida de materiales de cada
actividad.
Otra diferencia fundamental es que permite considerar actividades de formas

irregulares, mediante la descomposicin de las mismas en sub-actividades, tal y como
se muestra en la Figura 3.18 los puntos de entrada y salida de la actividad global
quedan definidos (oi1, oi2).
Pg. 153 de 337

Figura 3.18: Descomposicin en subactividades (Barbosa-Pvoa et al.

2001).
El modelo matemtico propuesto emplea una formulacin MILP (Mixed

Integer Lineal Programming) y se imponen una serie de restricciones para controlar
por una parte aspectos relativos a las actividades, como son la Orientacin
(permitindose giros cada 90), Descomposicin (en subactividades conectadas entre
s), as como de Entrada y salida (posicin de los puntos).
Figura 3.19: Ejemplo de solucin de las distribucin obtenida por Barbosa-

Pvoa et al. 2001
Pg. 154 de 337

Y otra serie de restricciones que controlan aspectos de posicin de las mismas

sobre el recinto: Distancia entre actividades (controlando la holgura), No
superposicin, Seguridad (fijando un rango de distancias entre actividades) y Control
de recinto.
BASADOS EN CORTE
Otro gran nmero de autores consideran el recinto sobre el que se va a

implantar distribucin en planta como un elemento continuo sobre el que se realizan
una serie de cortes para ir configurando la posicin de las actividades sobre el mismo.
Este grupo de son los denominados modelos continual plane o modelos basados en
cortes.
La representacin de la distribucin mediante rboles de corte, tiene sus

inicios a principios de los aos 80 como se recoge en las referencias (Stockmeyer
1983), (Wong y Liu 1986) y (Tam y Li 1992). Mediante esta tcnica, la distribucin
se genera a base de dividir recursivamente el dominio de partida D(A). Para ello, se
definen una serie de operadores de corte, que indican las direcciones en que se
efectan los cortes. Lo habitual es utilizar dos direcciones perpendiculares entre s
(cortes verticales y horizontales, respecto a algn sistema de referencia previamente
definido) para dividir el dominio de partida, que a priori puede tener cualquier
geometra, como se puede observar en la Figura 3.20:
Figura 3.20: Geometra de rboles de corte.
Un elemento clave para aprovechar la calidad geomtrica que se puede

obtener con este tipo de representacin es la correcta colocacin de unas actividades
Pg. 155 de 337

respecto de otras. Para ello resulta necesario agrupar las actividades en base a su
afinidad para poder decidir actividades se deben colocar a cada uno de los lados del
corte.
Las tcnicas de agrupamiento estudian la afinidad entre actividades mediante

la medida de las distancias existentes entre ellas. Para ello, se construyen unas
matrices de distancias d(dij), cuyos elementos representan la distancia entre cada par
de actividades, distancia que se calcula mediante el empleo de la intensidad relacional
(wij) entre ambas actividades, y que como ejemplo se podra utilizar la de la siguiente
expresin, (Tam y Li 1992):
1
d ij = (3.20)
1 + w ij + w ji
Esta expresin fuerza a que las actividades ms afines sern aquellas entre las
que la intensidad relacional sea mayor. Conocida la matriz de distancias d(dij), se
puede establecer un mecanismo de agrupamiento, que en el caso ms sencillo, se
iniciara por agrupar las dos actividades entre las que exista la mnima distancia. Tras
realizar este primer agrupamiento, de nuevo se recalcula la matriz de distancias,
considerando el nuevo grupo creado como si fuera una actividad y recalculando sus
distancias con el resto de actividades todava no agrupadas
En el procedimiento de recalculo de las distancias se pueden utilizar diferentes

mtricas de la distancia; encadenamiento simple, completo, centroide, group average,
etc
Tomando las distancias definidas por el mtodo group average, la distancia de

cualquier actividad todava no agrupada k a un grupo recin constituido por la fusin
de dos actividades (o dos grupos de actividades) i y j, se puede calcular como:
ni nj
d k2( ij ) = d ki2 + d kj2 (3.21)
ni + n j ni + n j
Donde: ni es el nmero de actividades de grupo i.
nj es el nmero de actividades del grupo j.
Pg. 156 de 337

dki es la distancia entre la actividad k y el grupo i antes de fusin
dkj es la distancia entre la actividad k y el grupo j antes de fusin
Figura 3.21: Dendograma, adaptado de Santamarina (1996).
Si existen n actividades se realizan n-1 agrupaciones. En cada una de ellas, se

van agrupando las actividades o grupos de actividades que son entre s, ms afines.
Existen numerosas tcnicas para determinar la forma de agrupar las actividades en
clases homogneas. Las tcnicas de clustering (agrupamiento) de anlisis
multivariante fueron desarrolladas para tal fin. Estas tcnicas de agrupamiento
utilizan unas representaciones denominadas dendogramas para representar las
afinidades entre actividades como se muestra en la Figura 3.21. Si al dendograma,
que muestra los grupos de actividades homogneas, se le aade informacin sobre
cmo realizar los cortes para la distribucin de las actividades sobre el recinto, el
dendograma se transforma en un rbol de corte. La informacin de la forma en la que
se realizan los cortes se expresa mediante operadores de corte (letras en la Figura
3.22).
Figura 3.22: Representacin de un rbol de corte.
Pg. 157 de 337

El tamao del espacio de configuraciones que puede representar un modelo

geomtrico basado en rboles de corte puede expresarse como:
n-2 n -1
p
N = p n -1
C
i=0
2
n-i =
2
n ! ( n - 1)! (3.22)
Donde: p es la cardinalidad del conjunto de operadores.
n es el nmero de actividades.
Cab son las combinaciones de a elementos tomados de b en b.
Bay Model
Dentro de los modelos geomtricos continuos basados en rboles de corte, se

pueden agrupar una serie de tcnicas de corte basados en bahas, entre las que se
pueden destacar esta tcnica denominada Bay-Model. Meller (1997) presenta por
primera vez un enfoque del problema de distribucin en planta mediante un modelo
geomtrico continuo denominado bay-model. Este modelo resulta muy til cuando se
quiere obtener una configuracin de las actividades que facilite un sistema de
manutencin que pueda ser capaz de mover grandes cargas (puentes gra) entre
distintas naves de una misma planta. La dimensin del recinto es conocida y se adapta
a un sistema de naves longitudinales a travs del recinto y con sistemas de transporte
capaces de intercomunicar las naves (ver Figura 3.23). El mtodo tiene dos fases, en
la primera se seleccionan las actividades que sern colocadas en cada una de las
naves, y en una segunda etapa la configuracin de las actividades dentro de cada
nave.
Figura 3.23: Modelo Multi-bay propuesto por Meller (1997).
Pg. 158 de 337

SCATTER DIAGRAM
Otra lnea de autores que emplean el espacio de forma continua en 2D son

aquellos que emplean una formulacin del problema basada en DISCON
(DISpersin-CONcentracin), que originalmente fue propuesta por Drezner (1980).
Se utilizan zonas circulares de atraccin o repulsin para situar las distintas
instalaciones para posteriormente transformar estas en rectngulos en los que se
situarn las actividades. En esta aproximacin, las premisas fundamentales son:
1. Cada una de las actividades se representa por un crculo de radio ri=(Ai)1/2.
2. La distancia entre cada par de actividades i y j es la distancia Eucldea:
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2
En la metodologa original, se emplea un algoritmo basado en penalizaciones

de dos fases:
1. En la primera fase, la de dispersin, todos los crculos se alejan del origen.
2. En la segunda fase, la de concentracin, los crculos se concentran y la

disposicin final es la que marca la solucin obtenida.
El problema fundamental que se plantea con esta metodologa es que no se

tiene control alguno sobre las dimensiones del recinto donde se ubican las
actividades, por ese motivo aos ms tarde van Campet al. (1991) propone la
metodologa NLT, que supera las deficiencias de la propuesta de Drezner, mediante la
inclusin de una serie de restricciones adicionales a las impuestas por aquel y
mediante el empleo de formas rectangulares, adoptando la formulacin propuesta por
Heragu. Esta lnea de trabajo ha seguido evolucionando con los trabajos de Anjos y
Vanelli (2002 y 2006), discpulos de Campet.
Pg. 159 de 337

Figura 3.24: Transformacin de solucin en layout de bloques (Anjos y Vanelli

2006).
3.4.2.2.3. Modelos de dos dimensiones y media (MFLP)
Una variante del problema de distribucin en planta (FLP) es emplear el

espacio en 2 dimensiones y media, es decir, considerar que la actividad se desarrolla
en ms de una planta de las mismas dimensiones, y la interconexin de todas ellas se
realiza mediante el empleo de montacargas. Estos elevadores se consideran un
sistema de manutencin ms, con sus costes de operacin, que pueden ser
considerados iguales o distintos que el transporte dentro de una misma planta.
La consideracin de ste problema como un problema de 2 D se debe a que

la configuracin no puede ser considerada plenamente 3D, ya que la posicin de las
actividades en el eje Z no es libre, sino que est condicionada a la altura de cada una
de las plantas. A este problema, dentro del mbito de la investigacin operativa
enfocada a establecimientos industriales se le conoce como MFLP (Multifloor
Facility Layout Problem).
Figura 3.25: Representacin de la Distribucin de un problema MFLP de dos

plantas.
Pg. 160 de 337

Se puede realizar una clasificacin de las aproximaciones al problema en

funcin de la forma en la que se aborda el problema, pudiendo realizarse en una
metodologa de una nica fase, en la que se determine la planta y la posicin de cada
una de las n actividades o bien una metodologa de dos fases:
1. Reduccin del flujo entre plantas:
En esta primera fase se distribuyen las actividades en las plantas, de tal forma que
se reduzca lo mximo posible el flujo entre plantas.
2. Reduccin del flujo en cada planta:
Se busca la solucin de ordenacin de actividades con menor coste para cada una
de las plantas. En esta segunda fase, se puede utilizar un modelo geomtrico
discreto o continuo, al igual que en el problema 2D (esta segunda fase es un
problema FLP.
La prctica totalidad de autores que han investigado en este problema, han

empleado un modelo geomtrico discreto, salvo (Matsuzaki, Irohara y Yoshimoto
1999). La primera mencin al problema MFLP se realiza en el ALDEP (Automated
Layout DEsign Program) presentado en (Seehof y Evans 1967) que est desarrollado
para espacios discretos en dos dimensiones, aunque presenta en el mismo artculo la
posibilidad de utilizar el algoritmo en espacios con mltiples plantas. Esta mencin al
problema MFLP, contempla la asignacin del contorno de espacios libres en el
edificio y reas especiales (escaleras, pasillos, elevadores, otros), y actividades de
posicin fija.
Pg. 161 de 337

1 FASE 2 FASES
SPS (1981) ALDEP (1967)

SPACECRAFT (1982) MSLP (1988)
BLOCPLAN (1990) ABDINNOUR-HELM (1995, 2000)
MULTIPLE (1994) STAGES (1997)
SABLE (1996) HGA (2000)
MULTIHOPE (1998)
MUSE (1999)
PATSIATZIS (2002, 2003)
Lee (2005)
AFRADEH (2010)
Tabla 3.2: Clasificacin de las metodologas aplicadas MFLP en funcin de las

fases (Montalva 2011).
En la bibliografa del problema, se pueden encontrar formulaciones continuas

(Patsiatzis y Papageorgiou 2002) y discretas (Bozer, Meller y Erlebacher 1994). La
formulacin de problema en dos fases es similar a la del FLP. Sin embargo otros
autores como Bozer abordan el problema en una sola fase, donde la formulacin del
problema MFLP es muy similar a la mencionada en el punto anterior, con la salvedad
de que hay que aadir en la funcin objetivo un coste diferenciado para el
movimiento de materiales en horizontal y en vertical (se realiza mediante ascensores).
En este caso no se emplea el concepto de intensidad relacional (wij) entre actividades,
sino que se considera el coste de movimiento en horizontal (cH) y en vertical (cV) y el
flujo entre actividades (fij):
n n
Min (c
i =1 j =1
H
ij d ijH + c ijV d ijV ) f ij (3.23)
s.t.
d ijH = min
a
( d Hia + d Haj )
(3.24)
Donde a es el nmero de ascensores, en el caso de ser ms de uno, los productos se

desplazarn por el que minimice la distancia a recorrer por el producto.
Adicionalmente hay que imponer las restricciones de no superposicin y de

rea completa establecidas en (2.12) y (2.13), as como una cuarta restriccin que
Pg. 162 de 337

garantice que no se produce la disgregacin de las actividades entre las diferentes

plantas del establecimiento.
(Liggett y Mitchell 1981) propusieron SPS (Space Planning System), que

considera tres costes (fijos, interactivos y de movimiento). Los autores emplean un
algoritmo de construccin seguido de una mejora mediante intercambio de
actividades. La metodologa empleada en la construccin garantiza la regularidad de
las actividades, as como la no divisin de las mismas entre plantas.
SPACECRAFT propuesto por (Johnson 1982) es un algoritmo que, como su

nombre indica, est basado en CRAFT. En el algoritmo se tiene en cuenta el nmero
y forma de las diferentes plantas, as como el movimiento de materiales entre ellas y
los puntos de conexin entre plantas, aunque no considera la inclusin de ascensores.
Se divide cada una de las plantas en mdulos rectangulares cada del mismo
tamao (discretizacin de la planta). Al igual que CRAFT, requiere de una solucin
inicial y el procedimiento de mejora se basa en intercambiar dos o tres actividades
contiguas o de igual tamao. A diferencia de CRAFT si que se considera el coste de
manutencin derivado de movimiento entre plantas. No implementa ningn control
de la agregacin de las actividades, por tanto es propenso a la rotura de las mismas.
MSLP es la aproximacin realizada por (Kaku, Thomson y Baybars 1988) en

la que se emplea una heurstica de k-mediana, para dividir las actividades en varios
grupos de tal forma que se minimice la interaccin entre grupos y se maximice la
interaccin entre los miembros de cada grupo. En la segunda fase, se busca la
posicin ptima de cada actividad en el grupo mediante intercambio.
BLOCPLAN es un software propuesto por (Donaghey y Pire 1990) que

aborda el problema 2D, as como el MFLP. El mismo emplea implcitamente un
procedimiento de dos fases, pues pide al usuario que asigne las actividades a cada una
de las plantas. Una vez introducidos estos datos, el problema es abordado como suma
de dos FLP
MULTIPLE de (Bozer, Meller y Erlebacher 1994) es uno de los algoritmos de

referencia en el MFLP. Los autores amplan CRAFT, al problema con varias plantas.
Con la utilizacin de las curvas de relleno dan la posibilidad de intercambiar
Pg. 163 de 337

cualquier par de actividades, introducen un control de forma de las actividades y

permiten que las reas de las mismas sean flexibles. Las SFC distribuyen las
actividades en todo el recinto (considerado fijo y conocido) y aseguran que las
actividades no se dividan, dado que utilizan diferentes curvas para cada piso.
Figura 3.26: Uso de SFC para la distribucin de las instalaciones en cada nivel
(Bozer et al. 1994)
Uno de los problemas de MULTIPLE es que la heurstica empleada es un

steepest descent lo cual le imposibilita salir de mnimos locales.
Abdinnour-Helm y Hadley (1995) introducen por primera vez la tcnica en

dos fases comentada en prrafos anteriores. En la primera fase, los autores determinan
las actividades que deben situarse en cada planta mediante una heurstica de tipo
GRASP, y en la segunda fase, la posicin de cada actividad en la planta se determina
mediante una heurstica del tipo bsqueda tab; posteriormente en (Abdinnour-Helm
y Hadley 2000), presentan una evolucin del algoritmo, en el que se proponen dos
aproximaciones, en la primera (GRASP/TS) se mejora la heurstica GRASP, para
facilitar su mantenimiento y aplicacin. En la segunda aproximacin (FAF/TS), la
primera fase es cubierta mediante un mtodo exacto para la resolucin del problema
mediante programacin lineal y en la segunda fase se emplea la misma heurstica
basada en bsqueda tab. En todas las tcnicas propuestas los autores emplean un
modelo geomtrico discreto y SFC para el relleno de las distintas plantas.
SABLE fue propuesto por (Meller y Bozer 1996) como un algoritmo para
resolver el MFLP. Utilizan un algoritmo para generar un conjunto ms amplio de
intercambios y utilizan las SFC en la colocacin de actividades. La forma y el rea
Pg. 164 de 337

del recinto es conocida. Se genera una solucin inicial aleatoria que se va mejorando
mediante el intercambio de actividades permitiendo el intercambio de actividades
entre plantas.
STAGES de (Meller y Bozer 1997) tiene en cuenta la forma del recinto con
dimensin conocida y el rea de las actividades. Las mismas sern asignadas a cada
planta mediante un procedimiento de dos etapas. En la primera se asignan las
actividades que irn ubicadas en cada planta y en la segunda se distribuyen en la
planta empleando SFC. La posicin de los ascensores es fija en cada problema.
Figura 3.27: Colocacin de las actividades en la planta por medio de las curvas
SFC.
A este tipo de formulaciones se las conoce como formulacin de asignaciones

a piso (Floor Assignment Formulation, FAF). La diferencia fundamental respecto a
SABLE es que se emplea una metodologa de dos fases, no dejando que se produzca
el intercambio de actividades entre plantas.
MULTI-HOPE, fue propuesto por (Kochhar y Heragu 1998) para resolver el

problema de distribucin en planta en varios pisos iguales (MFLP). La metodologa
discretiza cada una de las plantas. Cada actividad se asigna a un conjunto de unidades
tal que el rea total de esas unidades es igual al rea de las actividades. La asignacin
de las actividades se realiza mediante un listado de asignacin y para su colocacin en
Pg. 165 de 337

cada una de las plantas se emplea una SFC. La heurstica empleada para la
optimizacin es un algoritmo gentico.
Figura 3.28: Distribucin en dos pisos (Kochhar y Heragu 1998)
MUSE es la aproximacin propuesta por (Matsuzaki, Irohara y Yoshimoto

1999), y est basada en LOGIC (Tam y Li 1992), una heurstica para la optimizacin
del FLP. LOGIC y MUSE utilizan expresiones de las distribuciones en planta muy
similares, mediante rboles de corte. Los autores introducen el operador D en la
cadena de codificacin de la solucin, para denotar el cambio de planta. En la Figura
3.29, se muestra la solucin con la codificacin mostrada en la secuencia de
actividades siguiente:
(10-12-L-11-9-R-B-5-6-L-8-7-R-U-D-4-3-B-1-2-U-R-D)
Figura 3.29: Distribucin de tres plantas empleando el operador D

(Matsuzaki, Irohara y Yoshimoto 1999).
Los autores se centran en obtener, adems de la posicin de las actividades en

cada planta, el nmero y posicin de los ascensores que optimicen la solucin, siendo
este enfoque novedoso en el campo del MFLP.
HGA propuesto en (Lin y Chang 2000). En el procedimiento, primero

determinan la planta que debe ocupar cada actividad y despus se preocupan por la
Pg. 166 de 337

forma (en todos los casos rectangular) y la posicin de las mismas. La posicin de las
actividades en cada planta se determina mediante un algoritmo gentico en la segunda
etapa del algoritmo.
Figura 3.30: Distribucin en una planta entorno al ascensor (Lin y

Chang 2000).
Para la ubicacin de las actividades se emplea un listado ordenado y para

determinar el intercambio de las actividades se utiliza una regla del estilo ruleta. Los
autores discretizan el espacio de cada planta, y establecen una serie de reglas para
obligar a que cada actividad tenga una forma siempre rectangular. Esto hace que el
aspecto de la solucin pueda aparentar emplear un espacio continuo aunque en
realidad est discretizado (ver Figura 3.30).
Los mismos autores ampliaron el modelo empleado al problema MFLP con la

consideracin de pasillos, y empleando una metodologa de dos fases, la primera
mediante un algoritmo k-mean y la segunda fase mediante un algoritmo gentico en
(Chang, Lin y Lin 2006). Las restricciones son las mismas que en el anterior modelo,
incluyendo la obligatoriedad de que las actividades sean rectangulares y la no rotura
entre otras. Los autores extienden el modelo a edificios de formas no homogneas
mediante la inclusin de zonas no accesibles, tal y como se puede observar en la
Figura 3.31.
Pg. 167 de 337

Figura 3.31: reas de trabajo accesibles en (Chang, Lin y Lin 2006).
Otros autores, como (Patsiatzis y Papageorgiou 2002) y (Patsiatzis y

Papageorgiou 2003) plantean la resolucin del problema con una formulacin de
MILP (Mixed Integer Linear Programming), fijando un conjunto de restricciones ms
extenso. En este caso, no se realiza la discretizacin de cada una de las plantas, sino
que se obliga a que todas las actividades tengan forma cuadrada, y que las plantas no
se deban ocupar completamente. En el modelo propuesto por los autores, las
dimensiones y alturas de las plantas tambin son variables del problema, algo
novedoso en el planteamiento hasta el momento. En la Figura 3.32 se puede observar
la solucin obtenida para uno de los ejemplos de 11 actividades.
Figura 3.32: Solucin al ejemplo 3 para el process plant layout (Patsiatzis y

Papageorgiou 2002).
En (Lee, Roh y Jeong 2005) se propone un algoritmo gentico de mejora para

el problema de distribucin de planta con varios pisos (MFLP). Todas las relaciones
entre las actividades, pasillos y ascensores se representan como una grfica de
adyacencia. La trayectoria ms corta y la distancia entre dos actividades se calculan
utilizando el algoritmo de Djikstra de teora de grafos. Una vez ubicadas las
actividades en cada uno de los pisos, se discretiza cada una de las plantas y se
emplean SFC para el relleno.
Pg. 168 de 337

En la ltima referencia consultada, (Afrazeh, Keivani y Najafabadi Farahani

2010) se aproximan al problema MFLP con un modelo discreto monocasilla que
posteriormente amplan al problema de distribucin en planta dinmico (DFLP), en el
que se consideran diferentes escenarios de flujo entre las actividades. Utilizan una
metodologa de una sola fase basada en programacin MIP.
3.4.2.2.4. Modelos de tres dimensiones
El siguiente paso en los modelos geomtricos de representacin del problema

de distribucin en planta son los basados en tres dimensiones. En los mismos, los
autores consideran un problema en el que todas las actividades tienen una dimensin
en planta y adems una determinada altura. Adems todas las actividades se pueden
posicionar en cualquier posicin de Z, siendo la metodologa de optimizacin la que
determinar la misma. Esta es la diferencia fundamental frente al modelo de dos
dimensiones y media (planteado en Georgiadis et al. 1999), ya que en el anterior la
cota era la de cada una de las plantas preestablecidas.
Esta forma de abordar el problema resulta relativamente nueva, y se est

aplicando especialmente en el campo de la ingeniera qumica, donde se encuentran
las aplicaciones ms claras, puesto que el flujo entre operaciones es generalmente
continuo por medio de tuberas y bombas, que pueden operar a distinta cota. En
(Barbosa-Pvoa, Mateus y Novais 2002) los autores adaptan el modelo basado en
MILP (Mixed Integer Linear Programming) planteado en (Barbosa-Pvoa, Mateus y
Novais 2001) para el problema FLP (2D) al problema de distribucin en planta
tridimensional. La aplicacin de la formulacin propuesta est orientada a maquinaria
y equipamiento de industrias qumicas, aunque propone extenderlo a cualquier tipo de
industria o problema.
En el modelo, se definen las unidades de equipamiento (similar a las

actividades), que pueden ser regulares o irregulares (puesto que en tal caso pueden ser
descompuestas a su vez en mdulos que deben ser contiguos entre s) y pueden estar
orientadas en las tres dimensiones cumpliendo nicamente condiciones de
conectividad entre ellas. La funcin objetivo a minimizar considera el concepto de
Coste de conexin entre la salida y la entrada Csal/ent pudiendo descomponer estos a su
vez en costes horizontales, y verticales de movimiento ascendente y descendente,
Pg. 169 de 337

acompaados cada uno de ellos por las distancias rectilneas entre puntos de salida y
entrada de las distintas unidades.
Figura 3.33: Representacin de entrada/salida de una actividad en 3D.
3.4.3. INDICADORES PARA EL PROBLEMA DE DISTRIBUCIN EN

PLANTA.
Una vez conocidos los objetivos bsicos de una correcta distribucin en

planta, y los principios que se deben cumplir a la hora de realizar la concepcin de la
misma, interesa conocer los indicadores que se puedan emplear numricamente para
que puedan servir de referencia a la hora de evaluar la posible bondad de las
propuestas presentadas en el proceso de optimizacin.
Los indicadores que han aplicado los diferentes autores al problema se pueden
clasificar en dos grandes grupos:
- Cualitativos: es decir aquellos indicadores que no son cuantificables medida

fsica o geomtrica, sino que deben recurrir a calificaciones otorgadas por un
evaluador externo.
- Cuantitativos: indicadores que pueden ser obtenidos por la medida de alguna
caracterstica fsica o geomtrica del layout de bloques.
Pg. 170 de 337

Estos ltimos resultan ser, sin duda alguna, los ms interesantes, pues las
medidas se pueden realizar automticamente sobre la solucin, siendo mucho ms
sencillo realizar la automatizacin del proceso de optimizacin del problema.
Figura 3.34: Clasificacin de los indicadores aplicados al FLP.
3.4.3.1. Indicadores Cualitativos.
Histricamente se han empleado indicadores cualitativos a la hora de incluir

diferentes objetivos bsicos a la hora de abordar problemas de distribucin espacial,
todos ellos requieren de un panel de expertos que asigne inicialmente a cada par de
actividades un orden de preferencia as como una relacin directa entre el valor
cualitativo y uno cuantitativo para poder realizar la agregacin y evaluar la misma.
Entre los indicadores mas importantes de este tipo podemos citar:
ndice de cercana (Closeness Rating): Este es el indicador cualitativo por

excelencia en las referencias existentes al problema es el ndice de cercana o
Closeness Rating (CRij o rij). Se obtiene de la Tabla Relacional de Actividades
(TRA)(Francis y White 1974), que es un cuadro organizado en diagonal, en el que se
plasman las relaciones de cada actividad con las dems. En ella, un panel de expertos,
evalan la necesidad de proximidad entre las diferentes actividades bajo diferentes
puntos de vista. La relacin entre actividades se valora entre A (absolutamente
importante) y U (no importante), y generalmente se emplea la X para relaciones
Pg. 171 de 337

indeseables. Estos valores son transformados en numricos empleando diferentes

escalas.
Algunos autores tambin emplean un ndice de cercana, en este caso obtenido

mediante la evaluacin de diversos subcriterios. Sarin et al. (1992), emplean una serie
de criterios que constituyen un ndice de cercana agregado, los valores de cada
criterio se normalizan mediante el empleo de una serie de funciones de
transformacin, tal y como se coment en el captulo anterior. Shang (1993), obtiene
una matriz normalizada de valores para el ndice de cercana mediante una tcnica
AHP en la que integra toda una serie de criterios que influyen a la hora de determinar
el valor de la matriz. Estos criterios son: Seguridad, Ruidos, Flexibilidad, Esttica,
Temperatura y trabajo en curso. Todos ellos son evaluados mediante un panel de
expertos, que determinan la importancia de cada uno de ellos entre cada par de
actividades. Otros autores, como (Sangwan y Kodali 2006) y (Raoot y Rakshit 1993),
emplean tcnicas de lgica borrosa para determinar el valor del ndice de cercana
entre las actividades. Por ltimo (Aiello, Enea y Galante 2006) establecen el
indicador de una forma inversa, no en trminos de cercana sino de alejamiento,
adems lo formulan de una forma cuantitativa. Es un indicador muy similar al de
cercana solo que en este caso penalizando la separacin.
Flexibilidad: Otro de los indicadores empleados en el problema es la flexibilidad,

que tal y como se ha comentado con anterioridad coincide con uno de los principios
bsicos establecidos por Muther. Algunos autores han evaluado este indicador de
forma cuantitativa, en (Malakooti 1987) y (Raman, Nagalingam y Lin 2009) se
comentan las diferentes aproximaciones que se han hecho a la medida de la
flexibilidad en las plantas industriales:
- Generando una serie de matrices de flujo diferentes para representar las

variaciones en la demanda de diferentes productos. La configuracin con el
menor MHC para los diferentes escenarios es el que tiene una mejor flexibilidad.
Autores como por (Webster y Tyberghein 1979), (Shore y Tompkins 1980) y
(Yang y Peters 1998) siguieron este camino.
- (Rosenblatt y Lee 1987) exponen que la configuracin ms flexible es aquella en
la que el MHC permanezca dentro de un rango pese a las variaciones de flujo.
Pg. 172 de 337

En ambos casos, el MHC (Material Handling Cost) es el factor fundamental

para tomar la decisin de que configuracin es la ms flexible, sin embargo en la
realidad hay otros factores que se deben tener en cuenta para calcular la flexibilidad
de la configuracin. Otras aproximaciones para medir la flexibilidad son:
En trminos de la cantidad de elementos para unir las unidades productivas:

(Affentakis 1985), (Chaterjee et al. 1984).
- Combinado varios factores como son: Flexibilidad para la expansin,

Flexibilidad en el volumen de produccin y Flexibilidad en las rutas, todos ellos
con medidas muy difusas. (Raman, Nagalingam y Lin 2009) los tratan con lgica
borrosa para determinar un valor del FLF, que est normalizado entre 0-1 y que
tratan de maximizar.
Figura 3.35: Factores para calcular FLF (Raman, Nagalingam y Lin 2009).
Otro grupo de autores emplean valores cualitativos para este indicador, as el

primer autor que emplea la flexibilidad en el estudio multiobjetivo del problema es
Malakooti en (Malakooti y D'Souza 1987), (Malakooti 1987) y (Malakooti 1989).
Siempre en los siguientes trminos: el efecto que tiene la cercana de dos
actividades en la flexibilidad de la solucin. Por tanto la medida de esta
flexibilidad es completamente subjetiva y se cuantifica de la misma forma que el
Pg. 173 de 337

ndice de cercana, mediante una escala de letras que marcan la necesidad de

proximidad de las actividades para obtener una solucin ms flexible.
Otros autores, consideran la flexibilidad como uno de los aspectos a tener en

cuenta en la evaluacin de un ndice de cercana obtenido mediante AHP, de entre
ellos destacan: (Shang 1993), (Yang y Kuo 2003) y (Yang y Hung 2007).
Adyacencia: este indicador resulta muy similar al ndice de cercana, definida como
la necesidad de que dos actividades se encuentren prximas. Algunos autores como
(Meller y Gau 1996) y (Tuzkaya, Ertay y Ruan 2005) hacen referencia a la
adyacencia en trminos de proximidad cuanto mayor sea el flujo y de penalizacin si
las actividades no son adyacentes, respectivamente.
Movimientos peligrosos: El primer autor que hace referencia al indicador de

movimientos peligrosos (Hazardous Movement) es (Waghodekar y Sahu 1986) en el
que se tienen en cuenta a la hora de elaborar un indicador de cercana. Posteriormente
(Chen y Sha 2005) tambin lo utilizan como uno de los objetivos a minimizar (en
trminos de reducir las distancias entre actividades en las que se manejen materiales
peligrosos). La ltima referencia en la que se emplea este indicador es (Singh y Singh
2009), en la misma lnea de los autores anteriores.
Este indicador no se encuentra formulado en ninguna de las referencias, sino

que los autores emplean una tabla de valores que cita el problema tipo de
(Waghodekar y Sahu 1986) y no le dan un sentido fsico al mismo, no siendo por
tanto un indicador propiamente dicho
3.4.3.2. Indicadores Cuantitativos.
A pesar de que los indicadores cualitativos aportan una informacin

importante en el proceso de generacin de soluciones eficientes en el problema de
distribucin en planta, hay muchas otras caractersticas que son medibles y que
pueden aportar una informacin muy valiosa en el proceso de toma de decisiones.
Los indicadores cuantitativos aportan medidas precisas y reales de la bondad

de una solucin y permiten, mediante heursticas conseguir soluciones que mejoren a
las actuales. A continuacin se realiza un anlisis de los indicadores cuantitativos que
Pg. 174 de 337

se pueden encontrar en la bibliografa, que se corresponden con los indicadores de

Flujo, indicadores Geomtricos y los de aprovechamiento de Area.
Indicadores de Flujo
Una primera medida cuantitativa de la calidad de una solucin es el flujo que

se produce en la misma. El flujo que habitualmente se emplea, por ser el que tiene
una mayor repercusin en los costes, es el de materiales, aunque algunos autores
tambin resean la importancia del flujo de personal o de maquinaria. Otra forma de
medir el flujo es mediante el tiempo de transporte, que incluye los medios de
manutencin.
Todos los indicadores cuantitativos de flujo proporcionan un valor

correspondiente a toda la configuracin. A continuacin se describen los ms
significativos y se propone un nuevo indicador, el indicador de circulacin.
Coste de transporte de materiales ((Material Handling Cost o MHC): El objetivo

principal del problema de distribucin en planta (igual que en el QAP) es la reduccin
del coste de transporte de materiales. No es propiamente un indicador, aunque
ciertamente da la medida de la calidad de la solucin en trminos de coste, puesto que
como resaltan (Tompkins et al. 1996) el coste de transporte interior de materiales
puede suponer entre el 20-50% de los costes de fabricacin. Absolutamente todas las
referencias que abordan el problema desde una dimensin multiobjetivo tienen en el
MHC o en el flujo su objetivo fundamental.
Tiempo de movimiento de los materiales (MMT): Otro de los indicadores de flujo

empleados en la bibliografa fue introducido por (Malakooti y D'Souza 1987) y
(Malakooti 1989), y es el tiempo de movimiento de los materiales. Apuntan los
autores que es un indicador de la eficiencia de las operaciones, puesto que cuanto ms
rpido se mueva el material, mayor ser la productividad de la planta. El tiempo de
movimiento de materiales se calcula como el coste de transporte de materiales, salvo
que se emplea el tiempo en lugar del coste por unidad de distancia viajada entre
actividades. Este indicador depende, en buena medida del sistema de manutencin
empleado, los datos se deben recopilar en una tabla (desde/hacia) en el que para cada
Pg. 175 de 337

par de actividades se proporcione el tiempo por unidad de distancia. Posteriormente

ha sido empleado tambin por (Chen y Sha 2005) y (Singh y Singh 2009).
Indicadores de flujo de Lin y Sharp: En (Lin y Sharp 1999) se realiza una aportacin
singular al mbito de los indicadores aplicados al problema de distribucin en planta,
pues presenta 18 indicadores (agrupados en 3 categoras) para optimizar el problema.
Algunos de ellos son cualitativos, aunque los pertenecientes al grupo Flujo son todos
cuantitativos.
Figura 3.36: Indicadores de Flujo (Lin y Sharp 1999).
De todos los indicadores, para la presente investigacin son de mayor inters

todos aquellos que estn agrupados en el Flujo (aunque algunos de ellos no tengan
una clara influencia en el flujo como tal y no se realice la integracin de todos ellos
para poder realizar la optimizacin).
Diafanidad: Se describe la diafanidad (Lin y Sharp 1999a) como la extensin de la

planta que est libre de elementos constructivos que puedan afectar a la efectividad de
la asignacin espacial en una determinada configuracin. Hay tres elementos
constructivos que afectan a este indicador: tabiques, pilares y escaleras (o
ascensores). Una de las fuentes del desaprovechamiento espacial en los edificios
industriales, se producen habitualmente por un incorrecto posicionamiento de estos
elementos constructivos.
Pg. 176 de 337

- Los tabiques influyen en las posibles ubicaciones de las actividades, pues

fraccionan la planta.
- Los pilares afectan al posicionamiento de la maquinaria, as como a los
medios de manutencin. Los autores llaman a los espacios en los que hay
algunos pilares interiores, Espacio Semi-Abierto (ESA) y a los espacios sin
columnas interiores Espacio Abierto (EA).
- Las escaleras (o ascensores) afectarn al sistema de manutencin, a la
distancia recorrida por los productos o por los trabajadores. As en un edificio
de oficinas (o de viviendas) las escaleras deben estar situadas en el centro
(para reducir as los recorridos de los trabajadores) y sin embargo en un
edificio de produccin, es ms adecuado que est en una esquina para
aumentar el espacio libre.
Para calcular el indicador, los autores emplean los conceptos de Espacio

Abierto, Espacio Semi-Abierto y el ratio k, que mide la forma que adoptan las
actividades en una determinada configuracin.
Las cuestiones dignas de consideracin en el desarrollo del indicador de

diafanidad son:
- Existencia de tabiques o pilares.

- Numero de tabiques y pilares.
- Localizacin y tamao de los tabiques y pilares.
- Factor de forma de cada subrea
Utilizacin y suficiencia espacial: En este criterio, (Lin y Sharp 1999a) recogen dos
aspectos de inters en el problema:
- El primero es proporcionar un espacio definido para cada actividad, lo que

denominan Space Suffiency.
- El segundo es examinar la efectividad de la utilizacin espacial en dos y tres
dimensiones. El objetivo es determinar si el espacio de la planta esta
sobreutilizado o infrautilizado.
Pasillos: Este indicador mide la efectividad de la distribucin de los pasillos en la

planta. Hay dos tipos de pasillos:
Pg. 177 de 337

- Los pasillos que se desarrollan debido a las necesidades de construccin del

edificio.
- Los pasillos que se colocan en el layout de detalle y que pueden ser dispuestos
libremente sin las ataduras del edificio.
Solo se tienen en cuenta los pasillos de cierta entidad. Se definen 6 objetivos

en el sistema de implantacin de los pasillos, con los que se calcula el indicador:
- rea servida por el pasillo

- Facilidad de acceso
- Rutas alternativas
- Intersecciones
- Forma de la actividad
- Rectitud del pasillo
Establecen un indicador en el que influyen la forma de las actividades, el

nmero de cruces del pasillo, as como de su longitud. Este indicador puede ser muy
interesante en el caso de abordar el problema de distribucin en planta con pasillos,
que no es objeto de la presente investigacin.
Distancia y densidad del volumen: Este indicador se plantea para estimar la densidad
del movimiento de material entre diferentes actividades, para alcanzar los
requerimientos de produccin. Hay tres tipos de movimiento entre actividades:
1. Materias primas, componentes y producto acabado
2. Trabajo de papeleo
3. Movimiento de personal (ajeno al trabajo)
El ms importante es el primero, pues los otros se cubren con distancias cortas

y poco significativas. La densidad del movimiento de material (DMM) se puede
representar de dos formas: el volumen de material movido en los pasillos o el tiempo
gastado para mover el material:
Robustez del sistema de manutencin: El objetivo del indicador es estimar la robustez

del sistema de manutencin para ajustar posible cambios y satisfacer diferentes
Pg. 178 de 337

requerimientos de capacidad productiva. La flexibilidad puede ser evaluada mediante

este indicador. Un correcto sistema de manutencin debe cumplir con las siguientes
premisas:
- Estandarizacin de la maquinaria.
- Capacidad del sistema de manutencin.
- Utilizacin del sistema. Proponen calcular un ratio de utilizacin del sistema
de manutencin (o de cada parte del mismo).
Para realizar el clculo del indicador, se basan en varios factores, todos ellos
referidos a los diferentes subsistemas de la configuracin, en nuestro caso habra que
aplicarlo a las diferentes actividades que componen el problema.
- Numero de subsistemas.
- Capacidad de cada subsistema, medido en nmero de unidades que puede
producir.
- Aptitud de cada subsistema, que tiene en cuenta el nmero de operaciones que
puede realizar el mismo.
Resulta muy complicado determinar la flexibilidad con este indicador ya que

permite calcular capacidades de los subsistemas, pero requiere de una gran cantidad
de datos que en la formulacin habitual del problema de distribucin en planta no se
facilitan.
Expansin de edificios: En este indicador, los autores estiman la facilidad para poder
ampliar el espacio ocupado por los edificios o aadir actividades al existente. Para
realizar el clculo del indicador se tienen en cuenta dos factores:
- rea disponible para la expansin del edificio entendiendo esta como La

relacin existente entre el rea exterior disponible y el rea actual ya
utilizada.
-
- Trastornos derivados de la ampliacin. En esta parte se incluyen todos los
problemas que puedan ocasionar a la produccin las obras de ampliacin del
edificio productivo. Es un indicador cualitativo en el que 1 representa la peor
situacin posible.
Pg. 179 de 337

Indicadores Geomtricos
Los indicadores geomtricos proporcionaran informacin acerca de la forma y

distribucin de las actividades y en general de la configuracin. Entre estos
indicadores se pueden encontrar indicadores de configuracin, que tienen en cuenta
los indicadores locales de cada una de las n actividades y dan un valor (generalmente
de promedio) del conjunto de actividades y, por otra parte, una serie de indicadores de
actividad, que para ser empleados en la optimizacin de la distribucin en planta se
centran en la mejora del peor de los valores de las n actividades, de esta manera, se
mejorarn todos los dems de una manera indirecta.
Uno de los aspectos que tiene una mayor importancia a la hora de establecer la
calidad de una solucin al problema de distribucin en planta es la calidad formal de
la misma, pues el proceso de optimizacin siempre tiende a soluciones que, pese a ser
excelentes desde el punto de vista del coste de transporte de materiales no dejan de
ser aberraciones formales al problema de optimizacin.
Si no se tienen en consideracin estos aspectos formales se obtienen

soluciones no factibles desde el punto de vista prctico, y que tienen como mxima
expresin las configuraciones sndwich y diana. El algoritmo de optimizacin
busca soluciones de este tipo, en el que las distancias se minimizan al tomar como
mtrica la distancia entre centroides. Este tipo de problemas tiene una mayor
incidencia cuando se discretiza el dominio y se realiza un relleno de las casillas, y
estos efectos se pueden paliar empleando mtricas ms exactas como puede ser la
mtrica EDIST. La suposicin de que el coste es directamente proporcional a la
distancia entre los centros de gravedad, puede desvirtuar la solucin obtenida,
llegndose a casos en que pese a tener un coste de transporte de materias
prcticamente nulo, no resulta factible desde un punto de vista prctico. Asimismo, se
puede llegar a soluciones en los que el ratio alto-ancho de cada una de las actividades
es excesivamente elevado, llegando a soluciones tipo sndwich y que tiene un coste
extremadamente bajo, aunque su factibilidad tambin es nula, pues las actividades no
se pueden desarrollar en reas tan alargadas.
Con la finalidad de controlar todos estos problemas, surgidos

fundamentalmente de la utilizacin de un modelo geomtrico discreto y de mtricas
basadas en la distancia entre centroides, se definen una serie de indicadores
Pg. 180 de 337

geomtricos. Adems, las soluciones que tienen unas actividades con formas
regulares son las que alcanzan una mayor flexibilidad geomtrica ya que permiten
una mejor distribucin 2D.
A la hora de trabajar con un relleno discreto de las actividades, los indicadores

geomtricos constituyen una herramienta fundamental para obtener soluciones
eficientes desde el punto de vista formal.
Figura 3.37: Indicadores geomtricos en el problema de distribucin en planta.
Los indicadores geomtricos proporcionaran informacin acerca de la forma y

distribucin de las actividades y en general de la configuracin. Entre estos
indicadores se pueden encontrar indicadores de configuracin, que tienen en cuenta
los indicadores locales de cada una de las n actividades y dan un valor (generalmente
de promedio) del conjunto de actividades y, por otra parte, una serie de indicadores de
actividad, que para ser empleados en la optimizacin de la distribucin en planta se
centran en la mejora del peor de los valores de las n actividades, de esta manera, se
mejorarn todos los dems de una manera indirecta.
1.- Indicadores de Permetro
En la bibliografa se pueden encontrar diferentes indicadores que emplean el

permetro de las actividades para controlar la calidad formal de las actividades, as
como de la solucin. Mientras que el indicador es til para configuraciones en las
Pg. 181 de 337

que el relleno se realiza de manera controlada, el indicador resultar ms apropiado

para situaciones en las que el relleno se hace mediante curvas de Hilbert (SFC).
Indicador de permetro W
El indicador de permetro aparece por primera vez, aplicado al problema de

distribucin en planta, en (Bozer y Meller 1994) donde se inspiraban en un artculo de
procesado de imgenes (Freeman 1974). Bozer lo expresa como i, y se basa en el
hecho de que cuanto mayor sea el permetro de la actividad, menor ser la calidad
formal de la misma. Posteriormente este indicador aparece con idntica formulacin,
pero bajo el nombre de SR (Shape Ratio) en (Wang, Hu y Ku 2005), como parte
bsica de un indicador global de configuracin. El caso ideal, en el que e l es mnimo,
se da cuando la actividad adquiere una forma cuadrada, de lado(A). El coeficiente
relaciona el permetro de la actividad Pi con el permetro del cuadrado ideal que
albergara la misma, Pi *. Bozer fija un valor lmite para este indicador, estableciendo
que valores superiores a 1.5 corresponden a actividades con una calidad formal
manifiestamente negativas. En el caso de emplear dominios discretos, el valor
mnimo del indicador puede no alcanzar la unidad, dado que el tamao de la
discretizacin puede hacer imposible llegar a este valor. Uno de los problemas que
tiene el indicador es que no tiene un valor normalizado, puesto que el mnimo es 1 (o
est muy cerca) pero el mximo puede resultar cualquiera.
Indicador permetro de actividad/rectangulo d
El indicador d aparece en (Lin y Sharp 1999a) y se formula como la relacin

entre el permetro de la actividad y el permetro del rectngulo que la engloba
completamente. Este es un indicador que tiene una fiabilidad muy baja pues aparecen
situaciones en la que el valor del indicador resulta igual para varias soluciones alguna
de ellas mucho mejor que el resto. Por otro lado este indicador tampoco es capaz de
determinar si la actividad ha sido implantada de manera inconexa, es decir, si se ha
producido rotura a la hora de la colocacin de la misma.
2.- Indicadores de Compacidad
En el caso de emplear un modelo geomtrico discreto, es de gran importancia

la forma en la que la curva o procedimiento de relleno, configure el rea destinada a
cada actividad. Pueden configurarse actividades con formas altamente indeseables,
Pg. 182 de 337

comprometiendo, incluso, la implantacin de las mismas. Para evitar estos problemas,

se pueden emplear indicadores de compacidad de las actividades. Se recogen a
continuacin los indicadores de compacidad ms usados en la bibliografa.
Compacidad
La compacidad de una actividad es el cociente entre el rea de la actividad

(Ai) y el rea del rectngulo de menor rea que es capaz de contenerla en su totalidad.
Un valor de compacidad 1 indica actividades que rellenan de una forma compacta la
superficie de la planta. Por el contrario, valores cercanos a 0 (nunca alcanzable),
indican actividades muy disgregadas, y por tano poco compactas.
Este indicador no es aplicable en modelos continuos, ya que forma en la que

se realiza el relleno del rea, es ya compacto de por s, por tanto siempre i =1. En
los modelos discretos, si que pueden aportar informacin muy til, dado que cuanto
ms compacta sea la actividad, mayor facilidad de implantacin prctica tendr la
misma.
Con este indicador ocurre lo mismo que con el indicador de permetro, el

ptimo (y mximo) siempre es la unidad, aunque en este caso puede no
corresponderse con una forma de la actividad aconsejable, mientras que el mnimo se
corresponde con formas en L (tampoco aconsejables) y es dependiente del rea de
la actividad.
3.- Indicadores de Robustez
Indicador de robustez r
Se define la robustez como el cociente entre el lado menor y el lado mayor del
menor rectngulo que inscriba a la actividad (Ai). Este indicador geomtrico de
actividad fue definido y empleado en (Liggett y Mitchell 1981) como Proportion
Ratio, en (Contero 1995) como 3 y posteriormente renombrado y empleado por
(Gonzalez 2005) como Robustez (i). Posteriormente tambin fue empleado en
(Aiello, Enea y Galante 2006) bajo el nombre de Aspect Ratio (i). Un valor de
robustez 1 indica que el rea asignada a la actividad es cuadrada, por tanto su
flexibilidad ser mayor, mientras que valores cercanos a 0 (nunca alcanzable), indican
actividades muy esbeltas o alargadas (configuracin no deseada, pues su implantacin
Pg. 183 de 337

es muy complicada y poco flexible). Este indicador resultar de aplicacin tanto en

modelos discretos como continuos, y fue empleado por autores como (Diego-Ms
2006). La aplicabilidad en los modelos continuos de este indicador es directa, pues el
relleno del espacio es compacto, sin embargo, en los modelos discretos, al ser el
relleno no compacto pueden darse situaciones muy contradictorias, como el tener
actividades con una robustez mxima (i = 1) excesivamente disgregadas.
4.- Indicadores de Forma.
Ni la compacidad ni la robustez, proporcionan por separado una garanta de

que las soluciones tienen una calidad formal elevada, pues pueden darse soluciones
con buenos valores de los indicadores que realmente no lo sean. A continuacin se
resumen los indicadores de actividad y de configuracin encontrados en la
bibliografa.
Forma j
En (Gonzalez 2005) se defini un indicador que combina la compacidad y la

robustez para generar uno nuevo que potencie los beneficios de ambos, la llamada
forma de la actividad (i), que queda definida como el producto de la robustez y la
compacidad de la actividad. Geomtricamente, la forma de una actividad se obtiene
del cociente entre el rea de la actividad y el cuadrado del lado mayor del rectngulo
que puede contener la actividad. Un valor de forma 1 indica que la actividad rellena
completamente un rectngulo mientras que valores cercanos a 0 (nunca alcanzable),
indican actividades esbeltas y poco compactas o disgregadas.
5.- Indicadores de Inercia
Por ltimo se recogen los indicadores que consideran la inercia de las

actividades de una determinada configuracin. Al igual que con el resto de
indicadores, se realiza la diferencia entre aquellos que se centran en una nica
actividad y los que establecen un valor para toda la configuracin.
Indicador W4
Otro indicador de la calidad formal de la solucin fue propuesto por (Contero

1995) y tiene su fundamento en el momento polar de inercia de la actividad,
como medida de la dispersin del rea asociada a la misma. El indicador de inercia,
Pg. 184 de 337

4, es adimensional, y tiene en cuenta la desviacin de la inercia de la actividad

respecto a los valores mximo y mnimo que podra adoptar en una
configuracin discreta. Una vez conocido el valor del momento polar de inercia
respecto al centro de gravedad de la actividad, (Contero 1995) calcula un factor
normalizado que permite valorar la calidad geomtrica de la actividad. Para ello, es
necesario conocer cules son los valores mximo y mnimo de inercia polar que
puede adoptar una actividad de un rea determinada. Estos casos se corresponden con
una geometra alargada de ancho unidad y largo el nmero de casillas y una
geometra cuadrada de lado a = (A) . Las configuraciones cuadradas adoptan un
coeficiente cercano a 0, mientras que geometras ms desfavorables adoptan un
coeficiente ms prximo a la unidad.
Indicadores de aprovechamiento de rea
Otra de las caractersticas geomtricas a tener en cuenta es la relacionada con

el aprovechamiento que se hace del recinto sobre el que se implanta la industria. Se
puede abordar el problema de dos formas, en funcin de la relacin del rea del
recinto AR y la suma de las reas de cada una de las actividades:
n
AR Ai
i =1
Algunos autores desde (Armour y Buffa 1963) hasta (Gonzalez 2005)

hacen una aproximacin al problema suponiendo un recinto fijo y lo que es ms
importante en este punto, que se ajusta completamente a las necesidades del caso en
estudio. En esta situacin, el 100% de la superficie del recinto est ocupada por
alguna de las n actividades que componen el problema, por tanto no existe ninguna
holgura. Por otro lado otros autores hacen una aproximacin al problema en la que el
rea del recinto es superior a la suma de reas de las n actividades. Por tanto existe
una cierta holgura, desaprovechando una parte del espacio del dominio.
Una solucin con una buena utilizacin espacial tendr dos caractersticas:
- Un ratio de utilizacin espacial (RUE) razonable en planta y en volumen,

calculado como:
Pg. 185 de 337

RUE = 1 - ratio de espacio libre
No es deseable tener un 100% de utilizacin espacial pues siempre es

necesario tener una reserva de espacio para cubrir aspectos relativos al confort
y seguridad de los operarios.
- El espacio libre estar concentrado en un rea especfica o podra ser utilizado

para implantar una nueva actividad. Es decir, es preferible que el espacio libre
est concentrado a que est diseminado.
El indicador (ratio de utilizacin espacial, o RUE) se desarrolla basndose en

estos conocimientos y adopta los conceptos del coeficiente k y del coeficiente de
forma del indicador de diafanidad para medir la distribucin de espacios libres
(huecos en la distribucin espacial). De esta forma, la eficiencia de la utilizacin
espacial puede ser juzgada desde el ratio de espacio libre y desde la distribucin de
espacios libres.
3.5. PROBLEMA DE FRONTERA.
Si bien cuando se plantea el problema de la distribucin en plata de

instalaciones hay dos aspectos que en general de una manera u otra se abordan que
son la forma y dimensiones de las instalaciones y la forma de estimar las distancias
que las mercancas deben recorrer para ser transportadas de una instalacin a otra, hay
otra componente geomtrica que no ha sido estudiada a la hora de realizar los
clculos y estimaciones que los algoritmos que se implementan tienen que considerar
y esta es la frontera de las instalaciones.
Cuando se habla de instalaciones en general se entienden estas como un

espacio limitado que hay que ubicar en la planta disponible, y cuando se considera el
lmite de estas instalaciones se entienede de igual manera que la frontera o interface
es una pared indeformable e inamovible que limita es espacio de las mismas, pero no
es necesario pararse a oensar mucho para derse cuenta de que esta presuposicin no
resulta del todo correcta en la mayora de los casos y asi se puede disponer de una
instalacin que sea un almacen o una zona de almacenaje que cuya frontera sea como
ucho una lnea pntada en el suelo de la planta, o una zona con parades cerradas en
Pg. 186 de 337

forma de U, por lo que se dispondr de una frontera abierta totalmente a la

instalacin (o pasillo) contiguo.
Se entiende pues que de alguna manera se deber obordar en concepto

frontera analizando el contorno cerrado que envuelve la instalacin pero
identificando de alguna manera que caractersticas tiene cada posible zona de esta
frontera. De este modo la frontera que existe puede ser
- Totalmente impracticable (pared sin posibilidad de pasos).

- Practicable con limitaciones (puede haber `permisos de paso o de acceso
para pasar a travs de la frontera pero no esta permitido el paso a todo
transito).
- Totalmente abierta, cuando no existe ningn elementod que impada el paso a
travs de la frontera (caso claro de puerta o portalon, por ejemplo).
Otra cuestin es la necesidad de dejar zonas o distancias de seguridad mas alla

de alguna zona de la frontera, impidiendo por ejemplo que otra instalacin pueda
adosarse directamente en ella. Estas limitaciones son claramente exigibles en los
casos de las instalaciones acutales en las que como se ha comentado en el capitulo
primero se trabaja con objetivos multivariables considerando ciertos factores como la
seguridad o las posibilidades de mantenimiento, fundamentales para el resultado final.
Por esta razon de igual manera que se tiene que ver como es la frontera original por
sus propias caractersticas, se tiene que considerar una frontera extendida que abarque
la zona de influencia total de la instalacin a ubicar, ampliando el rea inicial y sus
lmites fsicos hasta las zonas de influencia de la instalacin considerada (siendo esta
una zona, una mquina o robot o una tubera de transporte,)
Atendiendo a este criterio cada zona en la que pueda/deba dividrir la frontera

ya ampliada se puede clasificar como:
- Adosable, cuando se puede poner (y en general se debe poner siempre que sea
posible por ahorro de espacio) directamente tocando (tangente) digamos con
otra frontera de una instalacin ayacente, esto dicho de forma simple es que se
puede poner contra la pared.
Pg. 187 de 337

- Libre, cuando no se puede poner nada delante de esa zona teniendo que
coincidir con otra zona tambin libre de la instalacin adyacente o con un
pasillo transitable.
- Transitable, cuando se puede poner contra una pared o hacer frontera comn
con otra zona transitable, ejemplo de acceso para mantenimiento (engrases,
operaciones de verificacin o sustitucin de elementos de un elemento
productivo, por ejemplo). En este caso las zonas de reserva ampliadas sobre
los lmites de la frontera inicial pueden solaparse ya que la zona de servicion
puede ser comn para dos instalaciones adyacentes.
En el caso que se ha implementado se parte de un modelado geomtrico

continuo de las instalaciones que se consideran entidades Regiones de sistemas de
DAO que posteriormente se descomponen para obtener su polilinea contorno que
puede ser editada apliando el contorno original en las zonas en que deban dejarse
zonas de servicio. Posteriormente se editan esas polilineas aplicando un criterio de
poner un distinto grosor, que presiamente ha sido preestablecido, a cada zona de las
mismas (limitada entre cada dos vrtices de la polilinea), dependiendo del que tipo de
frontera consideremos que corresponde a esa zona, con lo que posteriormente se
podr procesar cada zona de forma singular al interpretar las caractersticas de la
misma, para que la regin, o lo que es los mismo, la instalacin, que se procese se
ubique de forma correcta.
De igual manera a la hora de definir diferentes tipos de frontera posibles

tambin aparece otro requisito que en muchos casos result de gran inters a la hora de
decidir cual es la distribucin de planta deseada y es la posibilidad de que una zona de
la frontera o la totalidad de la instacin deba o no estar en el permetro exterior de la
planta. Asi tendremos:
- Exterior: cuando se requiere que esa zona del contorno se encuentre en el

lmite exterior de la planta en la que estamos ubicacndo las instalaciones.
- Interior: cuando la instalacin deba estar situada totalmente en el interior de la
planta, sin que pueda existir contacto directo con el exterior de la misma.
Vistas estas diferentes clasificaciones para las zonas de la frontera debemos

comentar que estas exigencias citadas (de que seas practicable, exterior, adosable, )
no acotan totalmente la clasificacin de las diferentes zonas y se pueden implementar
Pg. 188 de 337

otro tipos de propiedades o caractersticas especficas que califiquen de alguna forma

el contorno de las instalaciones, para obligar posteriormente a las implementaciones
algortmicas a que situen las diferentes instalaciones de forma adecuada y de este
modo el resultado final obtenido se ajuste a las necesidades impuestas inicialmente.
Es necesario decidir cuantos tipos de frontera pueden existir, ya que estas

restricciones se utilizaran posteriormente en las implementaciones para procesar las
distintas instalaciones tanto para su ubicacin lmite como para las distancias de las
mtricas por medio de puntos de paso. Posteriormente se establecer en una tabla una
correspondencia biunvoca que a cada grosor de har corresponder uno de los tipos
establecidos y asi al procesar la entidad polilinea contorno exterior le podr asignar
las propiedades correspondientes al grosor que tenga en cada zona de forma
especfica. Resulta importante comentar que la diferencia entre los grosores de las
distintas posibles zonas de la polilinea ser inapreciable visualmente (posteriormente
si fuera de inters se le podria poner un parmetro de color que corresponda tambin
a cada posible distinto grosor para que pueda ser visualmente apreciable por el
usuario) y tan solo ser un dato numerico que ser utilizado tan solo como ndice y
que deber ser interpretado por el programa que procesa el contorno frontera.
El uso de regiones para este modelado de las instalaciones nos ofrece grandes
ventajas ya este tipo de entidad tiene una forma plana cualquiera permitiendo
disponer de huecos en medio de la misma e incluso permitiendo que una nica regin
no este agregada en una nico contorno cerrado sino que pueda estar dispuesta en
varias subregiones siendo cada una de estas zonas un contorno cerrado. El uso de
regiones puede extenderse en el caso de querer trabajar en tres diemnsiones reales
utilizando las entidades tipos solido 3D (3DBody) en lugar de las entidades regiones,
teniendo en cuenta que este tipo de entidades tridimensionales tienen el mismo tipo
de propiedades que las correspondientes a las entidades regiones.
Por otro lado el uso de las entidades polilineas para el contorno dan otro tipo
de ventajas, como es la pisibilidad de que a los largo del contorno se puedan disponer
de zonas con diferentes propiedades permitiendo por lo tanto sectorizar la frontera, y
de inconvenientes como pueda ser la imposibilidad de que existan islas y de que las
instalaciones ocupen mas de una zona, es decir que por decirlo de otro modo el uso de
Pg. 189 de 337

polilineas obliga a que las instalaciones sean macizas (sin huecos) y abarquen una
nica zona.
Por este motivo en la implementacin propuesta en este trabajo de

investigacin se ha trabajado con ambos tipos de entidades: regiones para definir las
instalaciones, al menos inicialmente, y con polilineas para trabajar con sus fronteras
identificando las caractersticas que cada zona de esta pueda tener.
Con este planteamiento tal y como se justificar mas tarde se puede procesar
de forma adecuada cualquier instalacin e interpretar su frontera de forma real y con
las rectricciones que a esa frontera o contorno se le quieran imponer, y ademas esas
rectricciones no tienen que ser globales para todo el contorno de la instalacin sino
que puede ser diferente para cada zona que se quiera establecer de la misma.
3.6. PROBLEMA DE LAS DISTANCIAS y METRICAS.
El segundo de los aspectos geomtricos a tener en cuenta en el planteamiento

del problema de distribucin en planta, tras el anlisis de la forma, es el relativo a la
mtrica o distancia que se debe emplear para determinar la distancia entre las
actividades del problema a optimizar. La distancia entre las actividades es un
parmetro clave, pues contribuye de una manera significativa en la funcin objetivo a
minimizar.
En el problema de distribucin en planta se pueden distinguir dos distancias

que todo el proceso de definicin del mismo:
Distancia geomtrica: Este valor viene determinado por las reas de las
actividades, tomndose de forma habitual la distancia Eucldea.
Distancia de recorrido: Es la distancia que van a recorrer los materiales al ir
de una actividad a otra. A la hora de determinar esta distancia es muy importante
la mtrica que se seleccione, pues los valores pueden ser muy distintos.
La seleccin de una u otra mtrica de la distancia de recorrido depende

fundamentalmente de los siguientes factores:
Pg. 190 de 337

1. Tipo de problema: Segn se est tratando el diseo de bloques o el diseo de

detalle.
2. Modelo geomtrico: Segn se emplee un modelo topolgico o geomtrico.
3. Sistema de manutencin: Cada sistema de manutencin puede asimilarse a una
mtrica concreta.
De entre las mtricas ms empleadas en la bibliografa se pueden destacar

las mostradas en la Figura 3.38. Cada una de estas es apropiada para una
determinada fase del problema o bien para un modelo geomtrico concreto, aunque
ser conveniente analizarlas en detalle.
Figura 3.38: Clasificacin de las distancias (Gonzalez 2005 y Montalv 2011).
A la hora de ver las distancias entre dos puntos, varias sern las posibilidades
para realizar las medidas. Algunas mtricas de distancias comunes han sido usadas en
trabajos de distribuciones fsicas (Diego-Mas 2006), unas sern muy sencillas y otras
resultarn mucho ms complejas de entender y de implementar. Veamos pues a
continuacin algunas de estas mtricas.
3.6.2. ADYACENCIA
En algunos planteamientos las funciones evaluadoras miden nicamente la

adyacencia entre actividades de forma cualitativa; es decir, que las actividades que as
lo requieran posean una frontera comn, aunque lo ms habitual es medir si la
disposicin de las actividades es adecuada en base a la distancia a las que han sido
ubicadas, lo que proporciona un dato cuantitativo.
Pg. 191 de 337

La Mtrica de Adyacencia, resulta de este modo ser la mtrica ms sencilla de

todas al verificar simplemente si los departamentos comparten alguno de sus lados. Se
emplea habitualmente con criterios cualitativos que estiman la conveniencia o no de
que dos instalaciones sean adyacentes
0 ; si las actividades i y j son adyacentes (3.25)

d(i,j)= { 1 ; en el caso contrario
Esta mtrica viene a implementar de forma directa la clasificacin de

proximidad del SLP de Muther, esto es la A,.por lo menos en lo que a la posicin
extrema se refiere.
3.6.3. DISTANCIA ENTRE CENTROIDES
En la fase de diseo de bloques (o lo que se denomina block layout), en la

que la posicin de los puntos de entrada y salida de las actividades pueden no estar
an definidos, la distancia entre las mismas se toma respecto a los centros de
gravedad, siendo para ello valido cualquier mtrica Minkowski o la EDIST. Pero en
etapas posteriores, como en el diseo de detalle, cuando ya se conocen los puntos de
entrada y salida de cada una de las actividades se puede emplear una mtrica por
contorno lateral.
En la fase de block layout habitualmente se emplea la distancia entre

centroides como mtrica, debido a que en esta fase del diseo, se suele desconocer el
punto de entrada y salida de materiales de la actividad, por tanto, se toma como punto
ms representativo el centro de gravedad de la actividad.
3.6.4. CONTORNO LATERAL
Mtrica de Contorno Lateral, viene calculada como el recorrido que debe

realizar el material entre dos actividades a lo largo de pasillos que rodean las distintas
instalaciones situadas entre las dos consideradas. Esta es una mtrica no basada en la
mtrica Minkowski. Se supone que no se permite el transito por el medio de la
actividad y se emplea en problemas de distribucin de detalle, en los que
Pg. 192 de 337

normalmente se conocen los puntos de entrada y de salida de cada una de las distintas
actividades.
La distancia en este caso se calcula por la suma de trayectos recorridos que

seran:
d (i, j) = a + b + c + d (3.26)
d
Actividad j
Actividad i
c
Actividad k
b
Figura 3.39: Distancia de contorno (Gonzalez 2005).
La distancia recorre el camino que deben seguir los materiales desde el punto
de salida de una determinada actividad i hasta otra actividad j. En la Figura 3.40 se
puede observar un ejemplo de distancia por contorno lateral entre dos actividades,
que puede ser distinta si el movimiento de materiales es desde i hasta j (en azul) o es
de j hasta i (en morado).
Figura 3.40: Distancia por contorno lateral.
Pg. 193 de 337

La distancia por el contorno resulta ser diferente al resto de mtricas dado que
esta representa la distancia actual del trayecto a lo largo de pasillos que debe seguir
una carretilla o vehculo autoguiado. Se pueden encontrar aplicaciones de ste tipo de
mtrica al problema de distribucin en planta en (Norman, Arapoglu y Smith 2001) y
(Kim y Goetschalckx 2005).
El siguiente paso tras la obtencin de la posicin de las distintas actividades

ser la generacin de los pasillos y la ubicacin de las puertas de cada recinto
(Benson y Foote 1997).
EXTERIOR
La mtrica Exterior mide la distancia similar a la de Contorno Lateral (de

hecho puede ser considerada un caso particular de esta) pero siguiendo recorridos
exteriores al conjunto de las instalaciones, es decir agrupa a un conjunto de
actividades considerndolas como una sola.
3.6.5. CAMINO MAS CORTO
Si se emplea un modelo geomtrico topolgico, podra resultar ms adecuado

emplear una mtrica del tipo camino ms corto, como se ver despus.
La denominada Mtrica del Camino ms Corto (o shortest path) es otra

mtrica que puede ser empleada en el diseo de detalle y que se utiliza para
determinar la distancia entre dos lugares cuando se emplea un modelo geomtrico
basado en teora de grafos. La posicin de las actividades se representar mediante un
grafo compuesto por nodos y arcos, donde los nodos representan las actividades y un
arco entre un par de nodos representa la distancia o tiempo de transporte entre las
actividades.
3.6.6. MINKOWSKI
Pero las mtricas con uso ms extendido son las de tipo Minkowski en las que
la distancia n-dimensional entre dos puntos i y j viene determinada por la siguiente
expresin:
1/ p
n
DI
x = xik - x jk
p p
d p (i, j ) = d ij ( p) = p
ik - x jk (3.27)
k =i k =1
Pg. 194 de 337

Donde: DI es el nmero de dimensiones consideradas.
p > 0 es un parmetro que determina la mtrica particular utilizada.
En donde segn el valor que tome el parmetro de p, que toma valores entre 1
e infinito (), se obtienen los diferentes tipos de mtricas y de esta forma a partir de
esta formulacin general de la ecuacin 3.27 se extraern las tres principales mtricas,
que resultan ser las ms empleadas en el problema de distribucin en planta, en
funcin del tipo de sistema de manutencin a emplear en la planta: Mahattan (p=1),
Euclidea (p=2) y Tchebychev (p=).
Aunque existen otras posibilidades, las mtricas ms frecuentemente

empleadas miden la distancia entre los centroides de las reas asignadas a las
actividades. sta es una simplificacin debida a que la localizacin de los puntos de
recepcin y expedicin de materiales en cada actividad, son desconocidos hasta que
no se determine el layout detallado y escogidos los sistemas de transporte de
materiales. As pues, el centroide representa en estos modelos tanto el punto de
recepcin como el de expedicin del flujo de materiales interdepartamental.
Un problema de la utilizacin del centro geomtrico de las reas de las

actividades como origen y final de las mediciones, es que hace necesario el empleo de
mecanismos que eviten disposiciones problemticas en Diana o en Sandwich
(excesivamente esbeltas) de las actividades (Figura 3.41) que, aunque minimizan la
distancia entre los centroides, no resultan en general operativas en la prctica.
Figura 3.41: Disposiciones Diana y Sandwich que minimizan las distancia entre
centroides de las reas de las actividades (Mas 2006).
Pg. 195 de 337

3.6.7. MANHATTAN
Distancia Rectilnea, Rectangular o Manhattan, que viene siendo una

mtrica Minkowski con el parmetro p=1, se define como a distancia entre dos puntos
medida a lo largo de los ejes y con ngulos rectos, o lo que es lo mismo la suma de
las distancias a lo largo de los distintos ejes X e Y:
d (i, j ) = xi - x j + y i - y j (3.28)
Donde d(i, j) es la distancia entre los puntos i y j con coordenadas (xi, yi) y (xj,
yj) respectivamente (centroides de las distintas instalaciones).
Esta mtrica es frecuentemente utilizada porque es fcil de calcular, de

entender, y resulta apropiada para muchos problemas prcticos, donde la manutencin
se realiza a travs de una retcula de pasillos (el transporte de materias se realiza
mediante carretillas o vehculos autoguiados). Representa la suma de las distancias
horizontal y vertical entre los centros de gravedad de las actividades i y j, tal y como
se muestra en la Figura 3.42.
Tal vez debamos mencionar que esta mtrica resulta ser la ms empleada en la
gran mayora de las referencias bibliogrficas del problema de distribucin en planta
de establecimientos industriales.
3.6.8 EUCLIDEA
La distancia segn la mtrica Eucldea se define como una mtrica

Minkowsky con el parmetro p=2 o como la longitud del segmento rectilneo directo
o lnea recta entre dos puntos finales, dada por:
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2 (3.29)
Utilizando la misma notacin que la utilizada en la mtrica rectilnea.
Es la distancia ms corta entre dos puntos, aunque en el caso del problema de

distribucin en planta normalmente no se emplea directamente, pues es una medida
Pg. 196 de 337

irreal, dado que la mayor parte de los sistemas de manutencin no pueden cruzar por
dentro de otras actividades.
Este tipo de mtrica podra ser adecuada en aquellas plantas en las que el flujo
de material se realizara mediante cintas transportadoras (Ozdemir, Smith y Norman
2003).
Figura 3.42: Mtricas de distancia entre actividades. Ampliado de (Shebanie 2002

y de Montalv 2011).
EUCLIDEA CUADRATICA
Derivada de la anterior tenemos la distancia Eucldea Cuadrtica, que resulta

similar a la distancia Eucldea pero atribuyendo un mayor peso a aquellas actividades
que se encuentran muy alejadas. Esta mtrica no sigue en realidad el esquema
Minkowski, y responde a la frmula:
d (i, j ) = ( xi - x j ) 2 + ( y i - y j ) 2 (3.30)
Pg. 197 de 337

3.6.9. TCHEBYCHEV
La distancia Tchebychev definida como una mtrica Minkowski con

parmetro p=, considera la distancia como la mayor de las distancias a lo largo de
los ejes X e Y:
(
d (i, j ) = max xi - x j , y i - y j ) (3.31)
La distancia Tchebychev se corresponde con el problema de manutencin en

una industria de maquinaria pesada que se lleva a cabo mediante transelevadores o
puentes gra con dos motores independientes, permitiendo uno el movimiento en la
direccin del eje de las x y el otro en la direccin del eje de las y. De este modo el
tiempo necesario para realizar el movimiento desde el centro de la actividad i al
centro de la actividad j depender de la mayor de las distancias de los ejes x e y, pues
el sistema de manutencin empleado comienza el movimiento independiente al
mismo tiempo.
F
A D
G
Metrica
B Tchebychev
Euclidea
E Rectilinea
C Contorno
H Exterior
Figura 3.43: Distintas Mtricas para medir distancias entre actividades.

(Shebanie, 2002)
3.6.10. EDIST
En problemas de localizacin de industrias es frecuente utilizar otra mtrica

aplicada en los grafos que es la de trayectoria ms corta en la que las posibles
localizaciones son representadas por nodos en un grafo y los arcos representan las
Pg. 198 de 337

distancias o tiempos o costes de viaje entre los nodos conectados por estos. Existen
habitualmente varios caminos entre dos nodos del grafo cuyas longitudes, costes o
tiempos de transporte vienen representadas mediante pesos y esta mtrica permite
seleccionar el ms corto. Esto representa en realidad una trayectoria entre cualquier
par de nodos y la distancia mas corta tiene realmente consideraciones importantes en
la solucin de problemas.
En el intento de repasar las mtricas existentes, y siguiendo las indicaciones

de Gonzalez (2005) y Montalv (2011), citaremos ahora otra de las mtricas, no
basadas en Minkowski, que se pueden emplear en el problema de distribucin en
planta en su fase de block layout la distancia rectilinea esperada (EDIST), definida
por Bozer y Meller (1997) en la que se supone que los departamentos i y j estn
definidos por las regiones (planares) Ri y Rj respectivamente, con reas totales iguales
a Ai y Aj.
Esta mtrica se propone de la siguiente forma:
Se supone que las actividades i y j estn definidas por las regiones (planares)
Ri y Rj respectivamente, con un rea total igual a Ai y Aj. Sean las coordenadas de dos
puntos de ambas regiones muestreados aleatoriamente (xi ,yi ) Ri y (xj ,yj ) Rj .
Dado que la posicin de cada punto es especfica para una funcin de

probabilidad uniforme sobre ambas regiones, la distancia rectilnea esperada (EDIST)
entre las dos actividades i y j (dij) queda fijada mediante la expresin:
(23.45)
Si se emplea un modelo geomtrico discreto (con c casillas) y se expresa el

problema en variables de asignacin, la distancia EDIST entre ambas actividades se
determina mediante la siguiente expresin:
(3.46)
donde: Xik=1 si la posicin k est ocupada por la actividad i y 0 en caso contrario.
Pg. 199 de 337

Xjl= 1 si la posicin l est ocupada por la actividad j y 0 en caso contrario.
En la Figura 2.2.4 se puede observar el buen funcionamiento de la mtrica

EDIST en algunas configuraciones no deseables (diana y sndwich), en las que la
mtrica Minkowski da valores muy bajos mientras que EDIST las penaliza.
EDISTij = ((2+1+2)2+(1+1))/18 = 1.5 EDISTij=((1+2+3+4)2+(2+1+2+3)2)/44= 2.25

dij = 0 dij = 1
Figura 3.44: Ejemplo de aplicacin de mtrica EDIST.
O expresado de otro modo.
Haciendo (xi, yi) X Ri y (xj , yj) X Rj donde las coordenadas (x, y) designan los
puntos muestreados aleatoriamente, dado que la distribucin de cada punto es

especfica para una funcin de probabilidad uniforme sobre las dos regiones, la
distancia rectilnea esperada entre los departamentos i y j resultar:
[ ]
E d ij =
xi Ri
yi Ri x j R j
y j R j
1 1
Ai A j
( )
xi - x j + y i - y j dy j dx j dy i dxi (3.47)
Donde Ai (Aj) designa el rea del departamento i(j).
[ ]
n n
1
E d ij = ( xk - xl + y k - yl ) xik x jl (3.48)
k =1 l = j ni n j
Pg. 200 de 337

3.6.11. Anlisis de la Distancia de Recorrido.
Otra cuestin que se ha abordado para tener una referencia mnima fija con la
comparar los posibles caminos que puedan aparecer, y que requieran ser comparados,
para ver cual resulta ms conveniente utilizar, es la que denominamos MiDiRe o
Mnima Distancia de Recorrido: que es la distancia que se puede considerar que es la
mnima distancia posible que van a recorrer los materiales al ir de una actividad a
otra.
Si bien como ya se ha comentado, a la hora de determinar las distancias, para

abordar en problema de minimizar los costes de los flujos materiales, resulta de gran
importancia la mtrica que se seleccione, dado que los valores resultado pueden ser
muy distintos de pendiendo de esta, precisaremos una referencia para ver cuanto
penaliza el uso de un recorrido u otro.
Ante este esto se ha planteado, partiendo de una distancia eucldea, que resulta
ser siempre el menor camino entre dos puntos tanto en el plano como en el espacio,
pero que no es una solucin vlida normalmente dada la imposibilidad de cruzar otras
instalaciones implantadas, distintos recorridos geomtricos, olvidndonos en cierta
medida de ecuaciones y planteamientos puramente matemticos para siguiendo
trayectorias puramente geomtricas encontrar un camino posible y con el mnimo
recorrido que ser el punto de partida y la referencia con la que compararemos las
distintas mtricas calculadas.
De este modo cuando se analiza detenidamente el problema se entiende de

forma rpida que si bien la Mtrica con Mnima Distancia Recorrida resulta ser la
mnima distancia posible (y no puramente ficticia como ocurre con alguna de las
expuestas anteriormente) no es en la mayora de los casos la que vayan a recorrer
finalmente las materias en su flujo cotidiano. Por motivos constructivos, de
ordenamiento de instalaciones, de criterios de montaje y de seguridad, de facilidad de
mantenimiento, etc. se optar casi siempre por caminos algo mayores, y por
consiguiente ms costosos (tanto en su construccin como en su explotacin), pero
geomtricamente ms ordenados, como pueden ser: seguir los contornos de los
pasillos o del propio edificio, habilitar zonas de movimiento o autopistas de
comunicacin o zonas prioritarias para trasiego de mercancias, Pero se deber
conocer y cuantificar de alguna manera cual es el sobrecoste que se est asumiendo al
Pg. 201 de 337

decidir usar alguno de los otros recorridos posibles (Manhattan, Contorno, ) en

lugar del calculado como MiDiRe.
Fig. 3.45: Distintas mtricas calculadas para unir dos puntos esquivando
obstculos.
Vase la figura 3.45 en donde se puede apreciar que si se pretende comunicar

el punto A con el punto B, la mtrica eucldea aun siendo la trayectoria mas corta no
puede ser aplicada ya que se encuentra con obstculos que debe evitar, tenemos as
que la trayectoria recta de la mtrica euclidea se puede descomponer en dos tipos de
tramos unos los que van por fuera de las instalaciones y por otro lado los que pasan
por las instalaciones ya existentes y que deben ser sustituidos por no se posibles. Por
lo que, en una primer etapa, la mtrica euclidea, se sustituye por otra en la que la
mtrica euclidea o recta que une A con B, esquive los obstculos (instalaciones) que
encuentra en su camino, simplemente se sustituye los tramos de recta o segmentos
que se solapan con las instalaciones a esquivar por una poligonal que recorra su
contorno, de esta manera se tiene una mtrica esquiva, algo ms larga que la anterior
pero que si permite llegar de A a B esquivando los obstculos, con lo que resulta una
trayectoria con mayor distancia pero por lo menos posible mientras que la original
simplemente euclidea aun siendo una trayectoria mas corta no resultaba posible. En
una etapa siguiente se plantean sustituir los tramos exteriores a las instalaciones
integrndolas con parte de las trayectorias de contorno para hacer mas cortos estos
tramos poligonales, se sustituyen varios tramos por un nico tramo recto con lo que la
Pg. 202 de 337

mtrica anterior se ve reducida pero evidentemente resultando aun de trayectoria mas

larga que la euclidea inicial. Se dispone asi de una mtrica esquiva obstculos
posible y que puede valer como referencia de minima distancia posible para unir los
puntos A y B.
Del mismo modo, y dado que en muchos de los casos a la hora de realizar las
comunicaciones entre distintas puntos de las instalaciones industriales se opta por
utilizar mtricas de contorno exterior, debido a la facilidad que este tipo de
trayectorias ofrece para ordenar las comunicaciones entre distintos puntos, modificar
y crear nuevas rutas, adems de la facilidad de poner anclajes y soportes en las
paredes de los edificios, y sobre todo por motivos de planificacin, seguridad y orden,
se plantea de forma general otra mtrica que ser la MIMEN o mnima mtrica
envolvente y en la que en lugar de esquivar las instalaciones de forma
individualizada esquiva la envolvente convexa10 que contiene a todas estas, dado que
se da por hecho que las comunicaciones se realizaran por el exterior del conjunto de
las instalaciones y no por el medio de estas. Primeramente se debe encontrar la
envolvente convexa que sustituye a todas las instalaciones (obstculos) que tengamos
y despus se realiza una tarea similar al caso anterior trazando primeramente una
recta que viene a ser la mtrica euclidea que se descompone en dos tipos de tramos
los que van por el exterior de la envolvente y el que va por el interior de la misma,
sustituyendo ambos tipos de tramo por el ms favorable exactamente igual que se
haca en el caso anterior. Tendremos as de forma simplificada una trayectoria
mnima que esquiva a la envolvente convexa y que se traduce en tres tramos dos
tramos extremos que parten de los puntos A y B y que resultan tangentes a la
envolvente y un tramo que contornea la evolvente entre los puntos de tangencia
anteriores.
Para encontrar la envolvente convexa se puede utilizar cualquiera de los

muchos algoritmos existentes, como puedan ser Puntos extremos, Divide y
vencers, Quickhull, Scan de Graham, Marcha de Jarvis, Incremental, Cota
Inferior, para despus una vez encontrado esta a pesar de que muchos autores
10
Envolvente Convexa: Llamamos envolvente convexa a la frontera del cierre
convexo de un conjunto de regiones del plano al menor conjunto convexo o regin
que lo contiene, que resultar ser un polgono convexo, en el que cualquier segmento
que une dos cualesquiera de sus puntos est totalmente contenido en el mismo.
Pg. 203 de 337

recomiendan utilizar el de Graham11, en nuestro caso se ha optado por implementar

una variante del Algoritmo de Marcha de Jarvis12 (Gift Wrapping), ya que al trabajar
con regiones, y no con puntos discretos, resulta mucho ms fcil e intuitiva su
programacin en sistemas de DAO.
3.6.12. ELECCION DE METRICA ADECUADA.
La seleccin de una mtrica u otra depender en gran medida del sistema de

transporte de materiales que se emplear (Heragu, 1997; Tompkins et al., 2003; Konz
2004; Mas 2006; Montsalv 2011). Por ejemplo, la utilizacin de un puente gra de
motores independientes en dos direcciones, se modelizar adecuadamente mediante la
mtrica de Tchebychev. El tiempo de transporte entre dos actividades ser el que se
tarde en recorrer la componente ms larga (horizontal o vertical) del vector que une
ambas actividades. Para carretillas o vehculos autoguiados, que deben desplazarse
por pasillos que rodean los diferentes departamentos, el contorno lateral o la
Manhattan sern las mtricas ms apropiadas. Las cintas transportadoras o las
tuberas se modelizan normalmente mediante mtricas Eucldeas.
Aunque de todas ellas la distancia Rectilnea y la distancia Eucldea resultan

son sin duda alguna las dos mtricas mas utilizadas, algunas de las restantes resultan
aplicables y de gran utilidad en ciertas condiciones, e incluso en ciertos casos deber
utilizarse algn sistema hbrido que utilice mas de una mtrica al mismo tiempo. As,
por ejemplo no resultar extrao tener que utilizar la mtrica Eucldea en el interior
de las actividades y la mtrica de contorno cuando se llega a los lmites de estas.
La seleccin de una nica mtrica para medir la distancia entre todas las
actividades en un problema puede considerarse una simplificacin excesiva, dado que
lo habitual es que un mismo proceso productivo necesite emplear diferentes sistemas
de manutencin. Algunas propuestas introducen mtricas homogneas dentro de un
mismo problema mientras otros autores abogan por emplear una mtrica heterognea
11
Para comprender el Algoritmo de Scan de Graham puede consultarse: Graham, R.,
An Efficient Algorithm for Determining the Convex Hull of a Finite Point Set.
Information Processing Letters 1, North-Holland Publishing Company. P. 132-133,
1972.
12
Para comprender el Algoritmo de Marcha de Jarvis puede consultarse: Jarvis, R.A.,
On the Identification of the Convex Hull of of a Finite Set of Points in the Plane.
Information Processing Letters 2, North-Holland Publishing Company. P. 18-21,
1973.
Pg. 204 de 337

o hbrida (mezcla de varias de las conocidas a tramos) (Ozdemir, Smith y Norman

2003), es decir dar la posibilidad de emplear distintos sistemas de comunicacin o
manutencin entre instalaciones en funcin del flujo entre actividades en funcin de
la geometra o distribucin existente, de las limitaciones (permisos, imposibilidades,
prohibiciones u obligaciones de paso) o del tipo de sistema de manutencin existente
entre actividades.
F F
A D A D
G G
B B
E E
C C
H H
Figura 3.46A: Combinacin de mtrica Figura 3.46B: Combinacin de mtrica

Rectilnea y de Contorno. Eucldea y de Contorno.
Adems de las mtricas de uso habitual ya expuestas y de algunas ms

sofisticadas como es el caso de la distancia rectilnea esperada (EDIST) (Bozer y
Meller, 1997), otros autores proponen algunas ms elaboradas o estudian el problema
de la definicin de los puntos de expedicin o recepcin, y el flujo de materiales
intradepartamental (Benson y Foote, 1997; Chittratanawat y Noble, 1999; Kim et al.,
2000; Arapoglu et al., 2001; Shebanie, 2002).
3.6.13. Mtodo de clculo propuesto para distancias entre las distintas

instalaciones.
3.6.13.1. Caso de Planta a un solo nivel.
La mtrica que utilizamos es la mtrica rectilnea o Manhattan explicada con

anterioridad, pero esta mtrica no se puede aplicar directamente al problema de
instalaciones que estn comunicadas por pasillos ya que estos servirn precisamente
de va de comunicacin entre aquellas. En estos casos utilizar la mtrica rectilnea
directamente y sin ms dara errores de calculo de distancias entre las actividades tal
y como se puede observar para las actividades 3 y 10 en la figura 3.47.
Pg. 205 de 337

3
1 2
PASILLO
4 5 6
PASILLO
7 8 9 10
Distancia calculada por la metrica rectilinea.

Distancia actual calculada con recorrido de pasillos.
Figura 3.47: Distancia actual y la calculada por mtrica Manhattan.
Dado que trabajaremos con pasillos que consideraremos nuevas actividades,

la mtrica que se propone es una mtrica rectilnea de tal manera que la distancia final
ser calculada por el sumatorio de las distancias actividades adyacentes (que tendr
que recorrer el recurso a transportar para ir de una actividad i a una actividad n) y no
considerando tan solo la actividad de partida y la de llegada.
Siendo d (i, j ) = xi - x j + y i - y j la distancia parcial recorrida entre dos
actividades adyacentes i y j. Pero esta mtrica no es aplicable directamente a

problemas con pasillos en los que los materiales se muevan a lo largo de aquellos,
pero se puede recurrir a la teora de grafos y crear nuevas actividades que representen
los pasillos por los que tengan que circular los materiales. La distancia total a
considerar entre las actividades i y j (pasando por n actividades y pasillos) ser:
d (i, j ) =
l , kRn
xl - x k + y l - y k (3.49)
En nuestro caso introducimos de esta manera una nueva mtrica particular

para el clculo de distancias entre las distintas actividades que se podra resumir
recurriendo a la teora de grafos. Para esta nueva mtrica representamos primero
Pg. 206 de 337

todas las relaciones entre actividades y pasillos en un grafo de adyacencia. El camino

ms corto entre las actividades i y j y la distancia dij entre estas se determina
recurriendo al Algoritmo de Dijkstra de la teora de grafos (vase Anexo). As por
ejemplo en el ejemplo anterior para encontrar el camino ms corto entre las
actividades 3 y 10 y su distancia representamos todas las relaciones entre estas
actividades 3 y 10 y los pasillos en un grafo de adyacencia como el siguiente:
b c
10
Figura 3.48: Grafo de adyacencias original.
En realidad como complemento a las actividades en si con su centroide se

ponen nodos tambin en los puntos medios de los pasillos para obligar de alguna
forma a que los recorridos se realicen por medio de estos.
En el grafico de adyacencia (figura 3.48) se aprecia que cada nodo representa

una instalacin (3, 10) o un pasillo (a, b, c, d) y cada arco (tramo) representa la
distancia entre la instalacin y el pasillo horizontal o entre el pasillo horizontal y el
vertical.
Pg. 207 de 337

3
1 2
PASILLO a
b
4 5 c 6
PASILLO d
7 8 9 10
Distancia calculada por la metrica rectilinea.

Distancia actual calculada con recorrido de pasillos.
Distancia redundante.
Punto de referencia para calculo de distancias.
Figura 3.49: Definicin incorrecta de los puntos de base para pasillos

horizontales.
Cuando se implementa el Algoritmo de Dijkstra para determinar el camino

mnimo as como la mnima distancia entre las instalaciones i y j debemos calcular la
longitud de cada arco. Para hacer esto primero se deben definir dos puntos extremos,
denominados puntos base, para calcular la distancia.
En este caso se usa el centroide (centro del rea de la instalacin) como punto
base de cada actividad de forma similar a lo usado en los algoritmos ya existentes.
Ser en los pasillos en donde nos encontremos con problemas para definir los puntos
base. Si se utiliza el centroide del pasillo como punto base nos encontramos con
distancias redundantes que pueden ser incluidas en las distancias calculadas entre las
instalaciones. Por ejemplo considerando que se recorre el camino P(3-a-c-d-10) como
uno de los caminos entre las actividades 3 y 10. El otro camino (2-a-b-d-10) podra
ser considerado tambin aunque en nuestro ejemplo se ha omitido por simplificar. El
camino correcto de P debe ser el mostrado en lnea continua (azul) en la figura
anterior y la longitud del mismo deber servir para calcular la distancia entre las
instalaciones 3 y 10. Un error se aade cuando el centroide del pasillo se usa como
punto base ya que tal y como se aprecia en la figura aparecen distancias redundantes,
mostradas en lnea de puntos, que son incluidas en el clculo. Este error hace que la
Pg. 208 de 337

longitud de los tramos (3-a), (a-c), (c-d) y (d-10) del grafo de adyacencia se calculen
de forma errnea (no real).
Figura 3.50: Definicin correcta de los puntos base para los pasillos horizontales.
Para intentar evitar este error los puntos base de los pasillos horizontales y
verticales, en un primer paso, se definen como sigue: para los pasillos verticales, se
utiliza el centroide de los mismos, pero para los pasillos horizontales las coordenadas
y- y x- del punto base son calculada como la coordenada vertical del centroide para la
coordenada y- y como (xi + xp)/2 para la coordenada x-, donde xi y xp representan la
coordenada x del centroide de la instalacin y del pasillo respectivamente. Por
ejemplo la coordenada x ( x ap1 ) del punto base para el pasillo horizontal (a1) se calcula
como el punto medio horizontal entre la actividad 3 y el pasillo vertical (b). La

coordenada y ( y ap1 ) se calcular como la coordenada y del pasillo horizontal (a1) tal y
como se puede apreciar en la figura. En la figura 3.50 se puede ver un ejemplo de

definicin de puntos base para pasillos horizontales y en la figura 3.51 se muestra el
correspondiente grafo de adyacencia.
Pg. 209 de 337

a1 a2
a3
b c
d3
d1 d2
10
Figura 3.51: Grafo de adyacencias modificado.
3.6.13.2. Caso de Planta con varios niveles.
En el caso de que la distribucin que se deseara realizar estuviera localizada

en varios niveles, se considera que estos distintos niveles estn enlazados por
ascensores o montacargas, por lo que al pasar de un nivel a otro deberemos incorporar
a los caminos recorridos y distancias, las correspondientes al cambio de nivel que ser
en el caso general la distancia que existe entre uno y otro nivel.
As la ecuacin de distancia rectilnea enunciada para el problema en una

nica planta d (i, j ) = xi - x j + y i - y j se convierte en:
{ }
d (i, j ) = min l xi - N lx + y i - N ly + x j - N lx + yi - N ly + z i - z j (3.50)
para varios niveles de planta, donde
- xi, yi y zi son las coordenadas x, y y z de la actividad i.
- xj, yj y zj son las coordenadas x, y y z de la actividad j.
- N lx , N ly son las coordenadas x e y del montacargas l.
Pg. 210 de 337

Pero de igual manera que en el problema de un solo nivel esta mtrica nos
servir igual cuando los movimientos de mercancas se realizan por medio de
pasillos.
Para solucionar el caso de los varios niveles se ubicarn las coordenadas de

los montacargas poniendo en estos los denominados puntos de control o puntos
base por los que deber pasar la trayectoria de las mercancias y se aadir al
recorrido calculado por la mtrica el trayecto estimado para comunicar una planta con
la otra. Esta distancia entre plantas deber estar determinada con anterioridad ya que
en el caso mas general no ser una distancia solo en vertical sino que las mercancas
pueden ser transportadas por medio de sistemas de manutencin muy diversos
haciendo recorridos mucho mas largos que la simple verticalidad.
3.6.13.3. Caso general implementado.
Con la implementacin planteada se mejora el calculo de distancias pero no se

soluciona del todo y el problema persiste en varios aspectos ya que debemos
distinguir entre los pasillos con recorridos horizontales y verticales ya que, tal y como
se ha dicho, los puntos base se calculan de diferente forma, adems cmo hacemos si
tenemos pasillos que no son ni horizontales ni verticales?,
Por este motivo en una segunda etapa del trabajo, ante los problemas que esta
implementacin planteaba, y para solventar de una vez el problema de la mtrica en
el caso de problemas de distribucin en planta mas generales con actividades
comunicadas por medio de pasillos, se decide una apuesta novedosa pero que a su vez
se mostr realmente eficiente: se plante el dividir los pasillos en subtramos de
manera que la implementacin final de distancias se pudiera hacer de la siguiente
manera:
a) En el interior de las instalaciones la distancia puede calcularse segn varias

mtricas (eucldea, si se puede transitar por la estancia, rectilnea, de contorno,
) seleccionable previamente por el usuario antes de ejecutar el algoritmo.
Dispondremos as de una distancia interior de la actividad hasta llegar al punto
del contorno de la misma que se usar como punto de partida para el siguiente
tramo del camino a recorrer. El trabajar as permite partir de un centroide que
represente a la actividad y disponer se uno o varios puntos perifricos desde
Pg. 211 de 337

donde salir/entrar a la actividad (lo que denominaremos puertas). Estas puertas

situadas en el contorno actuaran como puntos base para el clculo de recorridos y
distancias.
b) Toda puerta da a un pasillo (real o ficticio, este ultimo en el caso de
instalaciones adyacentes con una puerta comn que las comunica directamente)
enlazndose el punto base de la puerta con el eje del pasillo con una distancia
mnima (la perpendicular al eje) que ser considerada siempre como la mitad del
ancho del pasillo.
c) En el punto del eje del pasillo ms prximo a la puerta se crea un punto base
ficticio (temporal) de donde partir el recorrido del camino a realizar por los
pasillos.
d) Los pasillos se parten en tramos segn los nodos que son las intersecciones de los
distintos pasillos, utilizando como puntos base los extremos de estos tramos, en
lugar de los centroides.
e) Se busca el mnimo camino, con el Algoritmo de Dijkstra, recorriendo estos
puntos base hasta llegar a la actividad destino donde se har lo mismo que en la
actividad de partida (nodo ficticio en el pasillo, nodo en puerta y distancia en el
interior de la actividad).
Para permitir una configuracin final que se ajuste a las necesidades de cada
caso segn el inters de los clculos a realizar se ha considerado interesante el dividir
el clculo de distancias en tres partes por separado:
1. Distancia interna en la actividad, que puede ser calculada o no ya que podra ser de
inters el partir desde la puerta y no desde el centroide.
2. Distancia entre la puerta y el eje del pasillo, al igual que la distancia anterior
tambin podra resultar que en algn caso se quisiera prescindir de estas distancias
ya que el la mayora de los casos son despreciables con respecto a las distancias a
lo largo de los pasillos.
3. Distancias a lo largo de los pasillos recorriendo los subtramos entre los nodos
situados en los extremos de los mismos, salvo en los tramos de partida y de llegada
que se recortan tomando la distancia entre el nodo mas prximo y el nodo ficticio
creado enfrente a la puerta de la actividad.
Pg. 212 de 337

En el caso de problemas con varios niveles tan solo deberemos aadir en la

implementacin entre las etapas d) y e) un nueva que sea el poner tramos que
representen las comunicaciones entre los distintos niveles.
Asimismo los pasillos se particionarn en subtramos tal y como se indicaba en la

etapa e) anterior, poniendo nodos extremos, considerando ahora tambin los
enlaces con los elevadores.
En las representaciones se ponen los enlaces verticales en las mismas coordenadas

x e y, suponiendo que se tratan de montacargas o ascensores, cambiando tan solo la
cota z, pero en la practica estos sistemas pueden ser rampas o escaleras y en estos
casos no coincidiran las coordenadas x e y de partida con las de llegada, cosa que
no ofrece ningn problema y en todo caso da mas posibilidades al planteamiento
de solucin ofrecido ya que en el caso general de sistemas de manutencin y
transporte nos permitira ubicar la salida y llegada en el punto deseado(siempre
que fuera factible) y tan solo deberemos tener en cuenta la distancia real entre el
punto de partida y de llegada de este tramo que salva distancias en z. Esta distancia
en nuestro caso aparece como la diferencia de cotas entre los distintos niveles pero
en el caso general corresponder a la distancia recorrida en la rampa, escalera,
cinta transportadora, montacargas, pero invariable (ya que tiene una geometra
fija.
Por eso en lo que a la configuracin final se refiere se replantea tambin el clculo de

distancias con un cuarto tipo de distancia:
4. Distancias entre distintos niveles a lo largo de los sistemas de manutencin

(montacargas, elevadores, cintas transportadoras, ), rampas y/o escaleras desde
el punto de enlace con los pasillos y/o actividades de cada nivel.
Lo que al final se ha conseguido con estas implementaciones es conseguir una

mtrica hibrida que permita calcular una distancia ms real que las que se vienen
aplicando de forma general con el uso de una mtrica de forma exclusiva, lo que si
bien tal y como se vio en la figura 1.1 (Konz 2004) puede no resultar de gran
importancia en los resultados cuantitativos obtenidos por la aplicacin final de los
algoritmos, si que aportar un paso ms hacia la realidad de nuestras plantas y
ayudar a convencer a los ingenieros (decisores) en el uso ms confiados de aquellos.
Pg. 213 de 337

Adems al haber puesto la necesidad de usar los denominados Puntos de Paso,

Puntos Base o Puntos de Referencia lo que se ha solventado para algunos casos
de forma muy sencilla la posibilidad de que los algoritmos de distribucin en planta
desarrollados normalmente para problemas monoplanta puedan ser utilizados con
muy pocas variaciones en instalaciones que cuenten con ms de un nivel (sean o no
estas iguales), cosa que normalmente nos ocurre en la mayor parte de las instalaciones
industriales. As nos encontramos con que las implementaciones desarrolladas pueden
ser utilizadas con apenas modificaciones en problemas 2D, 2D1/2 e incluso 3D y lo
que por otro lado pudiera ser no menos importante, se pueden hacer visibles las
trayectorias lo que evita incertidumbres y da confianza en las decisiones que se deben
tomar.
3.7. APORTACIONES DE LA COMPUTACIN GEOMTRICA.
Planteados algunos de los problemas geomtricos que pueden presentarse a la

hora de modelar y resolver el problema de las distribuciones de instalaciones en
plantas industriales y propuesto el uso de los recursos que nos ofrecen los entornos de
los sistemas de dibujo asistido por ordenador y su programacin (utilizando
directamente los motores grficos que ofrecen estos entornos) a la hora de resolver el
encontrar resultados adecuados a estos problemas, se puede afirmar que tras los
resultados obtenidos mediante el uso de esta metodologa favorecen el enfrentarse a
casos reales y dan resultados, que desde el punto de vista de la ingeniera y de la toma
de decisiones que esta conlleva, son mas correctos que los ofrecidos por los sistemas
que no recurren a este tipo de implementacin.
Se ha visto que los problemas de forma se pueden abordar con modelados

continuos que reproducen fielmente las instalaciones con las que se pretende trabajar.
Permite utilizar ademas de las nuevas instalaciones, las instalaciones ya existentes y
otro tipo de elementos que aparecen en las plantas y que nos condicionan como
obstculos (columnas, sumideros y tapas de alcantarillas, cuadros elctricos, tomas
de incendios, ) a la hora de posicionar aquellas.
Se ha ttrabajado en el mbito de las entidades graficas con entidades

superficiales implementadas como Regiones (entendiendo que de igual modo estas
podran ser sustituidas en un futuro por entidades 3DSolid en implementaciones 3D
Pg. 214 de 337

reales) para las reas de las instalciones a implantar y entidades lineales de curvas
implementadas como entidades Polilineas para las fronteras de las instalaciones.
3.7.1. Modelado propuesto.
Vistos los distintos tipos de modelado que se pueden utilizar para abordar la
bsqueda de soluciones para el problema propuesto de distribuciones en planta vamos
a ver en este apartado el modelado propuesto para este trabajo en el que se ha
pretendido aplicar las tcnicas DAO a la resolucin del mismo.
La hiptesis de la que se ha partido ha sido la siguiente: es posible utilizar los

motores grficos que ofrecen los entornos de DAO para abordar la solucin a
problemas geomtricos que aparecen en el modelado de las distribuciones en plantas
industriales. O dicho de otro modo, se pretende ver la posibilidad de utilizar los
recursos que los motores geomtricos de los entornos DAO nos ofrecen para abordar
la resolucin algunos de los problemas que los entornos no grficos tiene que abordar
de una forma algebraica y no geomtrica, aplicando eta posibilidad a la solucin de
los problemas de distribucin en plantas industriales. Se debe verificar si se puede
trabajar con entidades grficas y geomtricamente definidas y si se pueden
implementar algunas rutinas o programas que permitan automatizar algunas tareas
geomtricas de forma que se encuentren soluciones a algunas de las cuestiones que se
plantean en el problema original. De esta manera en los entornos DAO se trabajar
con entidades del tipo superficial como puedan ser la Regiones y entidades lineales
como puedan ser las Polilneas, en los entornos grficos que estos programas ofrecen
y se implementarn algunas rutinas que permitan de forma geomtrica hallar
soluciones de igual manera que se hara con una construccin puramente grfica
dejando de lado en cierta medida los clculos algebraicos que tan liosos resultan.
Se plantear tambin en este entorno de trabajo el implementar la posibilidad

de que las entidades graficas con las que se trabaja incorporen metadatos o lo que se
denomina en algunos entornos grficos datos extendidos, que posibiliten el que no
solo se tenga que trabajar con los datos puramente geomtricos, que se puedan sacar
de propia definicin como puedan ser el rea, la forma, el permetro, la posicin,
coordenadas, , sino que en las entidades con las que se trabaje se puedan
incorporar otros datos a mayores como: identificadores, pesos, flujos, y, en general,
otras caractersticas no geomtricas.
Pg. 215 de 337

En el caso implementado el entorno DAO en el que se ha trabajado ha sido el

AutoCAD (en sus ltimas versiones) en el que se han realizado rutinas en su propio
entorno de programacin de Visual Lisp (entorno de programacin basado en
lenguaje de inteligencia artificial que ofrece gran velocidad en el procesado de
entidades y datos geomtricos y que se puede interpretar y compilar en el entorno de
ACAD). Adems del entorno DAO facilitado por el AutoCAD, como programa
externo al mismo se ha recurrido al MS-EXCEL para facilitar otro tipo de entorno
que se podra definir como ms clsico en el que se puedan introducir, procesar y
recibir datos tanto por los usuarios como por otros programas como el propio entorno
de DAO con el que se trabaja. Se ha mantenido una va de comunicacin
bidireccional abierta entre ambos sistemas el de datos el de la Hoja de Clculo y el de
DAO.
Dentro de los recursos implementados para facilitar las tareas se pueden citar
algunos como:
- Rutinas que incorporan rdenes que permiten la comunicacin entre los dos
entornos: el grafico del motor de DAO y el no grafico de la hoja de clculo.
Estas debern permitir:
o Enviar dados desde el DAO a la hoja de clculo.
o Enviar dados desde la hoja de clculo al entorno de DAO.
o Mandar Ejecutar macros en el EXCEL desde el entorno DAO.
o Consultar datos de la hoja de clculo desde el entorno DAO.
o Rutinas de conversin de datos (tipo de dato, precisin, )
- Rutinas graficas que realizan tareas geomtricas como:
o Determinar la caja de abarque de regin (rectngulo que tiene sus
vrtices con las mximas y mnimas coordenadas X e Y de la misma).
o Determinar la mnima caja de abarque de una regin reorientando
esta.
o Lo que se ha venido a llamar el deslizamiento magntico que consiste
en situar una regin sobre otra y que se desplace hasta situarse fuera de
la misma sin solapamiento alguno, de forma que quede tangente a la
ya situada. El nombre de deslizamiento magntico se debe a que el
comportamiento es semejante al de un imn que se sita sobre otro con
los polos enfrentados deslizndose uno sobre el otro por efecto de la
Pg. 216 de 337

repulsin entre los polos magnticos hasta salir de la superficie del

mismo.
o Determinar la envolvente convexa (de forma similar a lo que se hace
el geometra computacional con conjunto de puntos) de varias
regiones.
o Determinar distancias entre actividades utilizando mtricas hibridas
segn las zonas por las que deben pasar las mercancas.
o Hallar reas ocupadas por las distintas actividades.
o Procesar las polilneas de las fronteras de las actividades para permitir
interpretar las distintas zonas con distintas caractersticas que estas.
- Rutinas algortmicas de bsqueda y posicionamiento de instalaciones. Aunque
se ha trabajado recurriendo a algortimos implementados en el exterior y
recibiendo por tanto datos de posicionamiento que vienen dados como
resultado de la ejecucin de estos programas de bsqueda heurstica, se debe
disponer tambin de alguna funcin extra que coloque la instalacin en el
lugar correcto y con la orientacin adecuada, verificando que su
posicionamiento sea correcto.
- Rutinas de consulta y comunicacin con el usuario para poder verificar la
distribucin propuesta y para permitir, en la medida de lo posible
modificaciones puntuales informando sobre el posible coste en optimizacin
que esa modificacin conllevar.
- Rutinas que permitan procesar en el entorno DAO los metadatos que en este
caso al trabajar con AutoCAD se refieren a los XDATA o LDATA que sern
etiquetas (no visibles) con datos que se cuelgan a las entidades grficas
representadas. Entre otras cosas estas deben permitir:
o Introducir datos nuevos en las entidades grficas
o Borrar datos existentes en las entidades grficas.
o Consultar datos existentes en las entidades grficas.
o Extraer datos existentes en las entidades grficas
o Sustituir datos existentes en las entidades grficas.
o Buscar datos en un conjunto de entidades seleccionadas.
o Localizar entidades con algn dato especfico.
o Visualizar alguno de los datos existentes en las entidades grficas.
Pg. 217 de 337

El tipo de actividades que queremos implantar podrn tener forma totalmente

definida y determinada o por el contrario venir dada tan solo por un espacio solicitado
para poder realizar una tarea.
En el caso de que la actividad no se encuentre definida geomtricamente y se

disponga tan solo del dato de requerimiento del rea se recurrir a utilizar una regin
rectangular que en general se adapte al espacio disponible intentando que su forma se
ajuste a los requerimientos limitativos de compacidad y robustez.
Una vez visto que las implementaciones realizadas en el entorno de trabajo

(que en este caso ha sido AutoCAD) resultan adecuadas para plantear ciertos
problemas de componente geomtrica y permiten encontrar soluciones adecuadas
bajo un planteamiento puramente geomtrico que complementan a los programas y
rutinas ya desarrolladas, con planteamiento puramente algebraicos, se puede afirmar
que la metodologa propuesta, de realizar sistemas hibridos que utilicen las ventajas
de ambos mundos, el algebraico ya muy desarrollado por el gran nmero de trabajos
anteriores y el geomtrico utilizando los motores grficos que aportan los sistemas de
dibujo asistido por ordenador, resulta factible y ventajoso y muestra un nuevo camino
que debe ser desarrollado y ampliado para seguir avanzando en la bsqueda de
soluciones realistas a los problemas de distribucin en planta de instalaciones
industriales.
Pg. 218 de 337

CAPTULO 4
MODELO PROPUESTO PARA

INCORPORAR PASILLOS
Pg. 220 de 337

CAPTULO 4
El Universo es un libro escrito en lenguaje matemtico,

siendo sus caracteres tringulos, crculos y otras figuras geomtricas,
sin las cuales es imposible comprender una sola palabra;
sin ellos slo se conseguir vagar por un oscuro laberinto.
Galileo Galilei (1564-1642),

astrnomo, filsofo, matemtico y fsico italiano.
4. MODELO PROPUESTO PARA INCORPORAR PASILLOS.
4.1. INTRODUCCION.
Tal y como ya se coment en el Captulo 1, como primer objetivo del trabajo

es resolver el problema de distribucin en planta de instalaciones industriales
intentando que estas se parezcan lo mximo posible a las instalaciones finales y en
muchos casos estas instalaciones se encontrarn interconectadas por pasillos. En este
problema se consideran disponibles las informaciones de un conjunto de
instalaciones, en relacin a las dimensiones y forma de las mismas. En la Tabla 4.1 se
presentan para cada instalacin el rea y las razones de forma mnima y mxima que
deben ser consideradas. Tales instalaciones debern estar dispuestas en un rea
previamente definida.
reas Razn de forma

Instalaciones (m2) Lmite Inf. Lmite Sup.
1 100 0,70 1,00
2 80 1,00 1,00
3 50 0,70 1,30
4 60 0,50 0,80
5 120 0,90 1,00
6 40 0,60 1,00
Tabla 4.1: reas y restricciones geomtricas por instalacin.
Pg. 221 de 337

Adems de esas informaciones tambin ser necesario conocer los datos

referentes a los flujos de produccin que deben ser considerados entre cada par de
instalaciones, tal y como se muestra en la Tabla 4.2.
Instalaciones Destino
Origen 1 2 3 4 5 6
1 0
2 5 0
3 2 3 0
4 4 0 0 0
5 1 2 0 5 0
6 0 2 0 2 10 0
Tabla 4.2: Matriz simtrica de flujos de produccin para seis instalaciones.
El problema conforme presentado tiene incialmente dos objetivos que debe atender:
minimizar las distancias entre las instalaciones con objeto a reducir el

momento de transporte;
maximizar el cumplimiento de la razn de forma dentro de los intervalos
ofrecidos en el problema.
Para atender tales objetivos, se procurar situar, en la medida de lo posible,

espacios para las instalaciones, de modo que las instalaciones con grandes flujos entre
si sean colocadas prximas, despus de que satisfagan las restricciones de rea y de
forma.
Para el clculo del momento de transporte, se deben utilizar las distancias

recorridas entre las instalaciones. Obsrvese que el flujo entre instalaciones solo
podr ocurrir de modo directo, entre instalaciones adyacentes. Para el caso de que las
instalaciones no sean adyacentes, el transporte deber ocurrir irremediablemente a
travs de pasillos.
4.2. FORMULACION MATEMTICA DEL PROBLEMA.
El problema de ubicacin de instalaciones se formula del siguiente modo:
n n
min F = v
i =1 j =1
ij d ij (4.1a)
s. a ai [ aimin , aimax ] (4.1b)
Pg. 222 de 337

en donde:
vi j - flujo entre las instalaciones i y j;
di j - distancia mnima entre los centroides de las particiones de las
instalaciones i y j;
ai - razon de forma de la particin situada en la instalacin i;
aimax - lmite superior de ai ;
i
a min - lmite inferior de ai.
En (4.1a), F mide el momento de transporte, definido por el sumatoria de los

productos de la distancia mnima dij por el flujo vij entre dos instalaciones. En la
ecuacin (4.1b), cada instalacin se limita por una razn de forma definida por:
longitud de la particin de instalacin i

ai = (4.2)
anchura de la particin de instalacin i
El problema nos da tal parmetro a travs del intervalo [aimin, aimax] donde
estos valores representan los lmites superior e inferior de la razn de forma, para la
instalacin i (ver los datos de la tabla 4.1). Se pueden restringir las instalaciones
clasificndolas en dos categoras: con orientacin libre o fija. La orientacin libre
significa que la instalacin puede ser situada de ambas formas: horizontal o vertical.
Para estas instalaciones, sus razones de formas pueden asumir valores tales como ai o
1/ai. As, el intervalo viable de la razn de forma para orientacin libre se convierte
en:
ai [ aimin , aimax ] [1/ aimax , 1 / aimin ] (4.3)
El intervalo de la razn de forma representa la restriccin impuesta por el tipo

de trabajo realizado en cada instalacin. Segn Heragu y Kusiak (1988) en un entorno
dedicado a la fabricacin o, lo que es lo mismo, en instalaciones industriales, cada
instalacin puede representar una clula de fabricacin o una imagen (conjunto) de
como las mquinas se situan en las clulas.
4.3. METODO DE RESOLUCION PROPUESTO.
En la solucin del problema de distribucin en planta de instalaciones, cuando

se consideran reas diferentes, el nmero de posibilidades de ubicacin de las reas
Pg. 223 de 337

crece muy rpidamente con el nmero de instalaciones consideradas. Se puede, aun,

decir que existen varias distribuciones fsicas ptimas locales que son pobres
comparadas con la distribucin en planta ptima global. Para resolver tales
problemas, se espera que un mtodo de bsqueda en paralelo, presente un resultado
mejor que las bsquedas estrictamente en series, y que los mtodos de bsqueda
aleatorios sean mejores que los algoritmos greedy (golosos) y algoritmos de
bsqueda enumerativa. Los algoritmos genticos presentan las ventajas de ambos
atributos: bsqueda paralela y heurstica estocstica (Tate y Smith, 1995a).
Para abordar el problema de la distribucin en planta de instalaciones, con

modelado matemtico ya previamente definido, se han buscado y encontrado en la
literatura, algunos resultados obtenidos por distintos mtodos posibles: algoritmo
gentico (Tam, 1992b), simulated annealing (Tam, 1992a) y bsqueda tab (Furtado
y Lorena, 1997) que nos permitirn el poder comparar si los resultados obtenidos por
nuestras implementaciones son o no vlidas. Debe decirse que se han elegido estos
ejemplos, y no otros, porque son casos muy citados por otros autores (por lo que
pueden ser considerados de alguna manera como referentes) y por tener unas
dimensiones adecuadas para el trabajo planteado (ejemplos de 12, 15, 20 y 30
instalaciones). Tales resultados se presentan a continuacin en las siguientes tablas.
Instalaciones
N 12 15 20 30
Mn. 6390,34 10000,08 26098,39 47483,72
Mx. 6933,75 10582,82 27304,41 49484,15
Media 6725,28 10332,54 26746,80 48444,22
Desv. standar 166,83 167,04 423,45 530,88
Tabla 4.3 Momentos de transporte obtenidos utilizando el algoritmo gentico para

problemas con 12, 15, 20 y 20 instalaciones por Tam (1992a)
Instalaciones
N 20 30
AS HC BC AS HC BC
Mn. 25779,53 28869,18 25749,46 47422,30 54819,84 46238,23
Mx. 27705,76 32295,95 29321,18 49125,60 58615,45 50589,75
Media 26423,04 29719,38 27144,74 48350,60 56446,23 49456,66
Desv. standar 562,03 1156,80 1180,85 542,51 1162,79 798,63
Tabla 4.4 Momentos de tran sporte obtenidos utilizando simulated annealing para
problemas de 20 y 30 instalaciones por Tam (1992b)
Pg. 224 de 337

en donde tenemos que:
AS algoritmo de simulated annealing;

HC algoritmo straightforward hillclimbing;
BC algoritmo HC modificado (considerando el punto de partida de la
bsqueda en una vecindad);
Instalaciones
N 12 15 20 30
Heurstica 1 10082,00 15356,00 25426,00 52130,00
Heurstica 2 10349,60 15450,40 26252,00 54381,20

Heurstica 3 10166,00 14842,00 26650,00 53104,00
Tabla 4.5 Momentos de transporte obtenidos utilizando algoritmo de bsqueda tab

tras 150 iteraciones por Furtado y Lorena (1997)
Las heursticas utilizadas por Furtado y Lorena (1997), presentadas en las

tablas 4.5 y 4.6, son para obtencin del rbol binario (solucin inicial). Tales procesos
corresponden a:
Heurstica 1 utilizando el mtodo de agregacin de Andeberg (1973);
Heurstica 2 utilizando un procedimiento aleatorio;
Heurstica 3 utilizando un mtodo de agregacin y movimientos caracterizado por

el cambio de nudos internos y de hojas.
Instalaciones
N 12 15 20 30
Heurstica 1 9980,00 15218,00 25232,00 48304,00

Heurstica 2 10130,40 15375,20 25363,60 49669,20
Heurstica 3 9988,00 14786,00 26156,00 53976,00
Tabla 4.6 Momentos de transporte obtenidos utilizando algoritmo de bsqueda tab

tras 150 iteraciones por Furtado y Lorena (1997)
A continuacin se presentar en la figura 4.1 la estructura del modelo

propuesto para la solucin del problema de distribucin en planta de instalaciones:
Pg. 225 de 337

Fase I Fase II
(a) (b)
Generacin Obtencin del

de la rbol de Corte Localizacin
Estructura de o de los
rbol de Estructura de Pasillos
Corte Corte
Figura 4.1: Estructura de funcionamiento del modelo propuesto.
El modelo propuesto por ser un mtodo de mejora, tiene dos pasos distintos.
En el primer paso se busca una solucin inicial (a), que es la generacin de la
estructura de rbol de corte. Posteriormente, en un segundo paso a travs de un
algoritmo de bsqueda, que en el modelo fue usado el algoritmo gentico, se procura
mejorar la solucin inicial obteniendo un rbol de corte optimizado (b) para el
problema sin pasillos.
Se dividi el modelo en dos fases ya que esto se hizo necesario para mejorar
su desarrollo ya que en una en las pruebas preliminares en una sola etapa el problema
se haca prcticamente irresoluble al crecer el nmero de instalaciones (ver apartado
4.4). En la primera fase el problema se trata el problema sin considerar la existencia
de pasillos y se utilizan las distancias euclidianas o rectangulares. En la segunda fase,
el mtodo, a travs del algoritmo gentico, hace una bsqueda de una solucin
optimizada ahora con pasillos. En este caso, utilizando ya distancias por pasillos (con
puntos de control).
Estos procedimientos de solucin del modelo propuesto sern ahora

presentados con mayor detalle.
4.3.2. Algoritmo de bsqueda gentica.
Debemos considerar que, de los trabajos presentados en la literatura con el

objetivo de resolver problemas de distribucin en planta utilizando algoritmos
genticos, apenas dos se preocupan del rea de las instalaciones, (Tam, 1992) y (Tate
y Smith, 1995b). Mientras que por otro lado muchos otros trabajos encontrados tratan
el problema sin tener en cuenta el rea de las instalacin, tales como: Gupta et al.
Pg. 226 de 337

(1996), Gen et al. (1995), Suresh et al. (1995), Tate y Smith (1995a), Joines et al.
(1994), Chan y Tanski (1994) y muchos otros.
Tal y como se vio en el captulo 2 el algoritmo gentico es una tcnica de

optimizacin a travs de bsquedas heursticas que imitan el proceso evolutivo
biolgico de seleccin natural. Fue desarrollado por Holland (1975). Los algoritmos
genticos combinan la nocin de supervivencia de los ms adaptados, en una
bsqueda estructurada, aunque con cierta componente de aleatoriedad, con evaluacin
paralela de los nudos en el espacio de bsqueda. Los algoritmos genticos se han
aplicado con suceso en varios problemas de optimizacin tales como el problema del
cajero viajante, en problemas similares a los problemas de distribucin en planta de
instalaciones, en problemas de empaquetamiento de polgonos (Jakobs, 1996),
adems de estudios en problemas especficos de optimizacin de funcin no lineal
mixta (Yokota et al., 1996) y entera binaria (Yokota et al., 1995). un algoritmo
gentico consiste en la representacin a travs de una string denominada cromosoma,
donde cada componente representa un gen del nudo en un espacio de bsquedas
(poblacin), una funcin de forma (fitness) para evaluar los nudos investigados, y un
parmetro estocstico para controlar la aplicacin de los operadores genticos (Chan
y Tanski, 1994).
Presentamos a continuacin la estructura de un algoritmo gentico utilizado

por Mayerle (1997) que difiere de las estructuras ms generales presentadas en Davis
(1991). Tal estructura presenta los siguientes pasos:
Generar una poblacin inicial

Evaluar el fitness de los individuos de la poblacin
Repetir
Seleccionar padres de la poblacin
Efectuar el cruzamiento entre los padres
seleccionados
Eventualmente realizar una mutacin en los
descendientes generados
Evaluar el fitness de los descendientes generados
Sustituir algunos individuos de la poblacin(o
todos) por los descendientes
Hasta que
se haya encontrado una solucin satisfactoria
Pg. 227 de 337

La implementacin de este algoritmo se compone de las siguientes etapas:
definicin de una estructura de cromosomas a travs de una cadena (string)

compuesta de nudos (genes);
definicin de una funcin para evaluacin del fitness de los cromosomas, que
mide la capacidad de adaptacin al medio ambiente;
definicin del proceso de seleccin natural;
definicin del proceso de reproduccin de cromosomas realizado por la
operacin de entrecruzamiento (crossover);
definicin del proceso de mutacin de cromosomas.
As, para resolver un problema a travs del algoritmo gentico, se deben crear
las estructuras que lo componen. Tales estructuras son necesarias y de ellas depende
la velocidad del mtodo. Por lo tanto la eficiencia del mtodo es directamente
proporcional a la complejidad propuesta en la evaluacin del fitness, y de los procesos
de reproduccin y mutacin, que deben contener tan solo operaciones elementales. El
desafo en la aplicacin de los algoritmos genticos est en codificar las soluciones a
travs de cadenas (strings) de tamao limitado, y que mantienen las caractersticas del
problema original.
Se presentan a continuacin las definiciones y los pasos necesarios para la

implantacin del algoritmo gentico para el modelo propuesto.
4.3.3. Estructura del cromosoma.
4.3.3.1. Codificacin de una solucin.
Una distribucin en planta de instalaciones tendr como representacin

geomtrica una figura rectangular que corresponde al rea de la construccin
subdividida en reas menores, que son las instalaciones. La forma rectangular es la
ms comn. La forma final encontrada se denomina estructura de corte (slicing
structure) y se obtiene por el particionamiento recursivo en rectngulos menores. La
figura 3.2 muestra una estructura de corte con seis instalaciones.
Pg. 228 de 337

Figura 4.2: Una estructura de corte con seis instalaciones.
La estructura de corte tiene una representacin equivalente que es el rbol de

corte (sclicing tree); para el ejemplo de la figura 4.2, se presentada el rbol de corte
correspondiente en la figura 4.3.
Figura 4.3: Un rbol de corte con seis instalaciones
El rbol de corte es un rbol binario que muestra el proceso de

particionamiento recursivo que genera la estructura de corte. Cada nudo del rbol
contiene una letra que representa el tipo de particionamiento (corte) que ser
realizado, y un nmero que indica el orden de agrupamiento. Los nmeros de los
nudos terminales indican las instalaciones. Como muestra la figura 4.3, los cortes que
sern realizados siguen los niveles del rbol.
Pg. 229 de 337

Manteniendo esta estructura de rbol fija y alterando el corte de un nudo, se

tiene una distribucin en planta diferente, como muestran los ejemplos de las figuras
4.4a y 4.4b.
Figura 4.4a: Una secuencia de rbol de corte y estructura de corte correspondiente
Figura 4.4b: Una secuencia de rbol de corte y estructura de corte correspondiente
El rbol de corte ser representado por una string (una solucin) compuesta
por letras y nmeros. Las letras representan los tipos de cortes, y pertenecen al
conjunto {U, R, B, L, U*, R*, B*, L*}, donde U significa corte encima de la
instalacin, R significa corte a la derecha de la instalacin, B significa corte
debajo de la instalacin, L significa corte a la izquierda de la instalacin. Para la
representacin de pasillos los nudos de cortes estn sealados con un asterisco en sus
funciones. Adems de indicar el corte entre instalaciones deben indicar la existencia
de pasillos entre ellas, si fuera el caso. Para hacer esto, se utiliza la letra marcada con
un asterisco (*).
Pg. 230 de 337

a) b)
Figura 4.5: Ejemplos de rbol de corte y estructura de corte correspondiente

representando tipos de cortes: (a) sin pasillos y (b) con pasillos.
La cadena (string) que representa el rbol de corte est compuesto por los
nudos del rbol en orden inverso. Por ejemplo para el rbol de corte de la figura 4.3,
la string ser 43L21RB65RU. Esta representacin es idntica al orden utilizado en las
expresiones aritmticas entre operandos y operaciones, de acuerdo con la notacin
polaca, donde las instalaciones son los operandos y los smbolos de corte las
operaciones. Se observa que dos rboles son idnticos si, y solo si, sus estructuras de
rbol de corte y strings son iguales (Tam, 1992b).
Pg. 231 de 337

Aunque parezca redundante tener dos operadores (tipos de corte), U y B en el

caso de cortes horizontales y L, R en el caso de cortes verticales, en vez de uno para
cada dimensin, su uso se justifica por la necesidad de mantener el orden en los
operandos (instalaciones). Tal como se puede observar en la figura 4.6 para el caso de
12U y 12B apenas se usa 12H. Luego, para mostrar el cambio ocurrido de 12U para
12B, utilizando tan solo el corte H, se debe expresar el cambio variando el orden de
los nmeros (instalaciones), con la siguiente correspondencia, 12H a 12B y 21H a
12U respectivamente.
Figura 4.6: Ejemplos de rboles de corte y estructuras de corte

correspondientes utilizando slo dos operadores
Con esto los operandos (instalaciones) no sufren alteraciones en la string, no

siendo necesaria su inclusin. Con esto el rbol de corte mostrado en la figura 4.7
puede ser representado por la string LRBRU al revs de 43L21RB65RU (Tam, 1992).
Pg. 232 de 337

Figura 4.7: Una estructura de rbol de corte.
El espacio S de todas las distribuciones fsicas de instalaciones est formado,

por lo tanto, por el conjunto de todos los rboles de corte "s" obtenidos a travs de la
combinacin de los cortes en una estructura de rbol de corte. As, cada elemento s
S tiene la misma estructura de rbol de corte (ver figura 4.7), difiriendo tan solo en
los tipos de cortes.
Dada una estructura da rbol de corte, se observa la siguiente equivalencia en

las representaciones:
Estructura del rbol de Corte + String
rbol de Corte
Estructura de Corte
Distribucin en Planta
Pg. 233 de 337

En la terminologa de los algoritmos genticos, se utiliza el trmino

cromosoma para designar una string. En este problema el cromosoma es generado a
partir del conjunto de cortes {B, U, R, L, B*, U*, R*, L*}n-1 donde n es el nmero de
instalaciones. La dimensin del espacio solucin resultar ser de 8n-1.
Segn Tam (1992b) la representacin propuesta satisface los dos principios

bsicos propuestos por Goldberg (1989) y Konz (2004) que son: construccin de
bloques representativos y alfabeto mnimo.
4.3.3.2. Construccin de una estructura de rbol de corte.
La formulacin del problema se basa en una estructura de rbol de corte fija.

Para determinar tal estructura se utiliz la tcnica de anlisis de agrupaciones
(cluster) que agrega las instalaciones a los pares, segn los flujos existentes entre
ellas. Anderberg (1973) desarroll varios mtodos de anlisis de clases tales como:
ligaciones simples (single linkage), ligaciones completas (complete linkage) y
ligaciones densas (density linkage), que se encuentran en paquetes estadsticos tales
como, SAS, SPS, STATISTICA y otros.
El objetivo del anlisis de clases es descubrir grupos naturales de tems (o

variables). Inicialmente se define una escala cuantitativa en la cual se mide la
asociacin (o similitud) entre objetos. Para este problema Tam (1992b) propone que
se obtenga una matriz simtrica D de distancias a partir de la matriz de los flujos, que
se da en el problema. Por tanto, se utiliza la expresin:
dij = 1 / [1 + (vij + v ji )] (4.4)
donde vij y vji son los flujos de la instalacin i hacia j y de j hacia i, respectivamente.
Para cada par de instalaciones i y j, su distancia dij se almacena en una matriz
simtrica de distancias que ser utilizada en el anlisis de clases para crear el
dendograma.
Para realizar el agrupamiento de N objetos en clases, Andeberg (1973)

propone el siguiente algoritmo bsico, denominado de procedimiento de generacin
de rbol de corte (GEAC):
Procedimiento GEAC
Pg. 234 de 337

P1. Iniciar con N clases, cada una conteniendo una entidad simples (o instalacin),
a la cual est asociada una matriz simtrica de distancias (o similaridades), D
= [dij ], de orden N x N;
P2. Determinar en la matriz de distancias las do clases ms prximas (de menor

distancia o ms similares), representadas por U y V;
P3. Unir las clases U y V, rotulando la nueva clase formada por (UV). Actualice
la matriz de distancias, apagando las filas y columnas correspondientes a las
clases U y V originales, y adicionando, a partir de la ltima fila y de la ltima
columna una nueva fila y una nueva columna (UV) con las respectivas
distancias a las dems clases;
P4. Repetir N-1 veces los pasos 2 y 3.
El dendograma resulta de la aplicacin de este algoritmo, mostrando las

agrupaciones de clases realizados, y en que niveles se relacionan estos.
Dependiendo de la forma como se calcula la distancia entre las clases recin

formadas y las dems clases, se tienen los siguientes mtodos de agrupamiento:
a) single linkage dUV = min { dij }; (4.5a )
b) complete linkage dUV = max { dij }; (4.5b)
d
i j
ij
c) average linkage d (UV) W = (4.5c)

N uv N w
donde dij es la distancia entre el objeto i en la clase (UV) y el objeto j en la clase W.

El nmero de items de las clases (UV) y W son NUV y NW respectivamente (Johnson
y Wichern, 1982).
Entre los mtodos anteriores, el average linkage es reportado por Tam

(1992b) como el que presenta mejor resultado para la definicin del rbol de corte.
Pg. 235 de 337

Adems de estos mtodos originalmente propuestos por Andeberg, en este

trabajo se utiliza una variante del average linkage. Esta variante consiste en realizar
dos modificaciones sobre el algoritmo bsico presentado.
sustituir el paso 4 por: P4. Repetir los pasos 2 y 3 entre las filas y columnas de
la matriz, no aumentadas en el paso3, hasta que se obtengan todos los pares de
clases;
aumentar el paso 5: P5 Aumentar la matriz resultante en el paso 4, las filas y
columnas obtenidas en el paso 3. Se detiene, si el orden de la matriz es uno, en
caso contrario vuelve al paso 1. Estas modificaciones se mostraran
interesantes en la resolucin de algunos problemas, para los cuales se obtienen
una estructura da rbol de corte ms homognea teniendo en cuenta el punto
de vista de la forma.
Aplicando el mtodo de average linkage modificado en los datos de la Tabla

4.1, se obtiene la estructura del rbol de corte mostrado anteriormente en la figura 4.7.
Obtenida la estructura del rbol de corte, el paso siguiente en la aplicacin del

algoritmo, es la generacin de soluciones aleatorias (strings) conforme lo dicho en el
apartado 4.3.2.1, formando as una poblacin inicial.
4.3.3.3. Construccin de una distribucin en planta de instalaciones a

partir de un cromosoma.
La geometra de distribucin en planta est ntimamente vinculada a la string

correspondiente al rbol de corte. La completa codificacin de una distribucin en
planta depende de la definicin de las coordenadas de las diversas instalaciones. Tales
coordenadas definen la posicin de las instalaciones dentro del rea disponible, y por
lo tanto de las distancias existentes entre ellas. En este sentido la construccin de una
distribucin en planta a partir de un cromosoma resulta de las etapas de
determinacin de las coordenadas de las instalaciones.
La determinacin de las coordenadas de las instalaciones tiene por base el

rbol de corte. Para los datos de las tablas 4.1 y 4.2, se presenta en la figura 4.8 el
rbol de corte obtenido con la aplicacin del mtodo average linkage modificado.
Los cortes incluidos en este rbol han sido generados aleatoriamente. La estructura de
corte correspondiente a este rbol de corte fue presentada en la figura 4.2.
Pg. 236 de 337

Figura 4.8: Ejemplo de un rbol de corte con las coordenadas de las instalaciones.
Esta figura muestra que cada instalacin tiene un rea asociada, que se da
como datos del problema. El nudo de corte tambin tiene un rea asociada, resultante
de la suma de las reas de los nudos hijos. El nudo raz, por lo tanto, tiene por rea, el
sumatorio de las reas de todas las instalaciones. En el caso de existir pasillos,
adems de considerar como rea de corte la suma de las reas de los nudos
descendientes, se debe incrementar el rea correspondiente al pasillo existente entre
los bloques.
En otras palabras, sean i y j los nudos descendientes de un nudo p cualquiera.

Entonces, tenemos:
A p = Ai + A j + Ac (4. 6)
donde:
Ap ser el rea del nudo padre p;

Ai es el rea del nudo hijo i (descendiente a la izquierda);
Aj es el rea del nudo hijo j (descendiente a la derecha);
Ac es el rea del pasillo entre los bloques i y j.
Pg. 237 de 337

El rea del pasillo se obtiene del producto entre la anchura patrn definido en
el problema y la longitud del pasillo existente entre los bloques definidos por los
nudos i y j, conforme se muestra en la figura 4.9.
Figura 4.9: Un rbol de corte con pasillo y su estructura de corte correspondiente.
Como se percibe, la longitud de los pasillos depende de las coordenadas de los

bloques involucrados. Asociado a cada nudo, se tiene una tabla, en la cual constan las
coordenadas del bloque correspondiente. Los valores contenidos en estas tablas son
los siguientes:
Figura 4.10: Coordenadas para una instalacin i
Para la figura 4.10 tenemos la siguiente leyenda:

Xi1 corresponde a la abscisa a la izquierda del nudo i;
Xi2 corresponde a la abscisa a la derecha del nudo i;
Yi1 corresponde a la ordenada inferior del nudo i;
Pg. 238 de 337

Yi2 corresponde a la ordenada superior del nudo i;

Ai corresponde al rea del nudo i dado por (Xi2 - Xi1) ( Yi2 - Yi1).
Para determinar estas coordenadas, se debe considerar el tipo de corte del

nudo padre, y las reas asociadas a los nudos hijos.
As se tiene:
Caso 1: para corte del tipo U
Yi2 = Yp1 + Ai / (Xp2 - Xp1 ); (4.7a)
Yj1 = Yp2 - Aj / (Xp2 - Xp1); (4.7b)
Caso 2: para corte del tipo B
Yi1 = Yp2 - Ai / (Xp2 - Xp1); (4.7c)
Yj2 = Yp1 + Aj / (Xp2 - Xp1); (4.7d)
Caso 3: para corte del tipo L
Xi1 = Xp2 - Ai / ( Yp2 - Yp1); (4.7e)
Xj2 = Xp1 + Aj / (Yp2 - Yp1); (4.7f)
Caso 4: para corte del tipo R
Xi2 = Xp1 + Ai / (Yp2 - Yp1); (4.7g)
Xj1 = Xp2 - Aj / (Yp2 - Yp1); (4.7h)
Las coordenadas no explicitadas de los nudos descendentes en las expresiones

anteriores son iguales a las respectivas coordenadas del nudo precedente p.
Para determinar la longitud del pasillo i, denotado por LONGi, es necesario

saber el tipo de corte del nudo (i):
Caso 1: para cortes del tipo horizontal (B o U)
Pg. 239 de 337

LONGi = Xi2 - Xi1; (4.8a)
Caso 2: para cortes del tipo vertical (R o L)
LONGi = Yi2 - Yi1; (4.8b)
Para el clculo de las coordenadas es necesario conocer las reas asociadas a

los nudos. Estas, a su vez, dependen del rea de los pasillos, que son calculadas a
travs del producto de la longitud del pasillo por la anchura del patrn. Para
determinacin de la longitud de los pasillos es necesario conocer las coordenadas.
Luego, la determinacin de las coordenadas depende de un proceso iterativo,

que se repite hasta que entre valores consecutivos de rea de los pasillos (Ac) se tenga
un error inferior a un lmite mximo establecido. El procedimiento que determina las
coordenadas de las instalaciones y ajusta los pasillos a la medida patrn, viene dado
por los pasos:
Procedimiento AJCOR
P1 inicializar LONGi = 0 i = 1,..., n donde n es el nmero de pasillos;
P2 calcular el rea de los nudos a travs de la expresin (4.6);
P3 calcular las coordenadas de los nudos a travs de las expresiones de (4.7a) a

(4.7h);
P4 actualizar la longitud de los pasillos a las expresiones (4.8a) y (4.8b);
P5 verificar si la diferencia relativa entre los valores de rea obtenidos en esta

iteracin y la anterior es inferior a un valor mximo admisible, en caso
afirmativo, parar, en caso contrario volver al paso 2;
Para poner un ejemplo a este proceso considrese nuevamente el problema

cuyos datos fueron presentados en las tablas 4.1 y 4.2. Aplicando este procedimiento
para pasillos de 1, 2 y 4 m, se obtiene a cada iteracin los resultados presentados en
las tablas de 4.7 a 4.9.
Pg. 240 de 337

rea Variacin de Anchura Variacin de Longitud Diferencia

Iteracin total 1 2 3 1 2 3 rea (%)
1 450,00 0,00 0,00 0,00 23,72 23,72 4,64
2 502,10 0,95 0,95 1,01 25,05 25,05 4,58 10,38
3 504,68 1,00 1,00 1,00 25,12 25,12 4,56 0,51
4 504,80 1,00 1,00 1,00 25,12 25,12 4,56 0,02
Tabla 4.7: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 1m

1 450,00 0,00 0,00 0,00 23,72 23,72 4,64
2 554,16 1,80 1,80 2,05 26,32 26,32 4,53 18,80
3 564,34 1,98 1,98 2,02 26,56 26,56 4,48 1,80
4 565,20 2,00 2,00 2,00 26,58 26,58 4,48 0,15
5 565,28 2,00 2,00 2,00 26,58 26,58 4,48 0,01
Tabla 4.8: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 2m

1 450,00 0,00 0,00 0,00 23,72 23,72 4,64
2 658,32 3,31 3,31 4,14 28,69 28,69 4,48 31,64
3 697,44 3,89 3,89 4,14 29,53 29,53 0,33 5,61
4 703,56 3,98 3,98 4,03 29,66 29,66 4,29 0,87
5 704,44 4,00 4,00 4,00 29,67 29,67 4,29 0,12
6 704,52 4,00 4,00 4,00 29,68 29,68 4,28 0,01
Tabla 4.9: Variaciones en la anchura y en la longitud en el ajuste del pasillo de 4 m
Pg. 241 de 337

Figura 4.11: Diferencia relativa de rea (%) en el ajuste de los pasillos por iteracin
Los cuadros 4.7, 4.8 y 4.9 muestran las variaciones en la longitud, en la

anchura, en las reas y en el error porcentual relativo de rea cometidas por iteracin.
El procedimiento finalizar, cuando la diferencia relativa de rea calculada sea
inferior al porcentaje admisible. Lo que se observa en estas tablas y en la figura 3.11
es que el proceso iterativo converge rpidamente, conforme se puede ver para los
casos de pasillos de 1m, 2m y 4m. La diferencia relativa de rea inicia con 10,38%,
18,80% y 31,64% decreciendo a cero en 4, 5 y 6 iteraciones tal como se muestra en la
figura 4.11.
Para mostrar el procedimiento anterior se presenta el rbol de corte y la

estructura de corte correspondiente con pasillo de 1m.
Pg. 242 de 337

Figura 4.12: rbol de corte con pasillo de 1m
Figura 4.13: Estructura de corte relacionada al rbol de corte de la figura 4.12.
Pg. 243 de 337

Figura 4.14: Estructura de corte asociado al problema presentado en las tablas 4.1 y
4.2, con los respectivos puntos auxiliares o de control.
4.3.4. Funcin de evaluacin del cromosoma.
Considerando la formulacin matemtica del problema presentada en la

seccin 4.2., y transformando las restricciones en penalizaciones, se tiene el siguiente
problema de optimizacin:
n n n
min F = vij d ij + w
i =1 j =1
a k
k =1
2
(4.9)
donde w es una constante positiva de penalizacin de forma y ak es la distancia

relativa entre el valor de la razn de forma de la instalacin k y el intervalo dado, esto
es:
a k = dr (ak, [akmin, akmax]). (4.10)
Para el caso de orientacin libre se considera:
a k = min {dr ( ak , [akmin , akmax ]) , dr (ak , [1/ akmax , 1/ akmin ])} (4.11)
La distancia relativa de un escalar c a un intervalo [a, b], representada por dr(c,

[a, b]), es definida como:
Pg. 244 de 337

(4.12)
Para evaluacin del fitness ser considerada la funcin objetivo presentada en

(4.19). Obsrvese que cuanto menor es el valor de la funcin F mayor ser la
capacidad de la solucin para satisfacer las condiciones del problema de distribucin
en planta propuesto, esto es, mayor ser su fitness.
Dado que el valor de la funcin objetivo es siempre positivo, se puede definir

el fitness asociado a una solucin, como:
fi = 1 / Fi (4.13)
donde Fi es el valor de la funcin objetivo aplicado para la solucin definida por el i-

simo individuo de la poblacin.
En el clculo de la funcin objetivo F el valor de ak podr obtenerse, para cada

instalacin k a travs de las coordenadas asociadas a los nudos que representan las
instalaciones en el rbol de corte, esto es:
ak = (Yk2 - Yk1) / (Xk2 - Xk1) (4.14)
En el estudio del clculo de las distancias dij se deben considerar tres casos
distintos:
(a) clculo de la distancia entre instalaciones en distribucin en planta sin

pasillos;
(b) clculo de la distancia entre instalaciones en distribucin en planta con
pasillos y
(c) clculo de la distancia entre instalaciones adyacentes para distribucin en
planta con pasillos, descritos a seguir:
a) Clculo de las distancias entre instalaciones para distribucin en planta sin pasillo:
En este caso la distancia podr ser calculada utilizando la mtrica euclidiana o

rectangular, considerando los centroides de las instalaciones involucradas. En otras
Pg. 245 de 337

palabras, conocidas las coordenadas (xi , yi ) del centroide de la instalacin i y las

coordenadas (xj , yj) del centroide de la instalacin j, la distancia vendr dada por:
Mtrica euclidiana dij = [(xi - xj) 2 + (yi - yj)2] 1/2; (4.15a)
Mtrica rectangular dij = | xi - xj | + | yi - yj |; (4.15b)
Las coordenadas de los centroides son obtenidas a travs de la media

aritmtica de las coordenadas asociadas a los nudos que representan las instalaciones
en el rbol de corte (vase figura 4.8), esto es:
xi = (Xi1 + Xi2)/2 i = 1,..., n (4.16a)
yi = (Yi1 + Yi2)/2 i = 1,..., n (4.16b)
b) Clculo de las distancias entre instalaciones para distribucin en planta con pasillo:
Para el caso de la distancia se calcula considerando la existencia de pasillos,

deber ser generado un grafo que defina la estructura de los pasillos a ser recorridos.
Adems para esto, se debe determinar un conjunto de puntos auxiliares o

nudos, conforme muestra la figura 4.14. En esta figura se observa la existencia de tres
tipos bsicos de nudos que definen el grafo sobre el cual sern calculadas las
distancias mnimas entre instalaciones, que son las siguientes:
centroides de las instalaciones;

puntos auxiliares de ligacin entre instalaciones y pasillos;
puntos de interseccin entre ejes de los pasillos.
Para obtener los puntos anteriores descritos, y sus coordenadas, se debe

establecer la relacin entre pasillos e instalaciones utilizando el procedimiento QREL
que se describe a continuacin.
Procedimiento QREL:
P1. Construir un cuadro con cuatro filas y n columnas. A cada fila est asociado
un tipo de corte, U, R, B y L y cada columna representa una instalacin.
Pg. 246 de 337

P2. Para cada instalacin realizar una bsqueda sobre el rbol de corte partiendo
del nudo instalacin en direccin al nudo raz. Observar en cada nudo
investigado el tipo de corte, y marcando en la columna correspondiente a la
instalacin y en la fila correspondiente al tipo de corte, con un (*) si no fuese
pasillo o con el nmero del nudo correspondiente al pasillo, en el caso de que
an no haya sido marcado;
Considerando el rbol de corte de la figura 4.12 y el procedimiento anterior,

tenemos las relaciones presentadas a continuacin en la tabla 4.10.
1 2 3 4 5 6
U 9 9 11 11
R * 8 *
B 9 9 11 11
L * 8 *
Tabla 4.10: Relaciones entre instalaciones y pasillos para el rbol de corte de la

figura 4.12
En la tabla 4.10 se puede observar que a cada columna est asociada una
instalacin. En esta columna estn registrados los nmeros de los nudos pasillos con
los cuales cada instalacin se vincula, y la correspondiente posicin relativa entre los
mismos. As por ejemplo, la instalacin 2 se relaciona con el pasillo 9, que se sita
debajo de la instalacin.
Adems de esto, cada pasillo sealado en la columna de una instalacin en el

cuadro de relaciones, corresponde a un punto auxiliar situado sobre el eje del pasillo,
como ya se present en la figura 4.14. Por ltimo, asociado a cada par de pasillos,
presentados en una columna, y ortogonales entre s, se tiene un punto auxiliar que
corresponde a la interseccin de los ejes de estos pasillos, conforme se puede
observar en la figura 4.14.
Con la tabla de relaciones se puede determinar el nmero de puntos que

enlazan las instalaciones a los ejes de los pasillos y el nmero de puntos de
interseccin entre los ejes de los pasillos. A continuacin se determinan sus
coordenadas tal y como sigue:
Pg. 247 de 337

1. las coordenadas de los centroides de las instalaciones son obtenidos a travs

de la media aritmtica de las coordenadas asociadas a los nudos que
representan las instalaciones en el rbol de corte, conforme lo sugerido
anteriormente para el caso de distribucin en planta sin pasillo en (4.16a) y
(4.16b);
2. a cada pasillo se asocia un eje cuya ordenada (para cortes tipo R o L) o

abscisa (para cortes tipo U o B) es obtenida por la media aritmtica de las
coordenadas obtenida a travs de las expresiones (4.7a) y (4.7b) (para el caso
de corte tipo U), o (4.7c) y (4.7d) (para el caso del tipo B), o (4.7e) y (4.7f)
(para cortes del tipo L) o incluso (4.7g) y (4.7h) (para cortes del tipo R);
3. las coordenadas de los puntos que representan un vnculo entre una

instalacin es un pasillo, si se trata de pasillo horizontal, tiene por abscisa la
abscisa del centroide de las instalaciones y por ordenada el eje del pasillo.
Para el caso de pasillo vertical, la abcisa del punto vendr dada por el eje del
pasillo y la ordenada ser la ordenada del centroide de la instalacin;
4. para los puntos que representan intersecciones entre ejes de pasillos

ortogonales entre s, tendrn por abscisa el eje del pasillo vertical y por
ordenada el eje del pasillo horizontal.
Para la tabla de relaciones anterior, y considerando las coordenadas asociadas

a los nudos del rbol de corte presentado en la figura 4.12, se obtienen los puntos y
respectivas coordenadas en la tabla 4.11.
(0,1) (0,2) (0,3) (0,4) (0,5) (0,6) (1,9) (2,9) (3,8) (3,9)
X 6,98 19,54 19,64 6,58 9,42 21,98 6,98 19,54 13,66 19,64
Y 16,51 15,61 9,65 9,65 3,18 3,18 12,43 12,43 9,65 12,43
(3,11) (4,8) (4,9) (4,11) (5,11) (6,11) (8,9) (9,8) (8,11) (11,8)
X 19,64 13,66 6,58 6,58 9,42 21,98 13,66 13,66 13,66 13,66
Y 6,87 9,65 12,43 6,87 6,87 6,87 12,43 12,43 6,87 6,87
Tabla 4.11: Coordenadas de los centroides de instalaciones, de los puntos que

enlazan instalaciones a los ejes de los pasillos e interseccin de ejes de
pasillos de la figura 4.12
Pg. 248 de 337

Los procedimientos hasta aqu presentados, determinan un conjunto de p

puntos distintos sobre el rea de la distribucin en planta, con sus respectivas
coordenadas. El grafo G (G, A) que ser generado para determinar las distancias
mnimas entre instalaciones tiene como conjunto de nudos G = {g 1, g 2,..., g p}, cuyas
coordenadas ya haban sido determinadas. Cada g i G fue rotulado por un par de
nmeros, Rot(gi) = (ni, mi), siendo que para las instalaciones ni = 0; conforme se
puede observar en la tabla 4.11 y en la figura 4.14.
El conjunto de arcos de este grafo ser definido sobre el producto cartesiano G

x G, esto es, A G x G.
El procedimiento para el clculo de las distancias entre instalaciones considera

cada vez un solo nudo de la instalacin como origen, a partir del cual sern
determinadas las distancias para los dems nudos instalaciones. Sea x0 esta origen.
Entonces el conjunto A no deber contener arcos que tengan el nudo x0 como nudo
terminal. Por otro lado, no debern generarse arcos que tengan los dems nudos
instalaciones como nudo inicial. Esto tiene por objetivo impedir la posibilidad de
obtener caminos mnimos entre dos instalaciones, pasando por una tercera instalacin.
As, considerando un nudo instalacin x0 como origen, un arco ar = (gi, gj) A

si y solo si una de las condiciones se verifica:
1. ni = 0, mi = m0 e nj = mi;
2. nj = 0, mj = m0 e ni = mj;
3. ni 0, nj 0 e mi = mj; (3.17)
4. ni 0, nj 0 e ni = mj;
5. ni 0, nj 0 e mi = nj;
6. ni 0, nj 0 e ni = nj > n; (n es el nmero de instalaciones).
Obtenido el grafo, se asocia a cada ar = (g i, g j) A un coste que viene dado

por la distancia rectangular entre los puntos correspondientes a los nudos g i y g j.
Considerando que las coordenadas de g i son (xi, yi) y de g j (xj, yj), tenemos:
cij = | xi - xj | + | yi - yj | (4.18)
Pg. 249 de 337

Las distancias mnimas entre instalaciones, considerando una instalacin

origen (correspondiente al nudo g0), podrn obtenerse aplicando el Algoritmo de
Dijkstra que se explica en el Anexo B.
Para obtener la distancia de g0 a todos los vrtices instalaciones, la regla de

finalizacin de partida de este algoritmo fue modificada. En el paso 3, la condicin de
finalizacin al encontrar un nudo terminal, se sustituyo por finalizar cuando todos los
nudos correspondientes a la instalacin fueran rotulados como procesados (P).
En nuestro caso partiendo de los datos presentados en la tabla 4.11, se

obtienen, tras aplicar el Algoritmo de Dijkstra, los resultados de la tabla 4.12.
1 2 3 4 5 6
1 0
2 20,72 0
3 19,52 6,96 0
4 7,26 19,82 13,06 0
5 24,24 23,44 16,68 9,30 0
6 28,32 27,52 8,80 21,86 19,92 0
Tabla 4.12: Caminos mnimos obtenidos con el Algoritmo de Dijkstra
Se observa que la no existencia de pasillos enlazando instalaciones no

adyacentes, implica la no aparicin de una distancia infinita. Esto indica que el grafo
formado por los pasillos no es conexo. De esta forma se penalizan las soluciones
inviables.
c) Clculo de las distancias entre instalaciones adyacentes para distribucin en planta

con pasillos.
Dos instalaciones son adyacentes cuando: la proyeccin de la sobreposicin

de las figuras en relacin al eje horizontal es mayor que la anchura del pasillo y en
relacin al eje vertical es cero, o viceversa. Designando la sobreposicin horizontal
entre las instalaciones i y k por SXik y la sobreposicin vertical entre las instalaciones
i y k por SYik, tenemos:
SXik = (Xi2 - Xi1) + (Xk2 - Xk1) - {[max{Xi2, Xk2}] - [min{Xi1 , Xk1}] }; (4.19a)
SYik = (Yi2 - Yi1) + (Yk2 - Yk1) - {[max{Yi2, Yk2}] - [min{Yi1 , Yk1}] }; (4.19b)
Pg. 250 de 337

Con estos resultados decimos que las instalaciones i y k son adyacentes si:
SXik anchura del pasillo y SYik = 0, o (4.19c)
SYik anchura del pasillo y SXik = 0. (4.19d)
Siendo dos instalaciones adyacentes se calcula la distancia usando la

expresin (4.26) y se desconsidera la obtenida por el Algoritmo de Dijkstra. Para el
ejemplo en estudio, las distancias entre las instalaciones 1 y 2 y las instalaciones 5 y 6
deben ser sustituidas por 12,56, cada una, que es la medida de la distancia
rectangular, pues son adyacentes.
4.3.5. Proceso de seleccin natural.
El modelo utiliza el valor de fitness (ver expresin 3.13) para colocar en orden
decreciente los p individuos de la poblacin. As se tiene: f1 f2 ... fp, el mejor
fitness corresponde al primer individuo de la poblacin y el peor fitness o ltimo
individuo de la poblacin.
En el proceso de seleccin se consider una distribucin de probabilidad del

tipo gradiente, en la cual la probabilidad de eleccin del mejor individuo es un
mltiplo de la probabilidad de eleccin del peor, esto es, p1 = l. pp. De esta forma, la
probabilidad de eleccin del i-simo individuo de la poblacin viene dada por:
pi = g i / g r r = 1,..., p (4.20)
donde, gi es el valor del i-simo elemento de una serie aritmtica decreciente, dada
por:
g i = l - (i - 1)( l -1)/(p-1) (4.21)
Esta tcnica fue empleada por el hecho de que el valor de la probabilidad de

eleccin de un individuo es independiente del valor de fitness, hacindose ms rpida.
Y por el hecho de vincular la eleccin del individuo con el orden que el mismo ocupa
en la poblacin, independientemente del valor del fitness y el proceso de eleccin
contine dando nfasis a los mejores individuos igual que la poblacin se haya vuelto
ms homognea en trminos de orden
Pg. 251 de 337

4.3.6. Proceso de reproduccin de cromosomas. Operacin de

cruzamiento.
La reproduccin de cromosomas se realiza a travs de la operacin de

cruzamiento (crossover). Esta operacin se aplica en pares de cromosomas (strings)
seleccionados de acuerdo con lo descrito en 4.3.4. A travs de un particionamiento de
los cromosomas y una recombinacin de esas partes, se obtienen dos nuevos
cromosomas que guardan las caractersticas de los cromosomas antecesores. La
posicin del particionamiento viene dada por un nmero aleatorio, uniformemente
distribuido, entre los n-1 genes (cortes), donde n es el nmero de instalaciones,
haciendo una permuta entre los elementos de la derecha (o izquierda) de la posicin
escogida, del primer cromosoma con los del segundo.
U B L R R U B B antecesor 1
L R R B B U L L antecesor 2
L R L R R U B B sucesor 1
U B R B B U L L sucesor 2
Figura 4.15: Ejemplo de cruzamiento entre dos soluciones (strings)
4.3.7. Proceso de mutacin.
El operador de mutacin es visto como un mecanismo de preservacin contra

la perdida eventual de informaciones genticas relevantes. A travs de este operador,
informaciones que hubieran sido eliminadas de la poblacin podran volver a ser
introducidas en un individuo durante el proceso de reproduccin.
La tasa de mutacin adoptada es variable a lo largo de la bsqueda, siendo

mayor en la medida en que se observa la tendencia de convergencia de los fitness de
los individuos de la poblacin. La tasa de mutacin se calcula por medio de la
expresin:
pn = 0,01 / ( 1 - e - D ) (4.22 a)
donde: D = (fp - f1 ) / fp (4.22 b)
Pg. 252 de 337

Estos cambios, cuando ocurren, son realizados tras la operacin de crossover.

A cada gen del cromosoma, se generan dos nmeros aleatorios uniformemente
distribuidos en el intervalo [0,1], si el primero fuera menor que pn se transforma el
operador de U para R, de B para L, de R para B o de L para U. Si el segundo nmero
generado fuera menor que la razn de mutacin, se transforma el tipo de divisa de
pared para pasillo o viceversa.
4.4. ESTRATEGIA DE APLICACION DEL ALGORITMO GENTICO.
Al implementar la aplicacin informtica nos encontramos con el resultado,

por otro lado ya esperado, de que el algoritmo propuesto se degradaba muy
rpidamente con el aumento del nmero de instalaciones, especialmente en el caso
del clculo de las distancias entre instalaciones cuando se realiza a travs de pasillos.
Para mejorar el resultado del algoritmo, se recurri a la estrategia de dividir el
proceso de bsqueda de soluciones en dos etapas.
En una primera etapa, el algoritmo se aplica realizndose el clculo de las

distancias a travs de la mtrica rectangular o eucldea, lo que simplifica de modo
significativo este proceso de clculo. De esta forma, sin considerar el hecho de la
estructura de los pasillos, se puede obtener una disposicin preliminar para las
instalaciones, con la intencin de mantener juntas aquellas que presenten entre si una
mayor interaccin, y con la intencin de satisfacer las restricciones de forma de las
instalaciones impuestas por el problema.
Posteriormente en la segunda etapa, la aplicacin del algoritmo se hace

considerando que todos los individuos de la poblacin tendrn una estructura de corte
idntica a la de la mejor solucin obtenida en la primera etapa. En otras palabras, en
la primera fase tan solo se consideran los tipos de cortes definidos por el conjunto {U,
R, B, L}, mientras que en la segunda fase cada corte se pasa a considerar dos
posibilidades: cortes del tipo U pasan a tener el conjunto de definicin {U, U*};
cortes del tipo R pasan a tener el conjunto de definicin {R, R*}; cortes del tipo B
pasan a tener el conjunto de definicin {B, B*} y cortes del tipo L pasan a tener el
conjunto de definicin {L, L*}
Considerando una estrategia donde el problema es tratado en tan solo una fase,
esto es, considerando la existencia de pasillos desde el principio, se tendra el
Pg. 253 de 337

conjunto de definicin con los siguientes elementos {U, R, B, L, U*, R*, B*, L*}.
As, en la obtencin de la solucin para el problema de distribucin en planta con
pasillo existiran del orden de 8n-1 posibles alternativas de combinacin de corte, en
cuanto que considerando la estrategia de dividir la bsqueda en dos fases, se tendra
del orden de 4n-1 posibles soluciones para la primera fase y 2n-1 posibles soluciones en
la segunda fase. En conjunto, de esta estrategia resultara un universo de 4n-1 + 2n-1
posibles soluciones a ser investigadas. Como ejemplo, en un problema con 30
instalaciones tendramos un conjunto de 829 (1,54 x 1026) combinaciones de corte para
la estrategia una nica fase mientras que en el caso de la estrategia de dos fases,
tendramos 429 + 229 (2,88 x 1017) posibles soluciones. A pesar de que el nmero de
soluciones en potencia an resulta extremadamente grande, representa apenas una
pequea fraccin (del orden de 1/109) del total existente en el caso de la estrategia de
una nica fase.
As, a pesar de restringir la bsqueda sobre un subconjunto de soluciones, para

casos donde el nmero de instalaciones crece, esta es la nica forma encontrada para
obtener una solucin satisfactoria en un tiempo computacional razonable.
La convergencia del algoritmo se obtiene en la medida en que los diversos

individuos de la poblacin presentan las mismas caractersticas. Esto puede hacerse
evidente, por medio de la comparacin de los fitness del mejor y del peor individuo
existente en la poblacin. Si la diferencia entre los valores de fitness es inferior a un
lmite estipulado (1% en este trabajo) el proceso se da por finalizado. Si hubiera
inters en comprobar nuevos resultados, se podra generar una nueva poblacin,
incluyendo en la misma una parcela de los mejores individuos encontrados en la
poblacin anterior. Cuando esta estrategia es realizada repetitivamente y no se
observa ninguna mejora en los resultados obtenidos, se da por concluido el proceso y
finalmente nos quedamos con la mejor solucin obtenida que es la que se presentar.
4.5. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE LOS PASILLOS.
La dificultad en comparar los resultados obtenidos a travs del modelo

propuesto con los resultados obtenidos por los modelos existentes es que pocos
consideran la existencia de pasillos, y cuando lo consideran, no tienen en cuenta las
restricciones de forma. En el modelo propuesto, la introduccin de pasillos se hace a
partir de la segunda fase, conforme a la estrategia comentada en 4.4. Para fines de
Pg. 254 de 337

comparacin, se desarroll un prototipo que considera el modelo propuesto por Tam

(1992), sin tener en cuenta la restriccin de espacios ocupados. En este prototipo, el
algoritmo gentico considerado fue el mismo del utilizado en el modelo final
propuesto, ya que en el trabajo publicado por Tam no se abordan detalles de la
implementacin informtica.
Los test realizados fueron hechos en el sentido de obtener resultados

comparativos en cuanto a la forma y al coste, y en cuanto a la eficiencia del algoritmo
de bsqueda utilizado.
Asimismo en lo que respecta a las limitaciones geomtricas que se han

planteado cabe decir que no se han encontrado en la bibliografa consultada
referencias a este tipo de restricciones por lo que tan solo se plantearn como
resultados la viabilidad de poder plantear este tipo de restricciones, ms reales que los
planteamientos tericos
4.5.1. EXPERIMENTO.
Los resultados comparativos fueron obtenidos de diez simulaciones, realizadas

para cada problema (con 12, 15, 20 y 30 instalaciones), utilizando como matriz de
flujo los datos del trabajo de Nuggent et al (1968) y como reas y razn de forma los
datos extrados del trabajo de Tam (1992b), conforme tablas de los anexos G y H.
En trminos bsicos, la primera fase del modelo propuesto y el modelo

presentado por Tam, se diferencian cuanto a la obtencin de la estructura de rbol de
corte. En cuanto al mtodo de Tam (ST2) utiliza el esquema de average linkage,
mientras que el modelo propuesto (ST1) usa un esquema modificado generado a
partir del esquema de average linkage.
El tamao de la poblacin usada en los experimentos realizados fue de 100

cromosomas iniciales generados aleatoriamente. En el proceso iterativo del algoritmo
gentico, cuando la diferencia relativa entre la mejor y la peor solucin alcanzaba
valores inferiores al 1%, se realizaba una renovacin del 97% de la poblacin,
mantenindose una parcela compuesta por el 3% de las mejores soluciones obtenidas
Pg. 255 de 337

hasta ese momento. De esta forma se buscaba perpetuar las caractersticas existentes
en las mejores soluciones dentro de la nueva poblacin.
En la evaluacin del fitness, fue utilizado un factor de penalizacin de forma

igual a 1.000 (vase la ecuacin 4.19). El nmero de iteraciones realizada fue de
50.000 y 2.000, para la primera y segunda fase respectivamente. Estos lmites en el
nmero de iteraciones fueron considerados de forma arbitraria por tratarse de un
tiempo de procesamiento razonable (menos de 30 minutos) y presentar resultados
bastante satisfactorios en trminos del valor del fitness.
La evaluacin de la forma de la distribucin en planta se hizo a travs del

error porcentual ocurrido en la razn de forma. Para ello, se estableci una
distribucin de frecuencia acumulada, para valores de error variando de 0% a 100%,
en clases de amplitud de 10%, para cada mtodo (ST1 y ST2) y problema testados.
Los valores de costes (momento de transporte), tambin fueron registrados

para cada simulacin realizada. Se presentan tambin estadsticas de estas soluciones,
tales como el valor mximo y mnimo obtenido para cada instancia del problema, la
solucin media y la desviacin estndar ocurridas entre las soluciones obtenidas.
A travs de grficos se presenta, tambin, el comportamiento del algoritmo

gentico en relacin al coste y fitness para las mejores soluciones de cada problema.
4.5.2. CONVERGENCIA DEL PROCESO.
En esta seccin se presentan los resultados obtenidos, tanto en lo que respecta

a la razn de forma de las instalaciones cuanto al valor del momento de transporte.
Cuanto a la forma, se presenta en la tabla 4.13, para cada problema testado, el

nmero total de instalaciones con error igual o inferior a un error porcentual dado.
Los datos tabulados en la referida tabla estn representados grficamente en las
figuras 4.13 a 4.16.
Pg. 256 de 337

Nmero de Instalaciones
% 12 15 20 30
ST1 ST2 ST1 ST2 ST1 ST2 ST1 ST2
1 3 4 5 2 3 3 12 8
10 3 7 5 6 7 4 16 12
20 5 7 7 8 9 7 18 14
30 8 8 7 11 13 7 22 18
40 8 11 10 12 17 12 25 22
50 9 11 13 13 19 15 28 27
60 10 11 14 15 19 17 30 28
70 11 11 15 15 20 18 30 30
80 12 11 15 15 20 20 30 30
90 12 12 15 15 20 20 30 30
100 12 12 15 15 20 20 30 30
Tabla 4.13: Distribucin acumulada del nmero de instalaciones por procedimientos y
error (%) en la razn de forma
Figura 4.16: Grfico de la distribucin acumulada del nmero de instalaciones por

error de la razn de forma (%), para distribucin en planta con 12
instalaciones.
Pg. 257 de 337


instalaciones.

instalaciones.
Pg. 258 de 337


instalaciones.
En cuanto al coste, para el problema con 12 instalaciones, las respuestas

obtenidas por experimento, fueron todas iguales y sus valores de coste de transporte
de la primera y segunda fase son respectivamente: 5509,74 e 6969,97 con ST1 y
5210,74 y 6269,36 con ST2.
Para los dems experimentos los resultados estn presentados en las tablas
siguientes.
ST1 ST2
N
Fase 1 Fase2 Fase 1 Fase 2
1 9651,77 11708,23 9152,47 10932,53
2 9426,05 11492,42 9152,47 10932,53
3 9426,05 11492,42 8945,02 10676,95
4 10583,54 13181,31 9152,47 10932,53
5 10606,71 13057,6 9152,47 10932,53
6 10560,9 12454,64 9152,47 10932,53
7 9651,77 11708,23 9152,47 10932,53
8 10132,76 12526,38 9152,47 10932,53
9 10198,68 12137,95 9152,47 10932,53
10 11108,72 13120,63 9152,47 10932,53
Mn. 9426,05 11492,42 8945,02 10676,95
Mx. 11108,72 13181,31 9152,47 10932,53
Media 10134,70 12287,98 9131,73 10906,97
Desviacin estandar 550,41 642,56 62,23 76,67
Tabla 4.14: Momento de transporte obtenidos en distribucin en planta de 15
instalaciones.
Pg. 259 de 337

ST1 ST2
N
1 21467,07 26609,15 21068,92 25102,78
2 21581,21 26871,46 21044,11 24754,72
3 23072,66 28094,83 21412,34 25247,6
4 21821,98 26628,25 21044,11 24754,72
5 20518,99 25051,46 21232,02 26087,42
6 21662,68 27083,57 21190,53 24985,37
7 22307,65 26485,89 20730,36 25259,85
8 20488,33 24917 21044,11 24754,72
9 20638,2 25715,83 20612,56 24612,56
10 22452,81 28456,07 21334,16 24983,29
Mn. 20488,33 24917 20612,56 24612,56
Mx. 23072,66 28456,07 21412,34 26087,42
Media 21601,16 26591,35 21071,32 25054,30
Tabla 4.15: Momentos de transporte obtenidos en distribuciones en planta de 20
instalaciones.
ST1 ST2
N
1 46570,96 620,16 45202,23 54090,8
2 45761,17 55185,56 45053,87 54388,67
3 50972,87 61535,13 45312,84 54513
4 51248,28 62632,75 45579,37 53901,93
5 46551,69 55766,87 44983,63 53469,55
6 46818,74 56174,42 46333,87 55802,55
7 46598,63 56225,82 46001,71 56307,76
8 48951,22 59800,02 44337,69 53642,29
9 44165,95 52576,11 46583,03 56112,92
10 47840,01 58561,29 44151,69 53184,23
Mn. 44165,95 620,16 44151,69 53184,23
Mx. 51248,28 62632,75 46583,03 56307,76
Media 47547,95 51907,81 45353,99 54541,37
Tabla 4.16: Momentos de transporte obtenidos en distribuciones en planta de 30
instalaciones.
Para mostrar a eficiencia (robustez) del algoritmo gentico en la bsqueda de

mejores soluciones, se presentan los resultados de las dos fases del modelo propuesto
(ST1), de la mejor solucin de cada experimento.
Pg. 260 de 337

Figura 4.20: Grfico de la variacin del coste en relacin al nmero de iteraciones,

para distribucin en planta con 12 instalaciones.

Pg. 261 de 337



4.5.3. ANALISIS DE LOS RESULTADOS.
El anlisis de los resultados se realiz teniendo en cuenta la razn de forma

obtenida para las instalaciones y el coste de transporte asociado (momento de
transporte). Para comparar los resultados sobre un enfoque ms concreto, se realiz
un anlisis conjunto de los resultados y se represent grficamente los resultados
obtenidos (distribucin en planta).
Pg. 262 de 337

4.5.3.1. Respecto a la forma.
Se observa, una tendencia de mejora en la razn de forma, en favor del

modelo propuesto ST1, en la medida en que el nmero de instalaciones tiende a
aumentar, conforme puede ser observado en el grfico de la figura 4.23
Figura 4.24: Comparacin entre errores medios de las razones de forma.
Para evaluar si esta tendencia es estadsticamente significativa, se ha utilizado

como test la t-student de la diferencia de medias para muestras independientes a un
nivel de relevancia de 5% (p < 0,05).
Gracias a los resultados que se presentan en la tabla 4.17, obtenidos a travs

de estadstico, podemos confirmar tales tendencias, o sea, que existe una superioridad
para la heurstica ST2, del modelo de Tam, en la solucin de los problemas de 12 y
15 instalaciones, mientras que para los problemas de 20 y 30 instalaciones la
superioridad parece decantarse para la heurstica ST1, del modelo propuesto,
caracterizada en los resultados por el cambio de seal en el valor de t.
12 instalaciones 15 instalaciones 20 instalaciones 30 instalaciones

ST1 ST2 ST1 ST2 ST1 ST2 ST1 ST2
media 32,5 22,5 29,33 25,33 26,5 38,5 19,67 27,00
desvio-patron 27,34 27,01 24,92 19,95 19,27 25,19 20,92 22,92
t 0,90128 0,4853 -1,69216 -1,294349
p 0,3772 0,63124 0,0988 0,200674
Tabla 4.17: Valores de media, desviacin estndar y estadsticas obtenidos con la
aplicacin de ST1 y ST2, para los distintos problemas
Pg. 263 de 337

4.5.3.2. Respecto al coste.
El grfico de la figura 4.24, muestra que existen diferencias en los costes, en

cada fase, de la aplicacin de las heursticas. Para la lectura del grfico siguiente se
debe tener en consideracin que: las dos primeras rectas representan la primera fase
para las heursticas st1 y st2 en cuanto a las otras dos rectas caracterizan la segunda
fase.
Figura 4.25: Comparacin entre los costes medios de transporte determinados por
ST1 y ST2 en la primera y segunda fase.
Para avaluar si la variabilidad ocurrida en los costes es estadsticamente

significante, se aplic el test t-student en los costes obtenidos en cada fase, conforme
las tablas 4.14 a 4.16. Los resultados de los test se presentan en las tablas 4.18 y 4.19
e indican que las diferencias existentes solo son significantes para el problema de 20
instalaciones en la primera fase pues p = 0,08 > 0,05. En los dems casos no son
significativos estadsticamente.
15 Instalaciones 20 Instalaciones 30 Instalaciones

ST1 ST2 ST1 ST2 ST1 ST2
media 10134,7 9131,73 21601,16 21071,32 47547,95 45353,99
desvio-patron 580,18 65,6 869,06 248,18 2248,15 793,82
t 5,43205 1,85381 2,90997
p 0,00004 0,08023 0,00934

aplicacin de la primera fase de ST1 y ST2, para los distintos problemas.
Pg. 264 de 337

15 Instalaciones 20 Instalaciones 30 Instalaciones

ST1 ST2 ST1 ST2 ST1 ST2
media 12287,98 10906,97 26591,35 25054,3 57407,82 54541,37
desvio-patron 677,32 80,82 1155,3 424,72 3135,43 1136,05
t 6,40227 3,94882 2,71807
p 0,00000 0,00094 0,0141

aplicacin de la segunda fase de ST1 y ST2, para los distintos problemas.
4.5.3.3. Anlisis conjunto.
Por los resultados obtenidos se observa que en lo referente a la forma, el

modelo de Tam es ms eficiente para los problemas de 10 y 15 instalaciones mientras
que el modelo propuesto se muestra ms eficiente para problemas de 20 y 30
instalaciones. Por tanto, dada la complejidad del problema y de los costes
involucrados en el desarrollo de un proyecto, se sugiere la aplicacin de los dos
modelos y un posterior anlisis visual en las distribuciones fsicas resultantes para
obtener una buena solucin, ya que la solucin se encuentra a travs de un
procedimiento heurstico y no se puede garantizar que sea la mejor solucin. Otro
factor que lleva a resultados diferentes se debe al hecho de intentar tratar dos medidas
de evaluacin que entran en conflicto, que se traducen por las restricciones de forma
de las instalaciones y por las distancias entre ellas.
Para las restricciones de forma se observ que no siempre son posibles de ser
atendidas. Por ejemplo, si se considera un problema hipottico donde se tengan dos
instalaciones con reas de 10 y 100 m2 respectivamente y ambas con razn de forma
igual a uno (forma cuadrada) y que tales instalaciones deban estar situadas en un
rectngulo cuya razn de forma sea 0,5. Como se puede observar en la figura 4.26, tal
solucin ser inviable debido a la restriccin de forma del rea donde deben ser
situadas las instalaciones, por lo que al final habr que tomar una solucin de
compromiso en la que se incumpla, aunque sea lo mnimo posible, las restricciones de
forma propuestas inicialmente.
Pg. 265 de 337

Figura 4.26: Distribucin en planta obtenida con la heurstica ST1 para el problema
de 2 instalaciones
Adems de la restriccin de forma, otro punto importante a resaltar es que,

aceptar un error de 20% en la razn de forma aparenta ser un valor muy grande, acaba
siendo un valor tolerable en la prctica. Para poner un ejemplo, puede considerarse un
rea de 100 m2 con razn de forma uno (un cuadrado) y que presente en la
distribucin en planta final las dimensiones 9,09 x 11 en vez del esperado 10 x 10.
Tal resultado corresponde a un error de 21% en la razn de forma. La figura 4.27
presenta las soluciones y en ella se puede observar que tal error puede ser tolerable.
Figura 4.27: Figura que ejemplifica un error de 21% en la razn de forma.
En relacin a los costes se observ un crecimiento en la segunda fase, porque

la distancia considerada en el clculo del momento de transporte no es slo
rectangular, en los casos donde las instalaciones no son adyacentes, las distancias son
calculadas por los menores desplazamientos pasando por los ejes de los pasillos. En la
segunda fase del modelo el algoritmo gentico identifica cuando la reduccin de
Pg. 266 de 337

costes compensa los alejamientos entre instalaciones, es decir, cuando en la prctica

se debe colocar un pasillo.
Adems en cuanto a los costes, los resultados mnimos obtenidos por los
modelos son mejores que los presentados por Tam (1992) que pueden observarse en
la tabla 4.15.
Otro punto que debe ser resaltado est en relacin al rbol generado
inicialmente en la solucin del problema. Esta estructura de rbol marcar algunas
caractersticas en la distribucin en planta final que el algoritmo gentico no puede
modificar. Por ejemplo una de ellas sers la presentada en la en algn caso en el que
las instalaciones puedan tener una de las dimensiones igual a la extensin de la
distribucin en planta final, quedando con la otra dimensin reducida, lo que har
inviable el poder atender la restriccin de forma. Tal problema aparecer tan solo
cuando se d la circunstancia de que en la estructura del rbol generado las dos
instalaciones se siten en una de las ramas del nudo raz, que motivo la modificacin
propuesta ST1 en el esquema de average linkage ST2.
4.5.4. RESULTADOS OBTENIDOS PARA EL PROBLEMA DE 30

INSTALACIONES (SIN LIMITACION EN EL NMERO DE
ITERACIONES).
Para un anlisis del modelo propuesto, se resolvi el problema con 30

instalaciones sin limitacin en el nmero de iteraciones, obtenindose para el
momento de transporte los valores 45.053,93 y 53.457,07 para la primera y segunda
fase respectivamente, que pueden observarse en el siguiente grfico. Se puede
observar que los resultados no variaran mucho con el aumento del nmero de
iteraciones en ambas fases de solucin, resultando buenas soluciones con un nmero
limitado de iteraciones, lo que depende de las restricciones del problema.
Pg. 267 de 337

Figura 4.28: Grfico da variacin del coste en relacin al nmero de iteraciones,

Los resultados obtenidos para razn de forma indican que hubo una mejora de
forma en la distribucin en planta obtenida en la segunda fase del modelo, conforme
al grfico de la figura 4.29.

error de la razn de forma (%), para distribucin en planta con 30 instalaciones.
Los resultados obtenidos en la primera y segunda fase, indican una tendencia

de tratamiento colocando instalaciones de menor dimensin prximas y centrales,
Pg. 268 de 337

circundndolas con las de mayor rea. Tambin, evitando dejar bloques de

instalaciones con dimensiones muy estrechas, lo que hace inviable a priori un mejor
aprovechamiento del espacio disponible para las instalaciones.
Una vez obtenida la distribucin en planta final con pasillo, tal y como se ha
mencionado anteriormente, se hace finalmente un anlisis visual en la figura y con
unos pocos ajustes se obtiene una distribucin en planta ms adecuada. De esta forma
el pasillo existente entre dos instalaciones adyacentes podra ser eliminado y el rea
ocupada por aquel podra ser distribuida entre las instalaciones adyacentes de tal
forma que estas instalaciones u otras adyacentes puedan satisfacer la razn de forma.
De igual manera otra modificacin que tambin podra realizarse, sera entre
instalaciones adyacentes que no satisfagan a priori las restricciones de forma, ya que,
se podra, a partir de un anlisis visual de la ocupacin, redistribuir los espacios
existentes entre ellas.
La Figura 4-29a muestra una solucin para un problema de distribucin en

planta representada por un layout de bloques, en que cada bloque representa una
instalacin. Es posible, entonces, realizar algn trabajo adicional para determinar un
layout ms detallado, en el que la estructura de pasillos para posibilitar los
transportes, las ubicaciones concretas de los puntos de entrada y salida y el layout
dentro de cada instalacin, tal y como se puede ver en la Figura 4-29b. La
determinacin del layout detallado incluir problemas de layout de lneas de flujo,
problemas de layout de mquinas y problemas de diseo de clulas de fabricacin,
donde se considera que las mquinas son de igual rea y de dimensiones fijas (Hasan,
1995; Meller y Gau, 1996).
Como se puede constatar, tras intentar buscar soluciones ms plausibles para

estas cuestiones, el problema de distribucin en plantas industriales posee aspectos
geomtricos y combinatorios que hacen de l un problema de muy difcil resolucin
por medios informticos, lo que en nuestros tiempos contrasta con la idea muchas
veces generalizada de que los ordenadores y las aplicaciones informticas lo
solucionan prcticamente todo. Adems, por si esto fuera poco, al problema de
distribucin de instalaciones, con todos los problemas geomtricos que esta conlleva,
se le asocian algunos factores cuantitativos y cualitativos que hacen de el un
problema de difcil modelado y anlisis.
Pg. 269 de 337

Figura 4.30: (a) Layout de bloques y (b) layout detallado.
Pg. 270 de 337

CAPTULO 5
CONCLUSIONES Y
RECOMENDACIONES
Pg. 272 de 337

CAPTULO 5
Aquel que duda y no investiga

se torna no solo infeliz,
sino tambin injusto.
Blaise Pascal (1623-1662),
matemtico francs.
5. CONCLUSIONES Y RECOMENDACIONES.
5.1. CONSIDERACIONES FINALES.
Llegados al final de ese documento se considera conveniente hacer algunas

recapitulaciones de lo visto e intentar marcar las pautas que puedan ayudar a la hora
de plantear futuros trabajos.
Tal y como ya se ha comentado existe una cantidad ingente de fuentes

documentales sobre el tema de las Distribuciones en Planta (realmente miles de
artculos, libros, pginas web y publicaciones de diversa ndole) desde prcticamente
principios de la dcada de los 60 hasta la actualidad y a pesar de que pueda pensarse
que es un tema antiguo su inters sigue vivo lo que viene sobradamente demostrado
por la publicacin peridica ao tras ao de nuevos trabajos en revistas
especializadas, aunque, todo hay que decirlo, con poca repercusin posterior en lo
que al mbito profesional se refiere. Es por esto por lo que debemos considerar que
muchos de los trabajos son meros trabajos tericos, o ms bien acadmicos, pero que
no tienen aplicacin prctica real suscitando poco inters, cuando no autntica
desconfianza, en la industria. Esto quiere decir que en el mbito acadmico se siguen
realizando grandes esfuerzos por conseguir mejoras reales en los problemas ya
Pg. 273 de 337

existentes en este campo y sin embargo la aplicacin prctica de las mejoras que se
van planteando y de los posibles nuevos algoritmos no parece que sean igualmente
seguidos por los profesionales en la industria, seguramente por la falta de entornos
amigables de trabajo y por la falta relacin real entre los datos requeridos y los
disponibles para el planteamiento del problema as como por dar resultados en plan
caja negra con poca aplicacin prctica sin plantear algunos cambios ms o menos
importantes, que por otro lado podran modificar sustancialmente los resultados
obtenidos. De igual modo resulta que las soluciones aportadas por lo comn apenas
permiten posteriores modificaciones de los datos y la comparacin de los resultados
obtenidos.
En este entorno se enmarca el trabajo de investigacin aqu presentado, se ha

procurado, tras intentar ver las lneas de trabajo desarrolladas por otros autores,
ofrecer la posibilidad de incorporar la solucin geomtrica (no algebraica) a algunos
de los problemas que surgen cuando se pretende abordar el encontrar una solucin
adecuada al problema de la implantacin de instalaciones industriales en una fbrica y
que complemente a los algoritmos ya desarrollados.
5.2. CONCLUSIONES.
Aun siendo muchos los algoritmos propuestos en la literatura, sus aplicaciones

prcticas apenas existen y en la mayora de los casos de instalaciones industriales al
final el sistema aplicado es el clsico Systematic Layout Planning (SLP) de Richard
Muther con algunas modificaciones realizadas a mano posteriores. La mejora de los
algoritmos a lo bruto no vale si no tiene una aplicacin de usuario que le de confianza
al proyectista a la hora de tomar decisiones prcticas. Las aplicaciones que pueden
resultar muy interesantes a la hora de dar soluciones en algunos mbitos, como
puedan ser los VLSI (Very Large Scale Integration) en el campo electrnico, pero por
desgracia pueden resultar totalmente inoperativos en otros mbitos como los
layouts industriales. Los sistemas con herramientas graficas como los entornos
DAO pueden y deben ser utilizados con recursos verticales para ayudar a encontrar
soluciones a los problemas cotidianos en lo que a Distribuciones Industriales se
refiere.
Pg. 274 de 337

En la ejecucin de este trabajo se han presentado algunas contribuciones tanto

desde punto de vista terico como prctico.
Desde el punto de vista terico se han tenido en consideracin:
a) la formulacin de una sistematologa que permita utilizar procedimientos de

geometra en un sistema de DAO para resolver cuestiones que en el mundo
clsico se realizaban de forma grfica (geomtrica). Con este propsito se han
programado algunas rutinas y programas auxiliares que encuentren soluciones
geomtricas a problemas geomtricos y que permitan intercomunicar los datos
y/o resultados con otros entornos informticos.
b) la formulacin de un modelo para la solucin del problema de distribucin en
planta de instalaciones intercomunicadas por pasillos, dado que los modelos

sugeridos en la literatura utilizan el mtodo constructivo, sin preocuparse por
una solucin de mejor calidad a travs de la optimizacin;
c) la implementacin de una nueva mtrica hibrida, modificada de las ya

disponibles, que permite la resolucin de problemas geomtricos reales y que
facilite el trabajo en plantas de ms de un nivel;
d) el planteamiento de una correccin sobre el ndice de forma, proponiendo
como ideal la rectangular con proporcin aurea () y que corrija la existente

ms comn y utilizada que potencia la forma cuadrada como forma ideal
cuando esta es en realidad una forma poco deseable.
Se ha realizado una modificacin en el intervalo de variacin de la razn de

forma, propuesto por Tam (1992b), con el objetivo de mejorar la calidad de la
distribucin en planta final;
Desde el punto de vista prctico, o de resultados:
a) se ha visto la viabilidad de este tipo de implementaciones de funciones

geomtricas programadas directamente en entornos de DAO, verificando que
este tipo de aplicaciones si resultan funcionales y pueden ser complementarias
a otro tipo de implementaciones informticas permitiendo el intercambio de
datos entre los distintos entornos (en nuestro caso AutoCAD y EXCEL). Se ha
realizado la preparacin de rutinas de usuario en una aplicacin de DAO (en
Pg. 275 de 337

nuestro caso AutoCAD) que facilitaran un entorno ms real, amigable y

funcional para la realizacin, anlisis y modificacin de las distribuciones en
planta;
b) se ha realizado la propuesta de un sistema real de medidas de distancias
considerando no slo mtricas tericas sino los recorridos geomtricos reales

que tiene que ser utilizados por las mercancas;
c) se ha podido abordar la obtencin de distribuciones en planta resultantes con

una mejor calidad en la forma de las instalaciones, para problemas de 20 y 30
instalaciones;
d) se ha conseguido la minimizacin en el momento de transporte y en el nmero
de errores en la razn de forma eligiendo la distribucin en planta que

presenta mayor ganancia en la calidad, reduccin de costes de transportes y
almacenaje de materias primas y materiales en proceso;
Desde el punto de vista del comportamiento de las soluciones se ha observado que:
a) las instalaciones con menor rea se posicionan ms centralizadas en la regin

plana, y las de mayor rea distribuyndolas alrededor de estas. Esto ocurre
para que se reduzcan las distancias entre instalaciones que influencian en el
resultado del momento de transporte;
b) otra observacin de comportamiento de las soluciones, es que para problemas
sin restriccin de forma, las soluciones tienden a reducir una de las

dimensiones de la instalacin, con la intencin de reducir las distancias entre
las mismas;
c) como los problemas de distribucin en planta se caracterizan como problemas

combinatorios, y estos a su vez necesitan que un nmero muy grande de
soluciones sean analizadas, fue necesario para utilizar el modelo propuesto
una estrategia que limitase el tiempo de bsqueda de la solucin;
d) para aplicar el modelo sin la estrategia propuesta en problemas con 30 o ms
variables, ser preciso esperar que se d un avance en la tecnologa de los

ordenadores tanto en la capacidad de memoria como en la velocidad de
clculo;
Pg. 276 de 337

e) la idea de rea ocupada conforme a lo propuesto en el trabajo de Tam (1992)

no fue utilizada, pues entra en conflicto a uno de los objetivos del trabajo el de
encontrar distribuciones en planta de mejor calidad, o que atiendan a las
restricciones de forma;
El planteamiento aplicado se podra generalizar en otros campos no tan

industriales sino ms de construccin permitiendo incluso disponer un sistema
dinmico que trabaje con Instalaciones Temporales (Almacenes, Viales, Instalaciones
de Obra,) dando prioridades a estas en virtud de otros requisitos (prioridad
temporal, coste de reimplantacin, necesidad de disponer de ellos en la proximidad de
la obra,).
5.3. RECOMENDACIONES.
Como resulta obvio, tras lo anteriormente dicho, an queda mucho trabajo por
hacer para que las herramientas que faciliten la realizacin de las Distribuciones en
Planta al tcnico sean plenamente efectivas, pero, dado el inters que el tema suscita y
el nuevo paradigma aqu presentado, es de esperar que trabajos posteriores puedan
ampliar estas lneas de trabajo.
Las recomendaciones que se pueden dar tras presentar este trabajo van en el
sentido general de mejorar las limitaciones impuestas en la aplicacin del modelo
propuesto, que fueron principalmente las siguientes:
a) ampliar y mejorar las rutinas disponibles para las soluciones a los problemas
geomtricos e integrar todas estas en una aplicacin final con un adecuado
entorno de usuario para que pueda ser utilizada.
b) considerar la posibilidad de que las anchuras de los distintos pasillos puedan
ser diferentes, dependiendo primordialmente de los trficos que circulen por

ellos lo que realmente no debera, a priori, revestir grandes dificultades;
c) prever en el modelo eventuales conflictos entre los diversos flujos existentes;
d) hacer test de soluciones del problema considerando la existencia de pasillos ya
en la primera fase del modelo, sin esperar a tener una primera distribucin en
planta, aunque como se ha visto el hacerlo antes o despus no afecta en gran
Pg. 277 de 337

medida a los resultados obtenidos, s que puede resultar de inters cuando se

realizan procesos de mejora sobre instalaciones ya existentes;
e) buscar un esquema de generacin de estructura de rbol que contemple el rea

de las instalaciones y no solamente la condicin de proximidades de las
mismas;
f) continuar con los desarrollos geomtricos y las implementaciones de rutinas

que permitan utilizar entornos DAO para abordar los problemas geomtricos
evitando utilizar tan solo implementaciones de funciones matemticas.
g) mejorar las aplicaciones informticas que sea fcil la introduccin de datos
para su posterior procesado y que una vez procesados estos puedan informar
de los resultados obtenidos por medio de registros de las sucesivas iteraciones
y ayuden al proyectista en la toma de decisiones y posibiliten fcilmente la
variacin de parmetros;
h) plantear sistemas de registro de cambios que posibilite por medio de
comparativas implementar sistemas inteligentes, con el apoyo de la

inteligencia artificial, que permitan aportar ideas y soluciones mejoradas a los
casos propuestos.
i) hacer la implementacin del modelo propuesto a algn caso real, solventando

las dificultades cotidianas en la solucin de problemas de distribucin en
planta con las limitaciones de ajustes temporales y espaciales en los procesos
productivos.
Por ltimo tan solo decir que el trabajo desarrollado, y aqu presentado, no ha
finalizado, ms bien acaba de empezar, y que tan solo marca un camino a
seguir/continuar en el que se aprecia claramente que dificultades no han de faltar en
aras de buscar alguna mejora en nuestras instalaciones. Solucionados algunos
problemas, nuevos retos se presentan, cmo no?, ante el tcnico que pretende
alcanzar el ptimo en sus instalaciones sacando el mximo partido a los recursos
disponibles y siempre escasos. Por eso confiamos en que este trabajo sirva de acicate
a otros compaeros para que se sumen a la bsqueda de nuevas implementaciones y
recursos para que entre todos sigamos avanzando
Pg. 278 de 337

BIBLIOGRAFA
Pg. 280 de 337

BIBLIOGRAFIA
Las bibliotecas son pcimas de farmacutico:

muchos venenos y pocos remedios.
Joseph Joubert (1754-1824),
escritor y moralista francs
ABDOU, G. y DUTTA, S. P., An integrated approach to facilities layout using expert

systems, International Journal of Production Research, Vol. 28, No. 4, p. 685-708,
1990.
AFENTAKIS, P., MILLEN, R.A ., y SOLOMON, M.M., Dynamic layout strategies
for flexible manufacturing systems. International Journal of Production Research.
Vol. 28, No. 2, p. 311-323, 1990.
ALLENBACH, R. y WERNER, M., Facility layout program, Computers & Industrial
Engineering, Vol. 19, N0. 1-4, 290 - 293, 1990.
ANDERBERG, M.R., Cluster Analysis for Applications, New York: Academic Pres,
1973.
ARMOUR, G.C., y BUFFA, E.S., A heuristic algorithm and simulation approach to
relative allocation of facilities. Management Science. Vol. 9, No 2, 294-300, 1963.
BADIRU, A. B. y ARIF, A., FLEXPERT: facility layout expert system using fuzzy
linguistic relationship codes, IEE Transactions, 28, 295 - 308, 1996.
BALAREZO SALDAA, S.A., Distribucin en Planta de Instalaciones y Formacin
de Clulas de Fabricacin Mediante Tecnologa de Grupos: Formulacin de Nuevos
Algoritmos. Tesis Doctoral. Universidad de Navarra. 1994.
BALAS, E. y MAZZOLA, J.B., Quadratic 0-1 programming by a new linearization,
presented at the TIMS/ORSA meeting, Washington, DC.
BAZARAA, M.S., Computerized layout design: A branch and bound approach, AIIE
Transactions. Vol. 7, No. 4, 432-437, 1975.
BAZARAA, M.S., y ELSHAFEI, A .N., An exact branch and bound procedure for
quadratic assignment problems. Naval Research Logistics Quarterly. Vol. 26, 109-
121, 1979.
BAZARAA, M.S., y KIRCA, O., A branch-and-bound-based heuristic for solving the
QAP, Naval Research Logistics Quarterly. Vol. 30, 287-304, 1983.
BAZARAA, M.S., y SHERALI, M.D., Benders partitioning scheme applied to a new
formulation of the quadratic assignment problem. Naval Research Logistics
Quarterly. Vol. 27, No. 1, 29-41, 1980.
Pg. 281 de 337

BENNELL, J.A., POTTS, C.N. y WHITEHEAD, J.D., Local Search Algorithms for
the Min-Max Loop Layout Problem. The Journal of the Operational Research Society
Vol. 53, No. 10, Special Issue: Applications and Developments in Mathematical
Programming p. 1109-1117. Octubre 2002,
BLOCK, T.E., A note on comparison of computer algorithms and visual based
methods for plant layout by Scriabin and R.C., and R.C. Vergin. Management
Science, Vol. 24, No. 12, 235-237, 1977.
BLOCK, T.E., FATE: A new construction algorithm for facilities layout, Journal of
Engineering Production. Vol. 2, 111-120, 1978.
BONELL, C., La divina proporcin: las formas geomtricas. Serv. Publ. UPC. 2 Ed.
1999.
BUFFA, E.S., ARMOUR, G.C., y VOLLMANN, T.E. Allocating facilities with
Craft, Harvard Business Review. Vol. 42, 136-158, 1964.
BUFFA, E.S., Sequence analysis for functional layouts. The Journal of Industrial
Engineering. Vol. 6, 12-13, 25, 1955.
BUMB, ADRIANA. Approximation Algorithms for Facility Location Problems.
ThD. Thesis. University of Twente. Holanda 2002.
BURKARD, R.E., Die Strungsmethode zur lsung cuadratisches
zuordnungsprobleme, Operations Research Verfahren. Vol. 16, 84-108, 1973.
BURKARD, R.E., Locations with spatial interaction - Quadratic assignment problem,
in: R.L. Francis and P.B. Mirchandane (eds.) Discrete Locations Theory, Academic
Pres, New York, 1984.
BURKARD, R.E., y BONNINGER, T., A heuristic for quadratic Boolean program
with applications to quadratic assignment problems, European Journal of Operational
Research. Vol. 13, 374-386, 1983.
BURKARD, R.E., y STRATMAN, K.H., Numerical investigations on quadratic
assignment problems, Naval Research Logistic Quarterly. Vol.25, 129-144, 1978.
CAMBRON, K. E. y EVANS, G. W., Layout design using analytic hierarchy process,
Computers & Industrial Engineering, Vol. 20, No.2, 211 - 229, 1991.
CAMERON, D., C. Travel Charts. Modern Material Handling. p. 37-40, 1952.
CANEN, A.G. y WILLIAMSON, G.H., Facility Layout overview: towards
competitive advantage. Facilities Vol. 16 n 7/8, p. 198-203, 1998.
CANO, J.R., CORDON, O., HERRERA, F. y SANCHEZ, L. A GRASP algorithm
for clustering. En F. J. Garijo, J.C.R. Santos, and M. Toro, editors, Advances in
Artificial Intelligence - IBERAMIA 2002, 8th Ibero-American Conference on AI,
Seville, Spain, November 12-15, 2002, Proceedings, volume 2527 of Lecture Notes
in Computer Science, p. 214-223. Springer, 2002.
CEDARLEAF, J., Plant layout and flow improvement. Bluecreek 1997.
CHAN, K. C. y TANSKI, H., A Study of Genetic Crossover Operations on the
Facilities Layout Problem, Computers & Industrial Engineering, Vol. 26, No. 3, 537 -
550, 1994.
CIAI, M.R. y SULE, D.R., Computerized facility layout design, Computers &
Industrial Engineering, Vol. 21, No. 1 - 4, 385 - 389, 1991.
Pg. 282 de 337

CIMTechnologies Corporation, Factory Flow Plant Layout and Material Handling

Analysis Users Manuals, CIMTechnologies Corporation, Ames IA.
CINAR, U., Facilities planning: a systems analysis and space allocation approach.
InC. M. Easton (ed.) Spatial Synthesis in Computer-aided Building Design (New
York:Wiley), pp. 19-40, 1975.
CO, H., WU, A. y REISMAN, A. A., A throughput-maximizing facility planning and
layout model, International Journal of Production Research, Vol. 27, No. 1, 1 - 12,
1989.
CONTERO GONZALEZ, M., Aportacin a la optimizacin del diseo geomtrico de
plantas industriales. Distribucin en planta. Tesis doctoral. Universidad Politcnica de
Valencia. 1995.
CONTRERAS PEREZ, R.A., Modelo de Optimizacin en la Generacin de Plantas
Industriales, considerando las Actividades de Mantenimiento y las Condiciones
Ambientales mediante el uso de Metodologa de los Algoritmos Genticos. Tesis
Doctoral. Universidad Politcnica de Valencia. 2010.
CONWAY, R.W., y MAXWELL, W.L., A note on the assignment of facility
location. The Journal of Industrial Engineering. Vol. 12, 34-36, 1961.
CORTES, M. B. S., Algoritmos Genticos en Problemas de Programacin no Lineal
Continua, (Tesis Doctoral), UFSC - Florianpolis - SC. 1996.
CULBRETH, D. N., Manufacturing model: an integrated approach to planning,
design and managing industrial facilities, Computer Aided Design, Vol. 21, No. 1, 49
- 53, 1989.
CUNHA, G. y RIBEIRO, S., Introduccin a los Sistemas Especialistas, Libros
Tcnicos y Cientficos Editora S. A. Rio de Janeiro (Brasil), 1987.
DATTA, D., AMARAL, A. y FIGUEIRA, J.R., Single row facility layout problem
using a permutation-based genetic algorithm. European Journal of Operational
Research, Volumen 213 (2). p. 388394. Septiembre 2011.
DAVIS, L., Handbook of Genetic Algorithms, Van Nostrand Reinhold, New York,
1991.
DEISENROTH, M.P. y APPLE, J.M., A computerized plant layout analysis and
evaluation technique, Technical paper, Annual AIIE Conference, Norcros, GA. 1972.
DEL RIO CIDONCHA, M.G., Un modelo para el diseo de Distribuciones en Planta
en Arquitectura. Tesis Doctoral. Universidad de Sevilla. 2002
DELMAIRE, H., DIAZ, J.A., FERNANDEZ, E. y ORTEGA, M., Reactive GRASP
and tabu search based heuristics for the single source capacitated plant location
problem. INFOR, N 37, p. 194-225, 1999.
DIEGO-MAS, J.A., Optimizacin de la distribucin en planta de instalaciones
industriales mediante algoritmos geneticos. Aportacin al control de la geometra de
las actividades. Tesis Doctoral. Universidad Politcnica de Valencia. 2006.
DOMINGUEZ MURO, M.J., El nmero de oro. Proyrcto Sur. Cuadernos para el
Aula de Matemticas. 1999.
DOS REIS TAVARES, J.A., Gerao de Configuraes de Sistemas Industriais com
o Recurso Tecnologia das Restries e Computao Evolucionria. Teisi Doctoral.
Universidade do Minho. Braga (Portugal). 2000.
Pg. 283 de 337

DREZNER, Z. , A Heuristic Procedure for the Layout of a Large Number of

Facilities, Management Science. Vol. 33, No. 7, 907 - 915, Julio 1987.
DREZNER, Z. , DISCON: A new method for the layout problem, Operations
Research. Vol. 25, No. 6, 1375-1384, 1980.
EADES, P., FOULDS, L.R., y GIFFINI, J., An efficient heuristic for identifying a
maximun weight planar subgraph, in: Lecture Notes in Mathematics. No. 952
(Combinatorial Mathematics IX), Springer, Berlin, 1982.
EDWARDS, H.K., GILLETTE, B.E., y HALEY, M.C., Modular allocations
technique (MAT), Management Science, Vol. 17, No. 3, 161-169, 1970.
ELSHAFEI, A .N., Hospital layout as a quadratic assignment problem, Operations
Research Quarterly, Vol. 29, No. 1, 167-179, 1977.
EVANS, G.W., WILHELM, M.R., y KARWOWSKI, W., A layout design heuristic
employing the theory of fuzzy sets, International Journal of Production Research,
Vol. 25, No. 10, 1431 - 1450, 1987.
FARAHANI, R.Z. y HEKMATFAR, M., Facility Location. Concepts, Models,
Algorithms and Case Studies. Ed. Springer. 2009.
FATTOUCH , N. G., Metodologa para Alteracin de Distribucin en Planta del
Sector Productivo de Pequeas y Medianas Empresas, (Tesis Doctoral), UFSC -
Florianpolis - SC, 1989.
FERNANDEZ-JARDON, C., CAL, M I. y VERDUGO M.V., Anlisis metodolgico
economtrico de las decisiones empresariales en Herbert Simon. Serv. Public. U. de
Vigo. 2003.
FOINES, J. A., CULBRETH, C. T. y KING, R. E., Manufacturing cell design: an
integer programming model employing genetic algorithms, IIE Transactions. Vol. ,
No. , 69 - 85, 1996.
FOULDS, L.R., Techniques for facilities layout: Deciding which pairs of activities
should adjacent. Management Science. Vol. 29, No. 2, 1414-1426, 1983.
FOULDS, L.R., y ROBINSON, D.F., A strategy for solving the plant layout problem.
Operations Research Quarterly. Vol. 27, No. 4, 845-855, 1976.
FOULDS, L.R., y ROBINSON, D.F., Graph theoretic heuristics for the plant layout
problem, International Journal of Productions Research. Vol. 16, No. 1, 27-37, 1978.
FOULDS, L.R.y PARTOVI, F.Y., Integrating the analytic hierarchy process and
graph theory tomodel facilitates layout. Annals of Operations Research 82: 435451,
1998.
FRANCIS, R.L., y WHITE, J.A., Facility Layout and Location. Ed. Prentice Hall. 2
Edicion 1998
FRIECE, A .M., y YADEGAR, J., On the quadratic assignment problem. Discrete
Applied Mathematics. Vol. 5, 89-98, 1983.
FURTADO, J.C., y LORENA, L. A .N., Otimizao de Leiaute usando Busca Tabu,
Gesto & Produo. Vol. 4, No. 1, 88-107, 1997.
GALBRAITH, L. y MILLER, W., A multifactor approach to selecting computer
generated electronics assembly facility layouts, Computers & Industrial Engineering.
Vol. 18, No. 1, 1 - 11, 1990.
Pg. 284 de 337

GASCHUTS, G.K., y AHRENS, J.H., Suboptimal algorithms for the quadratic

assignment problem, Naval Research Logistics Quarterly. Vol. 15, 49-62, 1968.
GAVETT, J.W., y PLYTER, N.V., The Optimal assignment of facilities to locations
by branch and bound, Operations Research. Vol. 14, 210-232, 1966.
GEN, M., IDA, K. y CHENG, C., Multirow Machine Layout Problem In Fuzzy
Environment Using Genetic Algorithms, Computers & Industrial Engineering. Vol.
29, No. 1-4, 519 - 523, 1995.
GHYKA, M. C., El nmero de oro. I. Los ritmos. II. Los ritos. Ed. Poseidon. 1992.
GHYKA, M. C., Esttica de las proporciones en la naturaleza y en las artes. Ed.
Poseidon. 1983.
GILMORE, P. C. "Optimal and Suboptimal Algorithms for the Quadratic Assignment
Problem." SLAM J. Appl.Math.. 10, p. 305-313, 1962.
GOLANY, B. y ROSENBLATT, M. J., A heuristic algorithm for the quadratic
assignment formulation to the plant layout problem, International Journal of
Production Research. Vol. 27, No. 2, 293 - 308, 1989.
GOLDBERG, D. E., Genetic Algorithms In Search, Optimization, and Machine
Learning, Addison Wesley, 1989.
GONDRAN, M. y MINOUX, M., Graphs e algorithms, Norwich: John Wiley &
Sons, 1984.
GONZALEZ CRUZ, M.C., Implantation y aplicacion de una estrategia general de
resolucion de problemas, basada en la teoria de las dimensiones del proyecto, para la
elaboration de una metodologia de resolucion de layout. Estructuracion de las
tecnicas necesarias.. Tesis Doctoral. Universidad Politcnica de Valencia. 2001.
GONZALEZ GARCIA, J.L., Aportacin a la Optimizacin Multiobjetivo del Diseo
de Plantas Industriales. Tesis Dotoral. Universidad Politecnica de Valencia. 2005
GRAVES, G.W., y WHINSTONE, A .B., An algorithm for the quadratic assignment
problem, Management Science. Vol. 17, No. 7, 453-471, 1970.
GUPTA, Y., GUPTA, M., KUMAR, A. y SUNDARAM, C., A genetic algorithm-
based approach to cell composition and layout problems, International Journal of
HALES. Computer-Aided Facilities Planning. Marcel Deker Inc. Nueva York. 1984.
HASSAN, M. M. D., Machine layout problem In modern manufacturing facilities,
International Journal of Production Research. Vol. 32, No. 11, 2559 - 2584, 1994.
HASSAN, M.M.D., HOGG, G.L., y SMITH, D.R., SHAPE: a construction algorithm
for area placement evaluation. International Journal of Production Research. Vol. 24,
No. 5, 1283-1295, 1986.
HASSAN, M.M.D., y ALBIN, M., Managing data requirements for the machine
layout problem. International Journal of Computer Applications in Technology. (to
appear). 1994.
HERAGU, S. S. y KUSIAK, A., Efficient models for the facility layout problem,
European Journal of Operational Research. 53, 1 - 13, 1991.
HERAGU, S. S. y KUSIAK, A., Machine layout problem in flexible manufacturing
systems, Operations Research. Vol. 36, No. 2, 258-268, 1988.
Pg. 285 de 337

HERAGU, S. S. y KUSIAK, A., Machine layout problem in flexible manufacturing

systems, Working paper 08/86, Department of Mechanical and Industrial
Engineering, University of Manitoba, Winnipeg, Manitoba, Canada, 1986.
HERAGU, S. S. y KUSIAK, A., Machine layout: an optimization and Knowledge-
based approach, International Journal of Production Research. Vol. 28, No. 4, 615 -
635, 1990.
HERAGU, S. S., Special Issue Facility Layout, European Journal of Operational
Research. Vol. 57, No. 2, 1992.
HICKS, E. P. Ingeniera Industrial y Administracin, Una nueva perspectiva.
Segunda Edicin, Mxico: CECSA, Pg: 90, 91, 99, p. 110-112, 1999.
HICKS, P.E., y COWAN, T.E., CRAFT-N for layout rearrangement, Industrial
Engineering. May, 30-35, 1976.
HILLER, F.S., Quantitative tools for plant layout analysis. Industrial Engineering,
Vol. 14, No. 1, 33-40, 1963.
HILLER, M.R., y CONNORS, M.M., Quadratic assignment problem algorithm and
the location of indivisible facilities. Management Science. Vol. 13, No. 1, 42-57,
1966.
HITCHINGS, G.G., y COTTAM, M., An efficient heuristic procedure for solving the
layout design problem, Omega. Vol. 4, No. 2, 205-214, 1976.
HOUSHYAR, A. y WHITE, B., Comparison of solution procedures to the facility
location problem, Computers & Industrial Engineering, Vol. 32, No. 1, 77-87, 1997.
ICHIRO ARAKAKI, R.G., Heurstica de Localio-Alocao para Problemas de
Localio de Facilidades. Tesis Doctoral. INPE - So Jos dos Campos. Brasil. 2002.
IMAN y MIR, Automated Layout of Facilities of Unequal Areas, Computers in
Industrial Engineering, vol.24, no. 3, pp. 355-366, 1993.
IMMER, J., R. Layout planning techniques. McGraw Hill. New York. 1950.
IRVINE, S.A. y RINSMA-MELCHERT, I., A new approach to the block layout
problem, International Journal of Production Research. Vol. 35, No. 8, 2359 - 2376,
1997.
ISLIER, A.A., Response to Al-Hakims note. International Journal of Production
Research. Vol. 38, No. 4, 991-992, 2000.
JACOBS, R.F., A note on SPACECRAFT for multifloor layout planning,
Management Science. Vol. 30, No. 5, 648-649, 1984.
JAKOBS, S., On genetic algorithms for the packing of polygons, European Journal of
Operational Research. Vol. 88, 165-181, 1996.
JOHNSON, R. A. y WICHERN, D. W., Applied Multivariate Statistical Analysis,
New Jersey, Prentice-Hall, Inc., Englewood Cliffs, 1982.
JOINES, J.A., CULBRETH, C.T. y KING, R.E., Manufacturing cell design: an
integer programming model employing genetic algorithms, IIE Transactions. 69-85,
1994.
JONHSON, R.V., SPACECRAFT for multi-floor layout planning, Management
Science. Vol. 28, No. 4, 407-417, 1982.
Pg. 286 de 337

KADO, KAZUHIRO. An Investigation in Genetic Algorithms for Facility Layout

Problem. Tesis University of Edimburgh U.K. 1995.
KAKU, B. K. , THOMPSON, G. L. y MORTON, T. E., A hybrid heuristic for the
facilities layout problem, Computers and Operations Research. Vol. 18, No. 3, 241-
253, 1991.
KAKU, B.K. y THOMPSON, G.L., An exact algorithm for the general quadratic
assignment problem, European Journal of Operational Research. Vol. 23, 382-390,
1986.
KAUFMAN, L. y BROECKS, F., An algorithm for the quadratic assignment problem
using Benders decomposition. European Journal of Operational Research. Vol. 2,
204-211, 1978.
KAVEH, A. y ZOLGHADR, A., Democratic PSO for truss layout and size
optimization with frequency constraints. Computers & Structures. Volume 130, p.
1021. Enero 2014.
KELLY, J. P., LAGUNA, M. y GLOVER, F., A Study of Diversification Strategies
for the Quadratic Assignment Problem, Computers Operational Research. Vol. 21,
No. 8, 885 - 893, 1994.
KETCHAM, R. L. , MALSTROM, E. M. y McROBERTS, K. L., A comparison of
three computer assisted facilities design algorithms, Computers & Industrial
Engineering. Vol. 16, No. 3, 375 - 386, 1989.
KHALIL, T.M., Facilities relative allocation technique (FRAT), International Journal
of Productions Research. Vol. 12, No. 2, 183-194, 1973.
KIM, C. , KIM, S.S. y FOOTE, B.L., Assignment problems in single-row and double-
row machine layouts during slow and peak periods, Computers & Industrial
Engineering, Vol. 30, No. 3, 411-422, 1996.
KIM, J-G y KIM, Y-D. Layout planning for facilities with fixed shapes and input and
output points. International Journal of Production Research, Vol. 38, No. 18, p. 4635-
4653, 2000.
KOOPMANS, T.C., y BECKMAN, M., Assignment problems and the location of
economic activities. Econometrica. Vol. 25, 53-76, 1957.
KOUVELIS, P., CHIANG, W. C. y YU, G., Optimal algorithms for row layout
problems In automated manufacturing systems, IIE Transactions. Vol. 27, 99 - 104,
1995.
KUSIAK, A. A. y HERAGU, S. S., The facility layout problem, European Journal of
Operational Research. Vol. 29, 229 - 251, 1987.
KUSUMAH, YAYA S. Graph Theoretic Based Heuristics for the Facility Layout
Design Problem. PhD. Thesis Curtin University of Technology. Australia 2001.
LACKSONEN, T. A., Preprocessing for static and dynamic facility layout problems,
LAND, A .H., A problem of assignment with interrelated costs, Operations Research
Quarterly. Vol. 14, 185-198, 1963.
LANGEVIN, A. y RIOPEL, D., Logistic Systems.Design and Optimization. Ed.
Springer. 2005.
Pg. 287 de 337

LANGEVIN, A., MONTREUIL, B. y RIOPEL, D., Spine layout design, International

Journal of Production Research. Vol. 32, No. 2, 429 - 442, 1994.
LAVALLE, I., y ROUCAIROL, C., Parallel branch and bound algorithms, presented
at Euro VIII, Bologna, Italy, 1985.
LAWLER, E.L., The quadratic assignment problem. Management Science. Vol. 9,
586-599, 1963.
LEE, R., y MOORE, J.M., CORELAP - computerized relationship layout planning,
Journal of Industrial Engineering. Vol. 18, 195-200, 1967.
LIGGETT, R.S., The quadratic assignment problem: an experimental evaluation of
solution strategies. Management Science. Vol. 27, No. 4, 442-458, 1981.
LITTLE, J.D.C., MURTY, K.G., SWEENEY, D.W. y KAREL, C., An algorithm for
the travelling salesman problem, Operations Research. Vol. 11, 972-989, 1963.
LOVE, R. F. Facilities Location. Elsevier. New York 1988.
LOVE, R.F., y WONG, J.W., Solving quadratic assignment problems with rectilinear
distances and integer programming, Naval Research Logistics Quarterly. Vol. 23,
623-627, 1976.
LUDGERO IVANQUI, I., Um Modelo para Soluo do Problema de Arranjo Fsico
de Instalaes Interligadas por Corredores. Tesis Doctoral. Programa de Pos-
Graduacin en Ingeniera de Produccin. Universidad Federal de Santa Catarina.
Florianpolis, Brasil. 1997.
MALAKOOTI, B., Multiple objective facility layout: a heuristic to generate efficient
alternatives, International Journal of Production Research. Vol. 27, No. 7, 1225 -
1238, 1989.
MALMBORG, C. J., Heuristic, storage space minimization methods for facility
layouts served by looped AGV systems, International Journal of Production
Research. Vol. 32, No. 11, 2695 - 2710, 1994.
MARQUES, S. R. A., Proyecto de Layout Industrial no Contexto Just In Time
Auxiliado por Computador, (Disertacin de Maestrazgo), UFSC - Florianpolis - SC.,
1993.
MAYERLE, S.F., un sistema de apoio deciso para o planejamento operacional de
empresas de transporte rodovirio urbano de pasageiros, (Tesis Doctoral), UFSC
Florianpolis SC, 1996.
MAYNARD, H. B. "Manual de Ingeniera de la Produccin Industrial", Editorial
Reverte. 1970.
MEYERS, F.E., STEPHENS, M.P., Manufacturing Facilities Design and Material
Handling. Prentice Hall. 3 Ed. 2005.
MONTALVA SUVIRATS, J.M., Optimizacin multiobjetivo de la distribucin en
planta de procesos industriales. Estudio de objetivos. Tesis Doctoral. Universidad
Politcnica de Valencia. 2011.
MONTREUIL y RATLIFF, Using Cut Trees as a Design Skeleton for Facility
Layout, IIE Transactions, vol. 21, pp.136-143, 1989.
MONTREUIL, B. y RATLIFF, H. D., Utilizing Cut Trees as Design Skeletons for
Facility Layout, IIE Transactions. Vol. 21, No. 2, 136 - 143, June 1989.
Pg. 288 de 337

MOON, G. y McROBERTS, K. L., Combinatorial optimization In facility layout,

Computers & Industrial Engineering. Vol. 17, No. 1 - 4, 43 - 48, 1989.
MOORE, J.M., Computer aided facilities design: an international survey,
International Journal of Production Research. Vol. 12, No. 1, 21-44, 1974.
MOREIRA, D. A. Administrao da Produo e Operaes. So Paulo, Pioneira,
1993.
MLLER, V.; OTIMIZAO DE LAYOUTS INDUSTRIAIS ATRAVS DO
MTODO Exame de Particulas. Universidade de Santa Cruz do Sul. 2007
MURTHER, R., y McPHERSON, K., Four approaches to computerized layout
planning, Industrial Engineering. February, 39-42, 1970.
MUTHER, R., Planificacion y proyeccion de la empresa industrial (Metodo SLP).
Editores Tecnicos Asociados. Barcelona. 1968.
MUTHER, R., Practical Plant Layout. Mc Graw-Hill, New York, 1955.
MUTHER, R., Systematic Layout Planning (SLP). Cahers Books, Boston, MA, 1973.
NEGHABAT, F., An efficient equipment layout algorithm, Operations Research.
Vol. 22, 622-628, 1974.
NUGENT, C. E., VOLLMANN, T. E. y RUML, J., An experimental Comparison of
Techniques for the Assignment of Facilities to Locations, Operations Research. Vol.
16, 150 - 173, 1968.
OBRIEN, C., y ABDEL BARR, S.E.Z., An interactive approach to computer aided
facility layout, International Journal of Production Research. Vol. 18, No. 2, 201-211,
1980.
ONTIVEROS MARTINEZ, R. Algoritmo interactivo de solucin al problema de
distribucin en planta, con control de forma y con empleo de tcnicas de anlisis de
decisiones multicriterio discretas. Tesis Doctoral. Dpto. de Proyectos de Ingenieria.
Universidad Politcnica de Valencia. 2004.
NT, S., TUZKAYA, U.R. y DOGA, B., A particle swarm optimization algorithm
for the multiple-level warehouse layout design problema. Computers & Industrial
Engineering, Volumen 54 (4), p. 783799. Mayo 2008.
ORTEGA ESCOBAR, R. Diseo de Distribucin en Planta por medio de un
Algoritmo Gentico. Tesis profesional. Universidad de las Amricas -Puebla.
Cholula, Puebla, Mxico, 2003.
OSMAN, HESHAM M. CAD-based dynamic layout planning of construction sites
using genetic algoritms. Master of Science Thesis, Faculty of Engineering, Cairo
University, Giza (Egipto), 2002.
PALEKAR, U. S., BATTA, R., BOSCH, R. M. y ELHENCE, S., Modelling
uncertainties In plant layout problems, European Journal of Operational Research.
Vol. 63, 347 - 359, 1992.
PICONE, C.J., y WILHELM, W.E., Perturbation scheme to improve Hillers solution
to the facilities layout problem. . Management Science. Vol. 30, No. 10, 1238-1249,
1984.
PIERCE, J.F. y CROWSTON, W.B., Tree-search algorithms for quadratic
assignment problems, Naval Research Logistics Quarterly. Vol. 18, 1-36, 1971.
Pg. 289 de 337

RAOOT, A. D. y RAKSHIT, A., A fuzzy heuristic for the quadratic assignment

formulation to the facility layout problem, International Journal of Production
Research. Vol. 23, No. 3, 563 - 581, 1994.
REED, R. Plant layout: factor, principles an techniques. Homewood, Il. R. D. Irwin.
1961.
REINGOLD, E.M., NIEVERGELT, J., y DEO, N., Combinatorial Algorithms,
Theory and Practice. Prentice-Hall, INC., ENGLEWOOD CLIFFS, NEW JERSEY,
401-403, 1977.
REIS TABARES, J. A. dos, (2000). Geracin de Configuracciones de Sistemas
Industriales con o Recurso a la Tecnologia de las Restricciones y Computacin
Evolucionria. Ph Tesis. Universidad del Mio, Braga (Portugal).
RITZMAN, L.P., BRADFORD, J., y JACOBS, R., A multiple objective approach to
space planning for academic facilities. Management Science. Vol. 25, No. 9, 895-906,
1979.
ROMERO DESSENS, L.F., GONZLEZ ANAYA, J.A. y LOZANO COTA, L.M.,
Optimizacin de Colonia de Hormigas para resolver el problema de Distribucin en
Planta. Avances de Investigacin en Ingeniera en el Estado de Sonora, Mxico, p.
11-15. 2011.
ROSENBLATT, M.J. y LEE, H. L., A robustness approach to facilities design,
SAMARGHANDIA, H. y ESHGI, K., An efficient tabu algorithm for the single row
facility layout problem. European Journal of Operational Research, Volumen 205 (1),
p. 98105. Agosto 2010.
SAMARGHANDIA, H., TAABAYANB, P. y JAHANTIGHC, F.F., A particle
swarm optimization for the single row facility layout problem. Computers &
Industrial Engineering. Volumen 58 (4), p. 529534, Mayo 2010.
SANTAMARINA SIURANA, M.C., Metodos de optimization en la generation de
distribuciones de plantas industriales, mediante la aplicacion de algoritmos geneticos
y tecnicas basadas en arboles de corte. Tesis Doctoral. Universidad Politcnica de
Valencia. 1996.
SAVSAR, M., Flexible facility layout by simulation, Computers & Industrial
Engineering. Vol. 20, No. 1, 155 - 165, 1991.
SCRIABIN, M., y VERGIN, R.C., A cluster-analytic approach to facility layout,
SEEHOF, J.M., y EVANS, W.O., Automated layout design program, Journal of
Industrial Engineering, vol. 18, pp. 690-695, 1967
SEPPANNEN, J.J., y MOORE, J.M., Facilities planning with graph theory,
SEPPANNEN, J.J., y MOORE, J.M., String processing algorithms for plant layout
problems, International Journal of Production Research. Vol. 13, No. 3, 239-254,
1975.
SHEBANIE, CHARLES RAOUL II. An integrated, Evolutionary Approach to
Facility Layout and Detailed Design. Master of science in University of Pittsburgh.
2004.
Pg. 290 de 337

SHORE, R.H., y TOMPKINS, J. A ., Flexible facilities design, AIIE Transactions.

Vol. 12, No. 2, 200-205, 1980.
SIRINAOVAKUL, B. y THAJCHAYAPONG, P., A knowledge base to asist a
heuristic search approach to facility layout, International Journal of Production
Research. Vol. 32, No. 1, 141 - 160, 1994.
SLY, Computerized Facilities Design and Management: An Overview, IIE
Solutions, August 1995.
SLY, D., Autocad Based Industrial Layout Planning and Material Flow Analysis in
FactoryFlow and Plan. Proceedings of the 1993 Winter Simulation Conference. USA.
1993.
SMITH, A. E., OZDEMIR, G. y NORMAN, B.A., Incorporating heterogeneous
distance metrics within block layout design. International Journal of Production
Research, vol. 41, p. 1045-1056. 2003.
SOUSA, LUCIANA. Uma Heurstica Baseada em Algoritmos Genticos Aplicada ao
Problema de Cobertura de Conjuntos. Disertacin de Mestrado Computao
Aplicada. INPE. So Jos dos Campos, Brasil. 1995.
SULE, D.R., Manufacturing Facilities. Location, Planning, and Design. PWS
Publishing Company. 2 Ed. 1994.
SURESH, G., VINOD, V. V. y SAHU, S., A genetic algorithm for facility layout,
SVESTKA, J. A., MOCRAFT: a professional quality microcomputer implementation
of CRAFT with multiple objectives, Computers & Industrial Engineering. Vol. 18,
No. 1, 13 - 22, 1990.
TAM, K. Y. y LI, S. G., A hierarchical approach to the facility layout problem,
TAM, K. Y., A simulated annealing algorithm for allocating space to manufacturing
cells, International Journal of Production Research. Vol. 30, No. 1, 63 - 87, 1992a.
TAM, K. Y., Genetic algorithms, function optimization, and facility layout design,
European Journal of Operational Research. Vol. 63, 322 - 346, 1992b.
TATE, D. M. y SMITH, A. E., A Genetic Approach to the Quadratic Assignment
Problem, Computers Operational Research. Vol. 32, No. 1, 73- 83, 1995a.
TATE, D. M. y SMITH, A. E., Unequal-area facility layout by genetic search, IIE
Transactions. Vol. 27, 465 - 472, 1995b.
TEO, T.A. y RESENDE, M.G.C., Greedy Randomized Adaptive Search Procedures
Journal of Global Optimization, Volumen 6 (2), p. 109-133. Marzo 1995.
THOMPKINS, J. A., y WHITE, J.A ., Facilities Planning, John Wiley and Sons,
Nueva York, 1984.
TOMPKINS, Your Final Examination: computer Aided Plant Layout, Modern
Material Handling, vol. 33, no. 11, Octubre 1978.
TOMPKINS, J.A., y REED, R., Jr. An applied model for the facilities design
problem, International Journal of Productions Research. Vol. 14, No. 5, 583-595,
1976.
Pg. 291 de 337

TORRES, ISAIAS. Integrao de Ferramentas Computacionais Aplicadas ao Projeto

e Desenvolvimento de Arranjo Fsico de Instalaes Industriais. Disertacin de
Mestrado Programa de Ps-Graduao em Engenharia de Produo. Universidade
Federal de So Carlos, SP, Brasil. 2001.
TORRES, ISAIAS. Um Formalismo Relacional para o Desenvolvimento de Arranjo
Fsico Industrial. Tesis Doctoral. Universidade Federal de So Carlos, SP, Brasil.
2007.
TRETHEWAY, S. J. y FOOTE, B. L., Automatic computation and drawing of
facility layouts logical aisle structures, International Journal of Production Research.
Vol. 32, No. 7, 1545 - 1555, 1994.
URBAN, T.L., CHIANG, W.-C. y RUSSEL, R.A. The integrated machine allocation
and layout problem. International Journal of Production Research, Vol. 38, p. 2911-
2930, 2000.
URBAN, T.L., Solution procedures for the dynamic facility layout problem. Annals
of Operations Research, p. 323-342, 1998.
VALLHONRAT, J.M. y COROMINAS, A., Localizacin, distribucin en planta y
manutencin. Productica 48, Marcombo. Barcelona, 1991.
VOLLMANN, T.E., NUGENT, C.E., y ZARTLER, A computerized model for office
layout, The Journal of Industrial Engineering. Vol. 19, 321-327, 1968.
WASCHER, O. y MERKER, J., A comparative evaluation of heuristics for the
adjacency problem in facility layout planning, International Journal of Production
Research. Vol. 35, No. 2, 447 - 466, 1997.
WATSON, K.H. y GIFFIN, J.W., The vertex splitting algorithm for facilities layout,
WELGAMA, P. S. y GIBSON, P. R., An integrated methodology for automating the
determination of layout and materials handling system, International Journal of
WIMMERT, R.J., A mathematical method for equipment location. The Journal of
Industrial Engineering. Vol. 9, 498-505, 1958.
WRENNALL y LEE (eds.), Handbook of Commercial and Industrial Facilities
Management, McGraw-Hill, 1994.
WU, RONGLIANG. A System for Facility Layout Design. Thesis for Master of
Science in Engineering. University of New Brunswick (Canada), 2001.
YOKOTA, T., GEN, M., TAGUCHI, T. y LI, Y., A Method for Interval 0-1
Nonlinear Programming Problem using Genetic Algorithm, Computers & Industrial
Engineering. Vol. 29, No. 1-4, 531 - 535, 1995.
YOKOTA, T., GEN, M., TAGUCHI, T. y LI, Y., Genetic Algorithm for non-linear
mixed integer programming problems and its applications, Computers & Industrial
Engineering. Vol. 30, No. 4, 905-917, 1996.
ZANAKIS, S.H., EVANS, J.R. y VAZACOPOULOS, A.A., Heuristic methods and
applications: a categorized survey. European Journal of Operational Research, 43, p.
88-110. 1989.
Pg. 292 de 337

ZHENG, Y., y CHEW, C.M. Efficient procedures for form-closure GRASP planning
and fixture layout design. Journal of Manufacturing Science and Engineering,
Transactions of the ASME. 2009.
ZIZI y SULE, Microcomputer Facility Layout Design, computers in Industrial
Engineering, vol. 15, no. 1-4, pp.259-263, 1988.
ZOLLER, K., y ADENDORFF, K., Layout planning by computer simulation, AIIE
Transactions. Vol. 4, No.2, 1972.
Ademas se ha preparado una recopilacion mas extensa de

fuentes que abordan de alguna manera el problema de la
Distribucin en Planta y se presenta en el siguiente enlace
con las referncias en RefWorks para failitar su consulta:
http://www.refworks.com/refshare2?site=04118116226720
0000/76861443179841674/Referencias_LAYOUT
Pg. 293 de 337

Pg. 294 de 337

ANEXOS
ANEXOS
- ANEXO A. BSQUEDA DE CAMINOS MNIMOS EN GRAFOS
- ANEXO B. ALGORITMO DE DIJKSTRA
- ANEXO C. ALGORITMO DE JARVIS PARA ENVOLVENTE CONVEXA
- ANEXO D. ALGORITMOS PARA DISTRIBUCIN EN PLANTA
- ANEXO E. ALGUNOS PROGRAMAS ESPECFICOS PARA LA

IMPLANTACIN EN PLANTA DE MULTIPLES
INSTALACIONES
- ANEXO F. RESTRICCIONES PARA LAS INSTALACIONES
- ANEXO G. CUADRO DE AREAS Y RAZON DE FORMA PARA 30

INSTALACIONES
- ANEXO H. CUADROS DE LOS FLUJOS
- ANEXO I. LISTADOS DE PROGRAMAS DE APLICACIONES

PROGRAMADAS
Pg. 296 de 337

ANEXOS
La verdadera ciencia ensea,

por encima de todo,
a dudar y a ser ignorante.
Miguel de Unamuno (1864-1936),

escritor espaol.
ANEXO A
Bsqueda de Caminos Mnimos en Grafos (Mayerle, 1997)
Definiciones
Definicin 1:
Grafo es una estructura matemtica G(X,A), donde X = { x1, x2,..., xn} es un conjunto
de nudos (o vrtices) del grafo, e A = {a1, a2,..., a n} es el conjunto de arcos del grafo.
El arco ar = (xi , xj) conecta los vrtices xi X y xj X, en el sentido del primero
nudo hacia el segundo.
Definicin 2:
G(xi ) = {xi X | ar = (xi , xj) A} es el conjunto de vrtices sucesores de xi X en
el grafo G(X, A) y G-1 (xi ) = {xj X | ar = (xj , xi) A} es el conjunto de vrtices
predecesores de xi X en el grafo G(X, A).
Definicin 3:
un camino que conecta dos vrtices del grafo, digamos xs , xt X, es definido por una
secuencia de nudos Kst = { xs,..., xjk, xjk+1,..., xt}, donde xjk+1 G( xjk ), " xjk.
Pg. 297 de 337

ANEXO B
Algoritmo de Dijkstra
El Algoritmo de Dijkstra fue desarrollado para determinar el camino mnimo

entre dos vrtices xs , xt X, en grafos en los cuales a cada arco ar = (xi , xj) est
asociado un coste de transposicin dado por cij 0.
Sea (pi, li, si) un rtulo asociado a cada vrtice xi X, en donde:
pi - es el vrtice predecesor de xi X en el camino de coste mnimo entre xs y xi;
li - es el coste acumulado asociado al camino mnimo entre xs y xi;
si - es la situacin del vrtice xi X, que puede ser N (no-rotulado), R (rotulado) y

P (procesado).
Paos del Algoritmo
P1 Rotular el vrtice inicial xs como (ps, ls, s) = (, 0, R), y los dems

vrtices con (pi, li, si) = (, +, N);
P2 Sea Y = {xi X | si R}.
Si Y = , entonces PARE, pues no existe camino que conecta xs a xt.
Si Y , entonces determinar xk Y tal que lk = min xi Y li.
P3 Si xk = xt entonces PARE (el coste del camino mnimo es lk, y la

secuencia de vrtices del camino es definida por los predecesores). En
caso contrario, ir al paso 4;
P4 Para cada xj G( xk ), calcular: v = lk + ckj y si v < lj, entonces rotular

nuevamente el vrtice xj con (pj, lj, sj) = (xk, v, R);
P5 Rotular nuevamente xk con (pk, lk, sk) = (pk, lk, P) y volver al paso 2.
Pg. 298 de 337

Los nodos de la red se etiquetan con nmeros. Al principio, todos tienen la

etiqueta 00 excepto el nodo inicial a que tiene la etiqueta 0. Los arcos tienen un peso
wij que representa la distancia del enlace (i, j). El algoritmo de Dijkstra renumera los
nodos, de manera que cuando el nodo z tiene una etiqueta permanente, se ha obtenido
la solucin final.
Pg. 299 de 337

ANEXO C
Algoritmo de Marcha de Jarvis para envolvente convexa
Se ver en este anexo el funcionamiento del algoritmo de Marcha de Jarvis13

para hallar la envolvente convexa de un conjunto de puntos. El algoritmo empieza
eligiendo el punto, de los del conujnto a procesar, con menor ordenada y se considera
inicialmente la recta horizontal que pasa por ese punto y se va recorriendo en el
sentido contrario a las agujas del reloj el conjunto de puntos para encontrar dentro del
mismo el que al unirlo con el punto anteriormente selccionado forme el menor angulo
con la horizontal. Encontrado este se sustituye la recta horizontal por la recta que une
los dos puntos anteriormente seleccionados y se repite la bsqueda para ir
sucesivamente encontrando los puntos que forman la envolvente convexa.
Veamos el pseudo cdigo del algoritmo:
/* Algortimo de Marcha de Jarvis */

Entrada: Conjunto de puntos S del que se quiere hallar la envolvente convexa
Salida: Envolvente convexa C de S
Inicio
Punto p, q, pInicio, posMin;
P puntoMenorOrdenada ( );
pInicio p;
q puntoMenorAngulo (S,p);
C. agregar (p);
While (q!= pInicio)
C. agregar (q);
Min 180;
Para cada punto aux del conjunto S
If (aux!=q)
Ang = angulo (q, p, aux);
If (ang < min)
posMin = aux ;
min = ang ;
End_If
End_If
End_Para
p=q;
q = posMin ;
13
Jarvis, R.A., On the Identification of the Convex Hull of of a Finite Set of Points in
the Plane. Information Processing Letters 2, North-Holland Publishing Company. p.
18-21, 1973.
Pg. 300 de 337

End_While
Fin
Aunque el pseudocdigo resulta bastante claro, vamos a ver cmo funcionara

con un pequeo conjunto de puntos. Supongamos que tenemos el siguiente conjunto
de puntos:
Primero seleccionamos el punto de menor coordenada y lo llamamos p. A

continuacin escogemos el punto que forma el menor ngulo con la horizontal, al que
llamaremos q y agregamos p a la pila que guardar los puntos que forman la
envolvente convexa.
Ingresamos al bucle y vamos a empezar a encontrar los puntos que forman la

evolvente convexa teniendo como condicin que este deber formar el menor ngulo
con la recta que forma los puntos p y q. En la primera iteracin pasara esto:
El punto 3 es el que forma el menor ngulo por lo que pasar a formar parte de
la cerradura convexa. Continuemos con la siguiente iteracin.
Pg. 301 de 337

El siguiente punto ahora resulta ser el punto 2. El punto 3 ya pas a formar

parte de la cerradura convexa. Veamos ahora la siguiente iteracin.
Se observa ahora que el punto con menor ngulo resulta ser el punto de inicio,
adems la condicin de parada nos inicaba que q!=inicio. Y la siguiente iteracin ya
no se ejecutar ya que nos quedar algo como esto:
El bucle se termina y se tiene la evolvente convexa con los puntos

almacenados de forma ordenada en la pila, quedndonos as:
Al final, tal y como se aprecia en la ultima figura, se tendr de forma ordenada

el conjunto de puntos pertenecientes a la evolvente convexa (minimo contorno
convexo que contiene a todos los puntos del conjunto problema) estando todos los
dems contenidos en la regin que estos puntos del contorno determina.
Pg. 302 de 337

En el caso que se implemento en este trabajo se trabaja con regiones y no con

puntos por lo que el agoritmo programado ha debido ser modificado, aunque es
similar a la hora de realizar la bsqueda. Se busca el punto de las regiones que
intersequen con la recta de la evolvente y una vez hallado este el barrido para la
bsqueda del siguiente punto se realiza utilizando rectas tangentes a la regin a la que
pretenece el punto encontrado., en lugar de rectas que unan con el punto anterior ya
hallado de la evolvente. Al final el contorno encontrado tendr tramos (curvos en
general) que pertenecen a las fronteras de las regiones y tramos rectos que resultan ser
tangentes a estas regiones.
Pg. 303 de 337

ANEXO D
ALGORITMOS PARA DISTRIBUCION EN PLANTA
Se presntenta en la siguiente tabla algunos de los algoritmos ms destacados

utilizados para la resolucin del problema de la distribucin en planta.
ALORITMO Denominacion Autor / es Ao Tipo

AILAY AI-search technique-based LAYout Shih et al. (1992) 1992 Hibrido
planning method
ALA Alternate Location-Alocation Method
ALDEP Automated Layout Design Program Seehof y Evans, 68 1968 Construccin
Biased Nugent, 68 1968 Mejora
sampling
BLOCPLAN Block Plan Donaghey y Pire, 90 1990 Hibrido
CLASS Computerized Layout Solutions Simulated- Jajodia et al. 92 1992
annealing
CLO
COFAD COmputerized FAcilities Design Tompkins y Reed, 76 1976 Mejora
COFAD-F COmputerized FAcilities Design -Flexibility Shore y Tompkins, 1980 1980
COL Computerized Office Layout Vollmann, 68 1968 Mejora
COMLADII COMputerized Layout Design
CORELAP COmputerized RElationship LAyout Lee y Moore, 67 1967 Construccin
Planning
CRAFT Computerized Relative Allocation of Armour y Buffa, 63 1963 Mejora
Facilities Technique
CRAFT-M Computerized Relative Allocation of Hicks, P. E., T. E. Cowan. 1976 Mejora
Facilities Technique 1976.
CRAFT-3D Cinar (1975) 1975 Mejora
DHOPE Dynamic Heuristically Operated Kochhar y Heragu, 1999 1999 Mejora
Placement Evolution
DISCON Dispersion Concentration Drezner, 80 1980 Hibrido
EXSYS Abdou y Dutta, 90 1990
FACOPT FACility layout OPTimization Balakrishnan et al. 2003 2003
FADES FAcilities DESign Fisher, 84 1984 Basados en
Conocimiento
FATE Block, 78 1978 Construccin
FLAC Facility Layout by Analysis of Clusters Scriabin y Vergin, 85 1985 Hibrido
FLAG
FLAT Heragu y Kusiak, 89 1989 Construccin
FACLO
FLEXPERT Facility Layout Expert System Badiru and Arif, 96 1996 Basados en
Conocimiento
Pg. 304 de 337


FRAT Faclities Relative Allocation Technique Khalit, 73 1973 Mejora
FULKES Facility Layout Using Knowledge- Moon y McRoberts 1989
based Expert System (1989)
GASOL Graph and String Orientated Layout Hammouche y Webster 1985 Grficos
GRASP Greedy Randomized Adaptive Search Resende y Pardalos 1996
Procedure
GTH Graph Theoretic Heuristic Kim y Kim, 95 1995
HAL Hieratical Aproach to the facility Tam y Li, 91 1991
Layout
HC63 Hillier, 63 1963 Mejora
HC63-66 Hillier y Connors, 66 1966 Mejora
HC66 Hillier y Connors, 66 1966 Construccin
HOPE Heuristic Operated Placement Kochhar et al. 1998 1998
Evolution
IFLAPS Kumara, 88 1988
INLAYT
KBML Heragu y Kusiak, 90 1990
LAMA Flores y Gmez, 03 2003
LAMAN LAyout MANager Foulds, 97 1997 Basados en
Conocimiento
y Grficos
LayOPT Bozer, 94 1994
LaRLo Tavares et al., 2000 2000
LayGeRL Tavares et al., 2000 2000
LOGIC Layout Optimization with Guillotine Tam, 91 1991
Introduced Cuts
LSP Layout Simulation Program Zoller y Adendorff, 72 1972 Construccin
MAT Modular Allocation Technique Edwards et al. , 70 1970 Construccin
MCRAFT Micro CRAFT Hosi, Whitehouse y Atkins
MASL
MATCH Montreuil, 82 1982
MICROLAY Micro Layout Wascher y Chamoni, 87 1987 Hibrido
MIP Mixed Integer Programming

MOCRAFT
MSLP Method for the Multi-Story Layout KaKu, Thompson y 1988
Problem Baybars, 88
MULTI- Multi-Floor Heuristically Operated Kochhar et al. 1998 1998
HOPE Placement Evolution
MULTIPLE MULTI-floor Plant Layout Evaluation Bozer, Meller y 1994 Mejora
Erlebacher, 94
NCENT N-Center problem
PLANET Plant Layout ANalysis and Evaluation Apple y Deisenroth, 72 1972 Construccin
Technique
PLANR
PRAT
Pg. 305 de 337


PREP Plant Re-layout and Evaluation
Package
QAPL Lacksonen et. al., 93 1993
RMA Richard Muther and Associates
RMA1 Richard Muther and Associates Muther y McPherson, 70 1970 Construccin
ROOSI Flemming, 86 1986
SABLE Meller RD, Bozer YA. 1996
SAL Simulated Annealing Layout Tam, 92 1992
SAL Tam, 92 1992
SAMPLING
SDPIM Steepest Descent Pairwise
Interchange Method
SHAPE A Construction Algorithm for Area Hassan et. al., 86 1986 Construccin
Placement Evaluation
SPACECRAF Johnson, 82 1982
T
SPIRAL Goetschalckx, 92 1992
SPS Space Planning Practice Liggen y Milchell, 81 1981

STAGES Meller y Bozer, 97 1997
TSP Hitchings y Cottam, 76 1976 Mejora
Pg. 306 de 337

ANEXO E
ALGUNOS PROGRAMAS ESPECIFICOS PARA LA IMPLANTACION EN

PLANTA DE MULTIPLES INSTALACIONES
(Extrados, entre otros, de Konz 2004)
CRAFT
CRAFT (Armour y Buffa, 1963), acrnimo ingls de Computerized Relative

Allocation of Facilities o lo que es lo mismo Ubicacin Relativa de Instalaciones,
es un agoritmo de mejora y, a pesar de ser uno de los algoritmos ms antiguos
publicados, resulta actualmente el de uso ms generalizado y en consecuencia uno de
los que ms se ha escrito y se escribe. El objetivo perseguido ser reducir al mnimo
el coste de transporte.
Coste de transporte = (matriz desde-hacia) (matriz de coste de

movimientos) (matriz de distancias)
El programa calcula la matriz de distancia como las distancias rectangulares esde los
centroides de los distintos departamentos.
Como entrada se ecesitan una distribucin inicial, una matriz desde-hacia y una
matriz de costes de movimiento que restringe el coste de manejar una carga
unitaria/unidad de distancia para cada par de departamentos. Por ejemplo, puede
costar 0.06 /metro desplazarse entre el departamento A y el B, 0.1 /metro entre A y
C, etc. Si no se dispone de estos costes (por desgracia estoes la ms habitual),
entonces todos los costes de movimiento se pueden establecer con valores de 1.0 y el
criterio minimizado es carga-metro en lugar de euros. Los departamentos ficticios
(que tienen flujo cero y estn fijos en un rea specfica) se usan para: 1) representar
instalaciones fijas como escaleras, montacargas, ascensores, elevadores, sanitarios,
mueles, 2) representan pasillos, y 3) corregir irregularidades del edificio (por
ejemplo, hacer que los edificios sean rectangulares).
Los supuestos incluyen: 1) no hay relaciones negativas (esto son

departamentos que se desean tener aparte), 2) todos los flujos empiezan y terminan en
Pg. 307 de 337

centroides de departamentos, y 3) todo el moimiento es rectangular. En matriz de

costes/unidad de distancia se supone que el equipo de manejo de materiales se
selecciona antes que la distribucin, que se conocen los costes del movimiento, que
los costes de trasporte son indeendientes de la utilizacin del equipo y que los costes
del movimieno son linealmente proporcionales a la distancia recorrida. (Los
supuestos bsicos de los costes de manejo de montacargas pueden noser importantes
respecto a los transportadores o el equipo de trayectoria guiada controlado por
odenador).
El procedimiento de clculo que sigue el ordenador es:
1) Calcular la matriz de distancia (a partir de la distribucin) entre centroides de

departamentos.
2) Calcular carga-metro para la distribucin multiplicand la matriz de distancia por

la matriz desde-hacia.
3) Intentar redcir la carga-distancia intercambiando departamentos que tienen res

iguales o lmites comunes.
Si no se logra mejora alguna, el programa se detiene. Si se logra mejora, la

distribucin mejorada se convierte en la nueva distribucin de referencia del paso1 y
el ciclo se repite.
Para obtener mejores resultados, el programa se debe correr mltiples veces

usando diversas disribuciones iniciales y diversos valores desde-hacia; es decir, hacer
un anlisis de sensibilidad.
Pg. 308 de 337

COFAD
COFAD (Tompkins y Reed, 1976), acrnimo ingls de COmputerized

FAcilities Desing o lo que es lo mismo Diseo de Instalaciones Computerizadas, es
un algoritmo de mejora y en realidad una versin mejorada de CRAFT, que permite
el clculo ms realista de los costos de manejo de materiales. El objetivo es obtener el
coste mnimo de manejo de materiales. Al igual que con CRAFT, la entrada es una
distribucin inicial y una matriz desde-hacia. La matriz de costes de movimiento para
equipo alternativo de trayectoria fija (transportadores gras, elevadores, montacargas,
) y equipo alternativo de trayectoria ariable (vehculos, carros de distribucin, ).
Por ejemplo se peden ubicar dos opciones alternativas de trayectoria variable (para
monacarga montacarga de plataforma).
CMTF = CFTF (CVTF)

Donde:
CMTF = coste de movimiento de tayectoria fija ()
CFTF = coste fijo de tayectoria fija ()
CVTF = coste variable de tayectoria fija (/metro)
CMTV = CFTV (UEM) + CVTV (TIEMPOM)
Donde:
CMTV= coste de movimiento de tayectoria variable ()
CFTV= coste fijo de tayectoria variable ()
UEM= utilizacin del equipo para este movimiento (%)
CVTV = coste variable de tayectoria variable (/h)
CVTA/(HOPA)
CVTA = coste variable total anual (fuerza de trabajo, antenimiento), (/ao)
HOPA= horas de operacin por ao (h/ao)
TIEMPOM= tiempo de moimiento (carga/descarga, tiempo de viaje) (h/ao)
alguna funcion de LM especificada por e uuario.
LM= longitud de desplazamiento (metro)
LM se calcula por mdeio de programa y los demas valores son entradas necesarias.
El procedimiento de clculo es:
1) Mejorar la distribucin inicial (usando un procedimiento similar al de CRAFT).
Pg. 309 de 337

2) Determinr el coste de manejo de materiales, suponiendo el uso completo del

equipo.
3) Tratar de mejorar la utilizacin del equipo.
4) Si no hay mejora, modificar la distribucin y proseguir con el paso 2.
El bucle se interrumpe cuando la distribucin y el sistema de manejo no se mejorar

ms.
Igual que con CRAFT, los mejores resultado se obtiene con mltiples
ejecuciones el programa usando diversas distribuciones iniciales, valores desde-hacia
y costo de movimiento.
Pg. 310 de 337

CORELAP
CORELAP (Lee y Moore, 1967), acrnimo ingls de COmputerized

RElationsip LAyout Planning o lo que es lo mismo Planificacin Computerizada de
Distribucin por Relaciones, es un algorito de construccin que viene a resultar en el
fondo una versin computerizada del SLP (Systematic Layout Planning o
Planificacin de Distribucin Sistemtica) de Richard Muther (Muther 1955). El
objetivo es lograr una distribucin on departamentos de alto rango cercanos entre
s. Es decir, el criterio no es el nico de coste mnimo de manejo de materiales, sino la
optimizacin de mltiples criterios del diagrama de relaciones. Las entradas son las
reas del departamento y el diagrama de relacin.
En realidad las tablas de departamentos (funciones) y las reas son entradas

necesarias para todos los programas.
Cdigo de Areas
Funciones
Departamento (m2)
A Recepcin 1200
B Fresado 800
C Prensa 600
D Maq. Atornilladora 1200
E Ensamble 800
F Galvanizado 1200
G Embarque 1200
Los Diagramas de Relaciones son entradas necesarias para CORELAP (y para

ALDEP). Las letras indican la importancia de la proximidad y el nmero la razn de
la calificacin. Richard Muther usa:
Clasificacin Estimacin Valor

A Absolutamente necesario 243
E Esencial 8
I Importante 27
O Ordinario 9
U No importane 3
X Mantener Aparte -729
Los nmeros indican el criterio, por ejemplo: 1= Costo de manejo de materiales, 2=

ruido, 3= Facilidad de supervisin, 4= Normativa, etc.
Pg. 311 de 337

Areas
Funciones
(m2)
A B C D E F G
Recepcin Fresado Prensa Atornilladora Ensamble Galvanizado Embarque
A Recepcin 1200 -
B Fresado 800 E/1 -
C Prensa 600 O U -
D Maq. 1200
Atornilladora I/2 E/1 U -
E Ensamble 800 O I/1 U I/1 -
F Galvanizado 1200 U U/1 O U A/3 -
G Embarque 1200 U U U U I/1 I/1 -
El problema ms comn que mencionan los usuarios de rutinas de distribucin

computerizadas es la falta de datos, por lo tanto, las aproximaciones usadas
endiagramas de relaciones pueden sr ms apropiadas que el enfoque de costo exacto
de COFAD.
Este algoritm permite la asignacin previa de departamentos a muros y

esquinas exteriores, elimnando as absurdos tales cmo los muelles de embarque que el
centro de la planta. Las relaciones de proximidad se traducen en numeros (A= 243,
E= 81, I= 27, O= 9, U= 3 y X= -729). Por tanto, CORELAP permite la cercania
indeseable, pero le asigna un valor dominante de -729.
El procedimiento de clculo consiste en:
1) Situar los departamentos con la clasificacin de cercana total ms alta (suma de

clasificaciones con los otros departamentos) en el centro ed la distribucin.
2) Sumar departamentos con los mayores valores de relacin primer, luego, los
valores ms bajos Esto se hace para maximizar la clasificaci de cercania total.
Se contina hasta sumar todos los departamentos.
Pg. 312 de 337

ALDEP
ALDEP (Seehof y Evans, 1968), acrnimo ingls de Automated Layout

DEsign Program o lo que es lo mismo Programa de Diseo de Distribucin
Automatizada, es una rutina de construccin, tiene las mismas necesidades de datos
de entrada que CORELAP (con una excepcin), per no tine una diferencia concetual.
El concepto de ALDEP es que los proyectistas caen en un bache y, por

tanto, se necesitn nuevas alternativas de las cuales se pedan obtener ideas y hacer una
distribucin final. Por lo tanto, ALDEP aade departamentos aleatoriamente en la
distribucin. Como la entrada de departamentos es aleatoria, una segunda ejecucin
del programa dar diferentes respuestas que la primera. Hace una evaluacin
preliminar basada en las letras de proximidad para ayudar a las personas. Los
departamentos (muelles, elevadores, pasillos) pueden estar fijos. Todos los
departamentos son cuadrados o rectangulares, por tanto, se reducen al mnimo las
distribuciones de forma rara.
El procedimiento de clculo es:
1) Seleccionar aleatoriamente un departamento y un ugar en la esquina suerior

izquierda de la distribucin.
2) Sumar un departamento con una relacin importante con el primer departamento.
Si no existe tal departamento, se aade un departamento sin importancia. Se contina

hasta sumar todos los departamentos.
Pg. 313 de 337

PLANET
PLANET (Apple y Deisenroth, 1972), acrnimo ingls de Plant Layout

ANalysis and Evaluation Technique o lo que es lo mismo Tcnica de Evaluacin y
Anlisis de Distribucin de Planta, es un algoritmo de construccin pero que da al
proyectista algunas elecciones.
Necesita la entrada usual de departamentos y reas, pero permite que la proximidad

sea determinada por
a) una matriz desde-hacia (con valores de penalizacion desde -9 a 99),

b) una matriz desde-hacia con costo de movimiento/mes, o
c) datos que permitan calcular los costes de transportes/mes (lista de partes,
frecuencia mensual de movimientos/parte, secuencia de departamentos
para cada parte, y coste de movimiento/metro).
No importa cual de los tres elija el proyectista, PLANET lo traduce a una Matriz
Desde-Hacia normalizada.
El programa tiene como objetivo el reducir al mnimo el coste de manejo de

materiales, el producto de (matriz desde-hacia) * (matriz de distancias recorridas).
Todos los movimientos son rectangulares desde el centroide del departamento.
Se supone que el coste de movimiento es directamente lineal con la longitud del

movimiento e independiente del aprovechamiento del equipo.
La entrada necesita que el usuario seleccione la prioridad de enrada de departaentos.

Los dos primeros departamentos de esta lista se colocan en el centro de la
distribucin.
Los siguientes departamentos se van agregando considerando el coste de manejo de

material y las prioridades de los departamentos hasta que se agreguen todos.
Pg. 314 de 337

ANEXO F
RESTRICCIONES PARA LAS INSTALACIONES.
Tipo de Distribucin: - Por Proceso

- Por Producto
- Por Clulas de fabricacin.
- Por posicin fija
Factores decisin: - Cualitativos

- Cuantitativos
Obstculos: - Columnas, sumideros,

- Instalaciones fijas ya ubicadas.
- Zonas de reserva o restringidas.
- Necesidades de sistemas de seguridad.
Centralizacin: - Horizontal
- Vertical
- Mixta
Situacin: - Fija.
- Movil (no fija).
- Restringida (solo en una zona).
- Exterior (debe estar tocando el permetro exterior).
- Interior (no debe tocar el permetro exterior).
- Libre.
- Altura (nivel).
Divisible: - No (una nica instalacin en una ubicacin).

- Si (se puede dividir en varias subinstalaciones en varias
ubicaciones cuya suma equivalga a la total).
Orientacin: - Fija.
- Restringida.
- Variable (Libre).
Tamao: - Fijo.
- Variable.
- Limitado (Max-Min).
Forma: - Conocida / No conocida.

- Fija / Variable.
- Libre.
- Rectangular.
- Polidrica Ortogonal o Discreto.
- Continua / Discreta.
Limites: - Con pared.

- Sin pared (acotado pero no cerrado).
- Puertas / Pasos. (E/S)
Pg. 315 de 337

Referencia Entrada: - Salidas y Entradas Compartidas (E=S).

- Entadas =/= Salidas (E><S).
- Centro.
- Punto Fijo.
- Todo Contorno.
- Solo una zona.
- Zona Vado (Zona de paso restringido).
Obstculos (para zonas restringidas):

- 2D (tapas registro, pasos, etc). Accesibles y transitables.
- 3D (columnas, instalaciones fijas). No transitables.
- Elevados.
- Transitables / No transitables.
- Accesibles / No accesibles.
Contornos: - Contorno Exterior/Interior.

- Contorno Real /Contorno evolucionado.
- Contorno con influencias.
Zona de influencia: - Periferia y contorno.
Distancias: - Una nica mtrica.

- Ajuste con tipos de distancias hibridas.
Costes de instalacin: - Coste de transporte.

- Cote de implantacin de nueva instalacin.
- Coste de trasladar la instalacin (desmontar y volver a montar en
otra ubicacin).
Pasillos - Anchura mnima.

Prioridades - Proximidades (Matriz).
Otros factores: - Impacto ambiental.

- Mantenimiento de las instalaciones.
- Seguridad.
- Posibilidades de Cambio o Modificacin:
o Crecimiento (Tamao),
o Modificacin (Forma),
o Reorientacin (Orientacin),
o Reubicacin (Situacin),
o Cambio de condiciones (Reformulacin)
Pg. 316 de 337

ANEXO G
CUADRO DE AREAS Y RAZON DE FORMA PARA 30 INSTALACIONES
Instalacin rea Razn de Forma

limite inf. limite sup.
1 100 0,70 1,00
2 80 1,00 1,00
3 50 0,70 1,30
4 60 0,50 0,80
5 120 0,90 1,00
6 40 0,60 1,00
7 20 0,70 1,40
8 40 1,00 1,00
9 150 0,80 1,10
10 120 0,50 1,50
11 50 0,70 1,10
12 10 0,80 1,20
13 20 0,95 1,50
14 30 0,75 1,25
15 50 0,90 1,10
16 20 0,80 1,50
17 40 0,40 1,40
18 20 0,90 1,90
19 80 1,00 1,00
20 100 0,95 1,15
21 40 0,50 1,50
22 50 1,00 1,10
23 80 0,60 1,00
24 10 0,90 1,00
25 40 0,80 1,10
26 10 0,50 1,20
27 40 0,80 1,00
28 10 0,50 1,30
29 80 0,90 1,05
30 40 0,90 1,10
Fuente: Cuadro extrado del articulo de Tam (1992).
Pg. 317 de 337

ANEXO H
CUADROS DE LOS FLUJOS

(Extrados del articulo de Nugent et al., 1968)
n=12
1 2 3 4 5 6 7 8 9 10 11 12
1 0
2 5 0
3 2 3 0
4 4 0 0 0
5 1 2 0 5 0
6 0 2 0 2 10 0
7 0 2 0 2 0 5 0
8 6 0 5 10 0 1 10 0
9 2 4 5 0 0 1 5 0 0
10 1 5 2 0 5 5 2 0 0 0
11 1 0 2 5 1 4 3 5 10 5 0
12 1 0 2 5 1 0 3 0 10 0 2 0
n=15
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 0
2 10 0
3 0 1 0
4 5 3 10 0
5 1 2 2 1 0
6 0 2 0 1 3 0
7 1 2 2 5 5 2 0
8 2 3 5 0 5 2 6 0
9 2 2 4 0 5 1 0 5 0
10 2 0 5 2 1 5 1 2 0 0
11 2 2 2 1 0 0 5 10 10 0 0
12 0 0 2 0 3 0 5 0 5 4 5 0
13 4 10 5 2 0 2 5 5 10 0 0 3 0
14 0 5 5 5 5 5 1 0 0 0 5 3 10 0
15 0 0 5 0 5 10 0 0 2 5 0 0 2 4 0
Pg. 318 de 337

n=20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
1 0
2 0 0
3 5 3 0
4 0 10 2 0
5 5 5 0 1 0
6 2 1 5 0 5 0
7 10 5 2 5 6 5 0
8 3 1 4 2 5 2 0 0
9 1 2 4 1 2 1 0 1 0
10 5 4 5 0 5 6 0 1 2 0
11 5 2 0 10 2 0 5 10 0 5 0
12 5 5 0 2 0 0 10 10 3 5 5 0
13 0 0 0 2 5 10 2 2 5 0 2 2 0
14 0 10 5 0 1 0 2 0 5 5 5 10 2 0
15 5 10 1 2 1 2 5 10 0 1 1 5 2 5 0
16 4 3 0 1 1 0 1 2 5 0 10 0 1 5 3 0
17 4 0 0 5 5 1 2 5 0 0 0 1 0 1 0 0 0
18 0 5 5 2 2 0 1 2 0 5 2 1 0 5 5 0 5 0
19 0 10 0 5 5 1 0 2 0 5 2 2 0 5 10 2 2 1 0
20 1 5 0 5 1 5 10 10 2 2 5 5 5 0 10 0 0 1 6 0
n=30
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 0
2 3 0
3 2 4 0
4 0 0 3 0
5 0 10 4 0 0
6 2 4 0 0 5 0
7 10 0 5 0 2 1 0
8 5 0 5 2 0 2 10 0
9 0 2 5 2 0 2 10 1 0
10 5 2 1 0 0 1 5 3 10 0
11 2 1 4 6 0 4 10 5 2 5 0
12 5 0 1 0 2 10 10 0 1 5 0 0
13 0 5 0 2 0 10 6 0 5 6 0 5 0
14 0 0 4 5 0 2 0 0 2 0 1 5 2 0
15 2 0 0 2 0 5 0 2 0 1 2 2 0 2 0
16 0 0 4 5 0 5 10 4 3 5 1 0 4 1 4 0
17 5 0 0 1 2 0 2 5 0 5 0 0 2 0 5 0 0
18 6 2 6 1 1 5 1 2 2 0 2 0 2 5 1 3 2 0
19 3 0 3 1 0 0 10 10 0 5 0 0 1 3 0 0 2 5 0
20 0 1 2 1 0 0 1 6 0 2 0 2 0 10 1 2 0 1 0 0
21 1 6 5 2 2 0 5 0 4 3 0 0 6 0 0 2 0 2 5 5 0
22 10 1 5 2 0 10 5 5 0 5 6 4 2 0 5 0 0 10 5 2 4 0
23 0 0 2 4 5 0 2 5 5 0 6 5 1 4 0 2 6 10 1 1 0 5 0
24 10 1 1 0 1 0 3 2 2 5 0 10 5 2 2 0 5 4 0 3 1 0 0 0
25 2 2 0 2 0 0 5 5 0 2 4 1 5 0 0 5 3 0 5 1 0 4 4 5 0
26 1 2 0 0 2 4 0 0 5 10 5 0 0 0 0 0 5 0 2 5 0 4 4 5 1 0
27 1 5 3 2 1 0 2 5 2 10 3 0 0 4 5 5 0 5 1 6 0 5 1 0 0 0 0
28 1 1 1 2 0 10 0 5 2 1 2 0 1 2 1 2 0 0 2 5 5 0 0 1 10 0 0 0
29 0 10 0 5 2 1 1 0 5 5 2 0 5 5 1 5 5 0 10 5 0 2 2 0 1 0 0 2 0
30 1 5 2 5 1 1 3 2 2 2 10 1 5 5 0 10 1 0 10 3 0 5 2 0 0 0 10 2 2 0
Pg. 319 de 337

ANEXO I
LISTADOS DE PROGRAMAS DE APLICACIONES PROGRAMADAS
Se presenta en este apartado un listado de la aplicacin CAD_EXCEL,

desarrollada en VisualLisp para ser operativa en AutoCAD (en cualquier versin
idiomtica desde el autoca 2000), que contiene algunas de las funciones
implementadas y que permite enlazar el AutoCAD con el MS-EXCE, lo que permitir
intercambiar datos entre estos dos entornos de trabajo.
; ----------------------------------------------------------------------
; ACAD_EXCEL.LSP V4.0 (C) TRONCOSOFT-VIGO 2015
; Funciones de Intercambio de datos entre ACAD y celdas de EXCEL
; Para manejar EXCEL (libros, hojas y celdas) directamente desde ACAD.
; ----------------------------------------------------------------------
; Hay que inicialmente enlazar ACAD y EXCEL.
; Despues trabajamos sobre un libro y una hoja de excel activos
; (que podemos modificar a nuestro antojo).
; -----------------------------------------------------------------
; Variables Globales:
; - apl-excel : aplicacion EXCEL.
; - coleccion-libros : coleccion de libros abiertos en Excel.
; - mi-libro : libro actual de Excel enlazado con ACAD.
; - coleccion-hojas : coleccion de hojas del libro actual.
; - mi-hoja : hoja de calculo actual enlazado con ACAD.
; - celdas-excel : conjunto de celdas de la hoja actual enlazada con ACAD.
; -----------------------------------------------------------------
; Comandos creados:
; - conecta-excel : hace conexion de ACAD con libro de Excel.
; - desconecta-excel: hace desconexion general de ACAD con Excel.
; - dato->celda : envia dato de ACAD a celda de Excel.
; - celda->dato : envia dato de celda de Excel a ACAD.
; - libro-activo : devuelve el libro activo.
; - hoja-activa : devuelve la hoja activa.
; - activar-libro : activa el libro que se da.
; - activar-hoja : activa la hoja que se da.
; - cierra-libro : cierra el libro que se da.
Pg. 320 de 337

; - borra-hoja : elimina la hoja que se da.

; - inserta-hoja : inserta hoja en el libro.
; - num-libros : devuelve el numero de libros abiertos.
; - num-hojas : devuelve el numero de hojas en un libro.
; - borra-libro : cierra libro de Excel.
; - ver-name-libro : para ver el nombre del libro de Excel.
; - ver-name-hoja : para ver el nombre de una hoja del libro de Excel.
; - ver-name-libro-actual: para ver el nombre del libro actual de Excel.
; - ver-name-hoja-actual : para ver el nombre de la hoja actual de Excel.
; - rename-hoja : renombra hoja del libro.
; - rename-libro : renombra libro.
; - visible-excel : pone visible EXCEL.
; - oculta-excel : pone invisible EXCEL.
; - lista-libros : da una lista con nombres de los libros de EXCEL abiertos.
; - lista-hojas-libro : nos da lista con nombres de las hojas de un libro abierto.
; - ver-numero-libro: nos da el numero correspondiente al libro.
; - ver-numero-hoja : nos da el numero correspondiente a la hoja en el libro.
; - run-macro : ejecuta una macro de Excel.
; ------------------------------------------------------------------------
; Comandos por hacer (parecen interesantes):
; - macro-excel : ejecuta una macro de Excel desde ACAD.
; ------------------------------------------------------------------------
; Se dan funciones para controlar el Libro y la Hoja activa (de windows)
; aunque las funciones de lectura y escritura dan el libro la hoja a
; la hora de trabajar los datos (ademas de la fila y la columna para determinar la celda de trabajo).
; ------------------------------------------------------------------------
; Ideas iniciales sacadas parcialmente del libro de Reinaldo Togores:
; Programacion en AutoCAD con Visual LISP de McGraw-Hill
; ------------------------------------------------------------------------
; Las ordenes estan definidas inicialmente para ser usadas tanto en modo usuario
; como en modo programa.
; Se han mejorado algunas ordenes para que a la hora de referirse a una
; hoja o un libro de EXCEL sepueda hacer tanto por numero como por nombre.
; Aun quedan muchas cosas por hacer ... que pueden resultar interesantes ...
; ------------------------------------------------------------------------
(vl-load-com) ; carga funciones de Vlisp, por si no estan cargadas aun.
; ---------------------------------------------------------------
; Conexion con la Hoja de Calculo EXCEL
; ---------------------------------------------------------------
(defun conecta-excel (/ libro hoja)
(setq hoja 1)
Pg. 321 de 337

(setq apl-excel (vlax-get-or-create-object ; Aplicacion EXCEL

"excel.application")
coleccion-libros (vlax-get-property ; Conj. Libros de EXCEL
apl-excel "workbooks"))
(initget "Nuevo Existente")
(setq libro (getkword "Libro a abrir (Nuevo / Existente) <Nuevo>: "))
(if (or (= libro nil)(= libro "")) (setq libro "Nuevo"))
(if (= libro "Nuevo")
(setq mi-libro (vlax-invoke-method ; Aade nuevo libro
coleccion-libros "add"))
(progn
(setq mi-file (getfiled "Fichero de datos:" "c:/" "xls" 0))
(setq mi-libro (vlax-invoke-method ; Abre libro existente
coleccion-libros "Open"
;"Filename:= \"C:\\pp.xls\""))
; "C:\\pp.xls"))
mi-file))
) ; progn
) ; if
(setq coleccion-hojas (vlax-get-property ; Conj. Hojas del libro de EXCEL
mi-libro "sheets")
mi-hoja (vlax-get-property ; Hoja seleccionada
coleccion-hojas "item" hoja)
celdas-excel (vlax-get-property mi-hoja "cells")) ; Celdas de la hoja
;seleccionada
(vla-put-visible apl-excel :vlax-true) ; pone visible Excel
) ; defun
; ---------------------------------------------------------------
; Ejecuta Macro EXCEL
; ---------------------------------------------------------------
; Datos de entrada:
; - Libro_M = libro en el que esta definida la macro
; - Mi_Macro = nombre de la Macro de EXCEL a ajecutar
; - Libro_A = libro en el que se desea ejecutar la macro
; - Hoja_A = haja del libro en el que se desea ejecutar la macro
; HACER:
; - Verificar que existen Libros, Hoja y Macro.
; ---------------------------------------------------------------
(setq libro1 "Libro2") ; libro de la macro
(setq macro "Macro1") ; macro
(setq libro2 "Libro1") ; libro actuar
Pg. 322 de 337

(setq hoja1 "Hoja4") ; hoja

; ---------------------------------------------------------------
(defun ejecuta-macro-excel (libro_M mi_macro Libro_A Hoja_A / mi-old-libro
mi-old-hoja old-libro old-hoja mi-libro-A mi-libro-M llamada )
(setq coleccion-libros (vlax-get-property apl-excel "workbooks"))
; Conj. Libros de EXCEL
(setq old-libro (vlax-get-property apl-excel "ActiveWorkbook"))
(setq mi-old-libro (vlax-get-property old-libro "name"))
; Nombre Libro actual
(setq old-hoja (vlax-get-property mi-libro "ActiveSheet"))
(setq mi-old-hoja (vlax-get-property old-hoja "name"))
; Nombre Hoja actual
; Activo el libro con la macro para ver si se ha modificado
(if (= (type libro_M) (type "H")) ; STR:libro es un nombre y hallamos su numero
(setq libro_M (ver-num-libro libro_M))
) ; if
(vlax-invoke-method (vlax-get-property coleccion-libros "item" libro_M) "Activate")
(setq mi-libro-M (vlax-get-property apl-excel "ActiveWorkbook"))
(setq cambios (vlax-get-property mi-libro-M "saved")) ; veo si hay cambios
; Activo Libro
(if (= (type libro_A) (type "H")) ; STR: libro es un nombre y hallamos su numero
(setq libro_A (ver-num-libro libro_A))
) ; if
(vlax-invoke-method (vlax-get-property coleccion-libros "item" libro_A) "Activate")
; Activo Hoja del Libro
(setq mi-libro-A (vlax-get-property apl-excel "ActiveWorkbook"))
(setq coleccion-hojas (vlax-get-property mi-libro-A "sheets")) ;Conj.Hojas del libro de EXCEL
(vlax-invoke-method (vlax-get-property coleccion-hojas "item" hoja_A) "Activate")
(setq libro_MM (ver-name-libro libro_M))
; Ejecuto Macro
(if (= :vlax-false cambios)
(setq llamada (strcat libro_MM "!" mi_macro))
(setq llamada (strcat libro_MM ".xls!" mi_macro))
); if
(vlax-invoke-method apl-excel "Run" llamada) ; Ejecuto MACRO
; RECUPERO Libro y Hoja Antiguos
(vlax-invoke-method (vlax-get-property coleccion-libros
"item" (ver-num-libro mi-old-libro)) "Activate")
(setq mi-libro-A (vlax-get-property apl-excel
"ActiveWorkbook")) ; libro activo
(setq coleccion-hojas (vlax-get-property mi-libro-A
Pg. 323 de 337

"sheets")) ; Conj. Hojas del libro de EXCEL

(vlax-invoke-method (vlax-get-property coleccion-hojas
"item" (ver-num-hoja mi-old-libro mi-old-hoja)) "Activate")
(print "Macro ejecutada") (print)
) ; defun
;(ejecuta-macro-excel libro1 macro libro2 hoja1)
; ---------------------------------------------------------------
; Pone visile EXCEL
; ---------------------------------------------------------------
(defun visible-excel ( / )
(vla-put-visible apl-excel :vlax-true) ; pone visible Excel
) ; defun
; ---------------------------------------------------------------
; Pone invisile (oculta) EXCEL
; ---------------------------------------------------------------
(defun oculta-excel ( / )
(vla-put-visible apl-excel :vlax-false) ; pone invisible Excel
) ; defun
; ----------------------------------------------------------------------------
; Hoja Activa
; Devuelve una lista con dos datos: Libro activo + Hoja activa de ese libro.
; OJO: No tiene por que coincidir con la Hoja enlazada inicialmente con ACAD.
; ----------------------------------------------------------------------------
(defun hoja-activa ( / )
(setq mi-libro (vlax-get-property apl-excel "ActiveWorkbook"))
(setq el-libro (vlax-get-property mi-libro "name"))
(setq mi-hoja (vlax-get-property mi-libro "ActiveSheet"))
(setq la-hoja (vlax-get-property mi-hoja "name"))
(list el-libro la-hoja)
); defun
; -----------------------------------------------------------------------------
; Devuelve el Libro Activo.
; OJO: No tiene por que coincidir con el Libro enlazado inicialmente con ACAD.
; -----------------------------------------------------------------------------
(defun libro-activo ( / )
); defun
; ---------------------------------------------------------------
; Activar Celda en la hoja actual
Pg. 324 de 337

; Datos de entrada:
; - Hoja
; - Fila y columna
; Dato salida: valor si tiene
; NO VA: no consigo activar ni sber cual es la celda activa.
; ---------------------------------------------------------------
(defun activar-celda ( libro hoja fila columna / coleccion-libros mi-libro
coleccion-hojas mi-hoja celdas-excel valor la-hoja)
(if (= (type libro) (type "H")) ; STR: libro es un nombre y hallamos su numero
(setq libro (ver-num-libro libro))
) ; if
(if (= (type hoja) (type "H")) ; STR: hoja es un nombre y hallamos su numero
(setq hoja (ver-name-hoja libro hoja))
) ; if

(setq mi-libro (vlax-get-property coleccion-libros "item" libro ))
(setq coleccion-hojas (vlax-get-property mi-libro "sheets"))
(setq mi-hoja (vlax-get-property coleccion-hojas "item" hoja))
(setq celdas-excel (vlax-get-property mi-hoja "cells"))
(setq valor
(vlax-variant-value
(vlax-make-variant (vlax-get-property celdas-excel "item"
fila columna) vlax-vbString)
) ; vlax-variant
) ; setq
(setq la-celda (vlax-get-property celdas-excel "item" fila columna))
(vlax-invoke-method la-celda "Activate") ; aqui es donde falla
valor
); defun
; ---------------------------------------------------------------
; Activar Hoja en el Libro activo actual
; Datos de entrada:
; - Hoja : numero de hoja a activar.
; Dato salida: nil
; ---------------------------------------------------------------
(defun activar-hoja ( hoja / la-hoja)
mi-libro "sheets"))
(setq la-hoja (vlax-get-property coleccion-hojas "item" hoja))
Pg. 325 de 337

(vlax-invoke-method la-hoja "Activate") (print)

); defun
; ---------------------------------------------------------------
; Activar Libro
; Datos de entrada:
; - Libro : numero o nombre de libro a activar.
; Dato salida: nil
; NO VA: parece que si activa el libro que decimos
; (pero al hacer algo lo hace en el anterior)
; ---------------------------------------------------------------
(defun activar-libro ( libro / )
) ; if
(vlax-invoke-method mi-libro "Activate") (print)
); defun
; ---------------------------------------------------------------
; Desconexion con la Hoja de Calculo EXCEL
; Muy importante hacerlo para no dejar colgado el ordenata.
; ---------------------------------------------------------------
(defun desconecta-excel ()
(vlax-release-object celdas-excel)
(vlax-release-object mi-hoja)
(vlax-release-object coleccion-hojas)
(vlax-release-object mi-libro)
(vlax-release-object coleccion-libros)
(vlax-release-object apl-excel)
(vlax-release-object apl-excel)
(gc)
) ; defun
; ---------------------------------------------------------------
; Funcion de control de errores.
; ---------------------------------------------------------------
(defun apl-err (msg)
(desconecta-excel)
(prompt msg)
); defun
; ---------------------------------------------------------------
; Envia un valor a una celda de la hoja de calculo.
; Datos de entrada:
Pg. 326 de 337

; - Valor : dato a introducir en celda.

; - Libro : Libro de Excel (numero o nombre).
; - Hoja : Numero o nombre de Hoja del libro.
; - Fila : Fila de la hoja (entero).
; - Col : Columna de la hoja (entero).
; Dato salida: nil
; ---------------------------------------------------------------
(defun dato->celda (valor libro hoja fila col / mi-libro mi-hoja celdas-excel)
) ; if
) ; if

(vlax-put-property
celdas-excel
"item"
fila col
(vl-princ-to-string valor)
) ; vlax
); defun
; ---------------------------------------------------------------------
; Recupera un valor a una celda de la hoja de calculo. Trae cadenas.
; Datos de entrada:
; - Libro : Libro de Excel (numero o nombre).
; - Hoja : Numero o nombre de Hoja del libro.
; - Fila : Fila de la hoja (entero)
; - Col : Columna de la hoja (entero).
; Dato salida: valor de la celda.
; ---------------------------------------------------------------------
(defun celda->dato (libro hoja fila col / valor)
) ; if
Pg. 327 de 337


) ; if
(setq valor
(vlax-variant-value
(vlax-make-variant
(vlax-get-property
celdas-excel
"item"
fila col
) ; vlax-get
vlax-vbString) ; vlax-make
);vlax-variant
); setq
valor
); defun
; ---------------------------------------------------------------
; Cierra libro de Excel tras guardarlo (para no perder cambios).
; Datos de entrada:
; - Libro : numero o nombre Libro de Excel.
; - Nombre: nombre con el que guardar.
; Dato salida: nil
; ---------------------------------------------------------------
(defun cierra-libro ( libro / mi-libro cambios)
) ; if
(setq nombre "paraver.xls")
(setq mi-libro (vlax-get-property coleccion-libros "item" libro))
; veo si hay cambios en el libro de Excel
(setq cambios (vlax-get-property mi-libro "saved"))
; :vlax-false hay cambios no guardados
; :vlax-true no hay cambios no guardados
;(vlax-variant-value
; (vlax-make-variant
; cambios
; vlax-vbstring))
Pg. 328 de 337

(if (= :vlax-false cambios)

; (vlax-invoke-method mi-libro "save") ; guarda Libro de hoja de calculo
(vlax-invoke-method mi-libro "saveas" nombre) ; guarda Libro de hoja de calculo
); if
(vlax-invoke-method mi-libro "close" ) ; cierra Libro
(print)
) ; defun
; ---------------------------------------------------------------
; Prepara los textos con valores numercos para excel
; Sustituye puntos por comas
; ---------------------------------------------------------------
(defun prepara_texto_e ( texto_e / )
(vl-string-subst "," "." texto_e)
) ; defun
; ---------------------------------------------------------------
; Prepara los textos con valores numeros para ACAD
; Sustituye comas por puntos
; ---------------------------------------------------------------
(defun prepara_texto_a ( texto_a / )
(vl-string-subst "." "," texto_a)
) ; defun
; ---------------------------------------------------------------
; Borra hoja de libro de excel
; OJO si la hoja ha sido modificada EXCEL pregunta si desea borrar y perder datos.
; HAY QUE DEPURARLA VERIFICANDO LOS CAMBIOS.
; Datos de entrada:
; - Libro : numero o nombre de Libro de Excel.
; - Hoja : Nombre de Hoja del libro.
; Dato salida: nil
; ---------------------------------------------------------------
(defun borra-hoja ( libro hoja / mi-libro la-hoja )
) ; if
(if (= (type hoja) (type 1)) ;INT: num_hoja es un nombre y hallamos su numero
) ; if
(setq la-hoja (vlax-get-property coleccion-hojas "item" hoja))
(vlax-invoke-method la-hoja "delete")
Pg. 329 de 337

(print)
) ; defun
; --------------------------------------------------------------
; Aade/Inserta una nueva hoja en el libro de Excel actual.
; Datos de entrada:
; - Libro : Libro de Excel (nombre o numero).
; Dato salida: nil
; ---------------------------------------------------------------
(defun inserta-hoja ( libro / mi-libro mi-hoja )
) ; if
(vlax-invoke-method coleccion-hojas "add" )
(print)
) ; defun
; ---------------------------------------------------------------
; Numero de Libros abiertos en Excel.
; ---------------------------------------------------------------
(defun num-libros ( / )
(vlax-get-property coleccion-libros "count" )
) ; defun
; ---------------------------------------------------------------
; Numero de de Hojas en libro actual.
; Datos entrada: numero o nombre de libro.
; ---------------------------------------------------------------
(defun num-hojas ( libro / coleccion-libros mi-libro coleccion-hojas)
) ; if
(vlax-get-property coleccion-hojas "count" )
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre de un Libro de Excel.
; Dato entrada : numero de libro
; ------------------------------------------------------------------------
Pg. 330 de 337

(defun ver-name-libro ( libro / mi-libro el-libro )

el-libro
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre del Libro enlazado con ACAD actualmente.
; ------------------------------------------------------------------------
(defun ver-name-libro-actual ( / el-libro )
el-libro
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre de una Hoja de un Libro abierto.
; Datos entrada:
; - numero o nombre del libro
; - numero de hoja
; ------------------------------------------------------------------------
(defun ver-name-hoja ( libro num_hoja / coleccion-hojas mi-hoja la-hoja)
) ; if
mi-libro "sheets"))
(setq mi-hoja (vlax-get-property ; Hoja seleccionada
coleccion-hojas "item" num_hoja))
la-hoja
) ; defun
; ------------------------------------------------------------------------
; Para ver el Nombre del Libro o de la Hoja enlazada con ACAD actualmente.
; ------------------------------------------------------------------------
(defun ver-name-hoja-actual ( / la-hoja )
la-hoja
) ; defun
; ------------------------------------------------------------------------
; Para renombrar una Hoja.
; Datos entrada:
; - numero o nombre de libro
Pg. 331 de 337

; - numero o nombre de hoja

; - nombre nuevo para hoja
; ------------------------------------------------------------------------
(defun rename-hoja (libro num_hoja nombre / mi-libro mi-hoja la-hoja)
(if (= (type libro) (type "H")) ; STR: libro es numero y hallamos su nombre
) ; if
(if (= (type num_hoja) (type "H")) ;STR: num_hoja es nombre y hallamos su numero
(setq num_hoja (ver-num-hoja libro num_hoja))
) ; if

mi-libro "sheets"))
(setq mi-hoja (vlax-get-property ; Hoja seleccionada
coleccion-hojas "item" num_hoja))
(setq la-hoja (vlax-put-property mi-hoja "name" nombre))
) ; defun
; ------------------------------------------------------------------------
; Para renombrar un Libro.
; Datos entrada:
; - numero de libro
; - numero de hoja
; - nombre nuevo para hoja
; ------------------------------------------------------------------------
(defun rename-libro (libro nombre / mi-libro)
(setq el-libro (vlax-put-property mi-libro "name" nombre))
) ; defun
; ------------------------------------------------------------------------
; Renombra Libro de Excel.
; NO VA BIEN ver propiedades .....
; Dato entrada : numero de libro y nombre para el mismo.
; ------------------------------------------------------------------------
;(defun rename-libro (libro name / mi-libro )
; (setq mi-libro (vlax-get-property coleccion-libros "item" libro))
; (vlax-invoke-method mi-libro "exchange" "name" name)
;) ; defun
; ---------------------------------------------------------------
; ------------------------------------------------------------------------
; Lista de libros abiertos actualmente en EXCEL.
Pg. 332 de 337

; ------------------------------------------------------------------------
(defun lista-libros ( / num_libros contador name_libro lista_libros)
(setq num_libros (num-libros))
(setq lista_libros nil)
(setq contador 1)
(repeat num_libros
(setq name_libro (ver-name-libro contador))
(setq lista_libros (cons name_libro lista_libros))
(setq contador (1+ contador))
) ; repeat
(reverse lista_libros)
) ; defun
; ------------------------------------------------------------------------
; Lista de Hojas de un Libro abierto en EXCEL.
; Datos entrada: - numero o nombre de libro
; ------------------------------------------------------------------------
(defun lista-hojas-libro (libro / name_libro num_hojas lista-hojas contador name_hoja)
(if (= (type libro) (type "H")) ; STR: libro es un numero y hallamos su nombre
(setq libro (ver-name-libro libro))
) ; if
(setq name_libro (ver-name-libro libro))
(setq num_hojas (num-hojas libro))
(setq lista-hojas nil)
(setq contador 1)
(repeat num_hojas
(setq name_hoja (ver-name-hoja (ver-name-libro libro) contador))
(setq lista-hojas (cons name_hoja lista-hojas))
(setq contador (1+ contador))
) ; repeat
(setq lista-hojas (reverse lista-hojas))
(setq lista-hojas (cons name_libro (list lista-hojas)))
) ; defun
; --------------------------------------------------------------------------------
; Ver numero correspondiente a un Libro de EXCEL (dado por su nombre).
; Datos entrada: - nombre de libro
; OJO: esta orden es sensible a las mayusculas por lo que el nombre debe ser exacto.
; ---------------------------------------------------------------------------------
(defun ver-num-libro (libro / lista_libros lll ll_libos posicion)
(setq lista_libros (lista-libros))
(if (member libro lista_libros)
(progn
Pg. 333 de 337

(setq lll (length (member libro lista_libros)))

(setq ll_libros (length lista_libros))
(setq posicion (1+ (- ll_libros lll)))
) ; progn
(progn
(prompt (strcat
"\n El Libro indicado (" libro ") no esta abierto."))(print)
(setq posicion 0)
) ; progn
) ; if & progn
; (print posicion)
(if (= posicion 0) (setq posicion nil) (setq posicion posicion))
) ; defun
; ---------------------------------------------------------------------------------
; Ver numero correspondiente a una Hoja de un libro de EXCEL (dado por su nombre).
; Datos entrada:
; - nombre o numero de libro
; - nombre de hoja
; OJO: esta orden es sensible a mayusculas asi que los nombres deben ser exactos.
; ---------------------------------------------------------------------------------
(defun ver-num-hoja ( libro hoja / lista_libros lll ll_libros posicion_libro posicion)
(if (= (type libro) (type "H")) ; STR: libro es un numero y hallamos su nombre
(setq libro (ver-name-libro libro))
) ; if
(setq lista_libros (lista-libros))
(if (member libro lista_libros)
(progn
(setq lll (length (member libro lista_libros)))
(setq ll_libros (length lista_libros))
(setq posicion_libro (1+ (- ll_libros lll)))
(setq lista_hojas_libro (cadr (lista-hojas-libro posicion_libro)))
(if (member hoja lista_hojas_libro)
(progn
(setq lll (length (member hoja lista_hojas_libro)))
(setq ll_hojas (length lista_hojas_libro))
(setq posicion (1+ (- ll_hojas lll)))
(setq lista_hojas_libro (cadr (lista-hojas-libro posicion_libro)))
) ; progn
(progn
(prompt (strcat "\n La Hoja indicada (" hoja ")
no existe en el libro abierto (" libro ")."))(print)
Pg. 334 de 337

(setq posicion 0)
) ; progn
) ; if
) ; progn
(progn
(prompt (strcat
"\n El Libro indicado (" libro ") no esta abierto."))(print)
(setq posicion 0)
) ; progn
) ; if & progn
; (print posicion)
(if (= posicion 0) (setq posicion nil) (setq posicion posicion))
) ; defun
; --------------------------------------------------------------
; Ejecucion de MACRO de EXCEL desde ACAD
; Los datos de entrada son:
; LIBRO = nombre del libro en el que esta definida la macro.
; MACRO = nombre de la macro a ejecutar.
; Ademas previamente deberiamos considerra situar la hoja.
; --------------------------------------------------------------
(setq libro "Libro1")
(setq macro "Macro1")
(defun run_macro ( libro macro / micadena lacosa )
(setq micadena (strcat libro "!" macro))
; (setq lacosa (vlax-invoke-method apl-excel 'Run.Application "Libro1!Macro1"))
(setq lacosa (vlax-invoke-method apl-excel 'Run.Application micadena))
; La siguiente linea tambien funciona sustituyendo a la anterior.
; (setq lacosa (vlax-invoke apl-excel 'Run.Application micadena))
(print)
) ; defun
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
; Para cambiar el color de una celda de Excel desde Acad
(defun cambia_color_celda (/)
(setq *AplExcel* (vlax-get-or-create-object "excel.application")

*ColeccionLibros* (vlax-get-property *AplExcel* "Workbooks")
*NuevoLibro* (vlax-invoke-method *ColeccionLibros* "add")
*ColeccionHojas* (vlax-get-property *NuevoLibro* "Sheets")
*Hoja1* (vlax-get-property *ColeccionHojas* "Item" 1)
Range (vlax-Get-Property *Hoja1* 'Range "B2")
Pg. 335 de 337

Interior (vlax-Get-Property Range 'Interior))

(vlax-Put-Property Interior 'ColorIndex 4)
) ; defun
; ---------------------------------------------------------------
; Funcion que procesa datos de una lista a las celdas de Excel
(defun procesa-tabla (lista / numfila numcol)
(setq numfila 1)
(foreach campo (car lista)
(dato->celda numfila
(setq numcol (1+ numcol))
(car campo))
) ; foreach
(while (setq fila (car lista))
(setq numfila (1+ numfila)
lista (cdr lista))
(procesa-fila fila numfila)
); while
) ; defun
; ---------------------------------------------------------------
(defun procesa-tabla2 (lista / numfila numcol)
(setq numfila 1)
(setq numcol 1)
(repeat (length lista)
(setq lalinea (nth (1- numfila) lalista))
(repeat (length lalinea)
(setq campo (nth (1- numcol) lalinea))
(dato->celda numfila numcol campo)
(setq numcol (1+ numcol))
) ; repeat
(setq numcol 1)
(setq numfila (1+ numfila))
) ; repeat
) ; defun
; ---------------------------------------------------------------
; Funcion que envia datos de una lista a las celdas de Excel
; nombre: nombre de la hoja
: lista: lista a procesar
(defun lista->excel (nombre lista / *error* celdas-excel hoja-1 coleccion-hojas nuevo-libro
coleccion-libros apl-excel)
(setq *error* apl-err)
(vl-load-com)
Pg. 336 de 337

(conecta-excel) ; conecta la hoja de Excel

(vlax-put-property hoja-1 "Name" nombre) ; pone nombre a la hoja de Excel
(procesa-tabla2 lista) ; envia datos de la lista a las celdas de Excel
; (desconecta-excel) ; desconecta la hoja de Excel
); defun
; ---------------------------------------------------------------
; Prueba de Lista->excel
(defun c:lista->excel (/)
(setq elnombre (getstring "\n Introduce nombre de hoja: "))
(setq lalista (list (list "hola como estas" "adios" "tres")
(list "hola1" "adios2" "tres3")
(list "hola01" "adios02" "tres03")))
(lista->excel elnombre lalista)
); defun
; ---------------------------------------------------------------------------------
(prompt "\n Funciones de ACAD_EXCEL cargadas. C)TRONCOSOFT-VIGO. 2006-2015 \n") (print)
; ---------------------------------------------------------------------------------
; Fin de ACAD_EXCEL.LSP (C) TRONCOSOFT-VIGO 2006-2015
; --------------------------------------------------------------------------------
Pg. 337 de 337

y al final, un poco ms de literatura, volvemos a Lewis Carrol
- Quisiera usted decirme qu camino debo tomar para irme de aqu?, pregunt Alicia.
- Eso depende, en mucho, del lugar donde quiera ir, respondi el Gato.
- No me preocupa mayormente el lugar..., dijo Alicia.
- En tal caso, poco importa el camino, declar el Gato.
- ... con tal de llegar a alguna parte, aadi Alicia.
- Oh!, dijo el Gato: puede estar usted segura de llegar, con tal de que camine durante un
tiempo bastante largo ...
Lewis Carroll (1832-1898),

seudnimo de Charles Lutwidge Dodgson,
en Alicia en el pas de las maravillas.

Metodología para La Optimización

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Metodología para La Optimización

Diunggah oleh

Hak Cipta:

Format Tersedia

Departamento de Diseo en la Ingeniera

METODOLOGA PARA LA OPTIMIZACIN

Vigo, septiembre de 2015

Metodologa para la Optimizacin del Diseo de Distribuciones en Plantas Industriales.

Reservados todos los derechos.

METODOLOGA PARA LA OPTIMIZACIN DEL

para optar al ttulo de

Vigo, septiembre de 2015

Dr. Jos Pose Blanco, Catedrtico de Escuela Universitaria del

Para que as conste y surta los efectos oportunos, firmo la presente en

Vigo, a 21 de septiembre de 2015

Fdo: Dr. Jos Pose Blanco

Don Jos Carlos Troncoso Saracho, doctorando de la Universidad de Vigo,

hace constar que esta tesis titulada METODOLOGA PARA LA

OPTIMIZACIN DEL DISEO DE DISTRIBUCIONES EN PLANTAS

INDUSTRIALES ha sido realizada en la Universidad de Vigo, en la Escuela de

Ingeniera Industrial (E.E.I.)

Se ha realizado en el departamento de Diseo en la Ingeniera, dentro del

programa de doctorado Ingeniera de Diseo y Fabricacin, bajo la direccin del

Dr. Jos Pose Blanco.

En Vigo, septiembre de 2015

Fdo: Jos Carlos Troncoso Saracho

Dedicado a mi madre, por su saber esperar,

Este trabajo de investigacin tiene como principal objetivo presentar

De la revisin bibliogfica se extrae que aunque las tcnicas de diseo de

Por este motivo se ha abordado como principal objetivo de este trabajo de

El modelo propuesto, considera tres etapas distintas. En la primera etapa, a

What is understood need not be discussed.

This work has as main objective to present some operational procedures to

What is understood need not be discussed.

This work has as main objective to present some operational procedures to

Palabras Clave: Distribucin en Planta, Instalaciones Industriales, Diseo

Basadas en algunos de los trabajos realizados para la investigacin de este

Se citan, a continuacin, algunas de las publicaciones fimadas por el autor

q Ponencia con Comunicacin Oral y Publicacin de Resumen en el "VIII

q Ponencia con Comunicacin Oral y Publicacin del Resumen en el

q Citacion de Artculo en revista Virtual PRO, especializada en Procesos

1.1. CONSIDERACIONES GENERALES. 4

1.3. OBJETIVOS. ... 13

1.3.1. Objetivo general. .. 13

1.3.2. Objetivos especficos. 14

1.5. IMPORTANCIA DEL TRABAJO. .. 16

1.6. CONSIDERACIONES SOBRE EL TRABAJO. .... 18

1.7. ESTRUCTURA DEL TRABAJO. .. 20

2. EL PROBLEMA DE DISTRIBUCIN EN PLANTA 25

2.1. CONSIDERACIONES INICIALES. 25

2.2. CARACTERSTICAS DEL PROBLEMA. . 30

2.2.2. Tipos de problemas. 30

2.2.3. Diferencia entre los problemas. 31

2.2.4. Relacin entre el problema de distribucin en planta de instalaciones y el

2.3. PROYECTO DE DISTRIBUCIN DE INSTALACIONES INDUSTRIALES. . 37

2.3.1. Planificacin y Proyecto de Instalaciones. .. 37

2.3.1.1. Layout de Instalaciones Industriales. .. 38

2.3.1.2. Tipos de Layout Basados en el Flujo. .. 40

2.3.1.3. Tipos de Layout Basados en la Funcionalidad. 41

2.3.2. Recogida de Informacin para el Layout de Instalaciones Industriales. 42

2.3.2.2. Especificacin del Proyecto. .. 44

2.3.3. Principios que deben cumplir las distribuciones. .. 45

2.4. MODELADO MATEMTICO PARA PROBLEMAS DE DISTRIBUCIN EN PLANTA. .... 46

2.4.2. Modelo cuntico de asignaciones. .. 47

2.4.3. Modelo cuntico de recubrimiento de conjunto. .. 51

2.4.4. Modelo de Programacin Lineal Entera. .. 53

2.4.5. Problemas de Programacin Entera Mixta. 56