La Inteligencia Artificial es un revolucionario campo perteneciente a la Ciencias de la Computación cuyo principal objetivo es simular algunos procesos cognitivos o incluso imitar ciertos procesos de la naturaleza para tratar de dar solución a determinados problemas computacionales. Dentro de la Inteligencia Artificial existe una técnica de optimización llamada Algoritmos Genéticos que es perteneciente al área de Cómputo Evolutivo cuyo uso ha ido en aumento en los últimos años en diversos ámbitos incluida la Logística y Cadena de Suministro debido a su confiabilidad y robustez para encontrar soluciones en un espacio de búsqueda determinado.

Algoritmos Genéticos

Un Algoritmo Genético es una técnica metaheurística que es aplicada en problemas de búsqueda y optimización. Está basada en el proceso de Evolución y Selección Natural de las especies.

Esta técnica trabaja con una población que está conformada por un conjunto de individuos que son representados a través de estructuras de datos. Cada individuo es una posible solución para el problema. La posible solución de cada individuo corresponde a su genotipo y a partir de éste, se obtendrá su fenotipo con el que se evaluará a cada individuo. Una vez evaluada la población, se seleccionarán los individuos que tengan una mejor aproximación a la solución deseada. A los individuos seleccionados se les aplicarán los llamados operadores genéticos cuya función es modificar su estructura, imitando los mecanismos de recombinación y mutación que se dan en la naturaleza. Los operadores genéticos típicamente usados son la cruza y la mutación.

Cruza: Es un operador sexual, es decir, se requiere de dos individuos. Se elige aleatoriamente una parte del genotipo de cada individuo y esa parte se intercambia entre ellos, generando dos individuos nuevos.
Mutación: Es un operador asexual ya que sólo es necesario un individuo. Se eligen aleatoriamente al menos 2 partes del genotipo y se intercambian para generar un individuo diferente.

Las acciones previamente mencionadas se llevarán a cabo un determinado número de veces dependiendo de un criterio que definirá si el proceso evolutivo termina o no. Cada iteración de evaluación, selección y operadores genéticos se le conoce como generación. Una vez que el criterio se satisface, el mejor individuo de la población representará la mejor solución.

 

Diagrama de flujo del funcionamiento de un Algoritmo Genético

Figura 1. Diagrama de flujo del funcionamiento de un Algoritmo Genético.

 

En otras palabras, un Algoritmo Genético lleva a cabo una exploración en el espacio de búsqueda del problema definido a través de la población. Mediante la evaluación de cada individuo y la selección de los mejores fenotipos, las dimensiones del espacio de búsqueda se parametrizan, reduciéndolo generación tras generación. Gracias a los operadores genéticos, se lleva a cabo una explotación profunda del nuevo espacio de búsqueda definido en el paso anterior, asegurando una solución aceptable de acuerdo al criterio de convergencia o fin definido.

Implementación en Order Picking Sistem (OPS)

OPS (Order Picking System) es una solución que forma parte de la suite Supply Net® que optimiza la ejecución de surtido o picking dentro del almacén y la utilización del transporte. Surgió debido a la necesidad de aprovechar, en la medida de lo posible, el espacio en los transportes al momento de la carga de las tarimas de productos. Teniendo en mente esto, es posible plantear lo anterior como un problema de optimización combinatoria debido a que se pueden generar n combinaciones de tarimas de productos acomodadas en el espacio dado por el transporte. Cada combinación es una posible solución para el problema.

Con base en el enfoque descrito anteriormente, un Algoritmo Genético puede aplicarse para encontrar una combinación (o conjunto de combinaciones) de tarimas de productos que satisfagan el criterio de convergencia definido. Por consiguiente, se ha dado el primer paso en la implementación: definir el genotipo de los individuos que conformarán la población.

 

Arquitectura general del genotipo para el Algoritmo Genético de optimización de espacio empleado en OPS

Figura 2. Arquitectura general del genotipo para el Algoritmo Genético
de optimización de espacio empleado en OPS.

 

Ya definido el genotipo y por lo tanto el fenotipo de los individuos, el siguiente paso consiste en evaluarlos. Para efectuar este proceso, es necesario definir restricciones que van de acuerdo a lo que se desea lograr. Por ejemplo, se pueden definir restricciones relacionadas al peso de las tarimas, al acomodo de las mismas dentro del transporte, al contenido de las tarimas o a la altura máxima que pueden tener. A este conjunto de restricciones se le conoce como función de aptitud o fitness.

Una vez evaluados, aquellos individuos cuyo valor de aptitud tiende a lo deseado, son seleccionados para conformar una nueva población a la que se le aplicarán los operadores genéticos antes mencionados. Para el caso de OPS, estos operadores genéticos se centran mayormente en las tarimas de restos o “picking” del genotipo ya que es la parte con más posibilidad de generar combinaciones.

Finalmente, el criterio de convergencia o fin es un número definido de generaciones ya que, debido a la naturaleza del problema, el proceso evolutivo puede converger, es decir, encontrar una solución suficientemente aceptable en las primeras generaciones o en su defecto, necesite más generaciones para encontrar una solución satisfactoria. El número de generaciones tiene una correlación directa con la cantidad de productos a surtir. A continuación, se presenta un diagrama de bloques que muestra las entradas y salidas del proceso evolutivo implementado en OPS.

 

 Diagrama de bloques del proceso evolutivo en OPS

Figura 3. Diagrama de bloques del proceso evolutivo en OPS.

Conclusiones

Las técnicas de Inteligencia Artificial son cada vez más usadas en diversos campos del conocimiento debido a que abren nuevos caminos para manejar problemas que hace décadas era imposible resolverlos empleado una entidad computacional, o se emplean para innovar técnicas actuales.

OPS evoluciona integrando Algoritmos Genéticos para ofrecer una optimización robusta, novedosa y confiable. Y en consecuencia, OPS se encuentra a la vanguardia computacional y logística.

Glosario

Metaheurística

”Meta” (prefijo griego cuyo significado es “más allá”) “heurística” (heuriskein, “hallar o encontrar”). En Ciencias de la Computación, una metaheurística es una estrategia o conjunto de estrategias generales que combinas diversos conceptos para guiar a una heurística (una heurística es un algoritmo que busca una solución aproximada y aceptable debido a que buscar la solución exacta tomaría mucho tiempo y el costo computacional sería elevado) en el proceso de exploración y explotación de un espacio de búsqueda de una forma aceptable.

Genotipo

Es la colección de genes de un individuo, es decir, el material o contenido genético. En Computación Evolutiva, el genotipo de un individuo es el conjunto de estructuras de datos que conforman una posible solución.

Fenotipo

Conjunto de características estructurales, fisiológicas y etológicas de un individuo, es decir, las características observables del mismo. En Computación Evolutiva, el fenotipo es la representación del conjunto de estructuras de datos que conforman el genotipo de un individuo. Típicamente se emplea para evaluar la solución que representa.

 

Hugo I. Alcaraz Herrera – netLogistiK® www.netlogistik.com

 

Categorías: Artículos

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *