Download simulaciones del sistema inmune.

Convocatoria de Investigación
Científica y Tecnológica 2008
OPTIMIZACIÓN INTELIGENTE EN LA
INNOVACIÓN DE PROCESOS INDUSTRIALES
Formato CI-01 POSGRADO/2008
-1-
Convocatoria de Investigación
Científica y Tecnológica 2008
SOLICITUD DE APOYO ECONÓMICO
(CI-01 POSGRADO/2008)
Antes de proporcionar la información solicitada, lea cuidadosamente cada uno de los rubros que contiene
la presente solicitud.
FECHA DE ELABORACION
10
MAR
2008
DÍA
MES
AÑO
Concentrado Proyecto de Investigación propuesto a la DGEST
Instituto Tecnológico de Villahermosa
Director del Proyecto:
Título del Proyecto
Optimización inteligente en la
JORGE ALBERTO PARDO TORRES
Correo electrónico:
innovación de procesos industriales
[email protected]
Nivel SNI:
Area:
Tipo de investigación
Maestría
( X
)
Básica
(
)
Aplicada
Doctorado
(
( X)
Desarrollo Tecnológico
(X)
Otro
(
)
)
Línea de investigación o de trabajo
Nombre del Postgrado
MAESTRÍA EN CALIDAD
CALIDAD Y PRODUCTIVIDAD
Fecha de arranque del proyecto
Fecha de termino del proyecto
15/ABRIL/2008
15/ABRIL/2009
Colaboradores / Cuantitativo
Total apoyo solicitado a la DGEST
Docente/Investigador
7
Capítulo 2000
$120,000
Alumnos
7
Capítulo 3000
$20,000
Tecnicos
Admin.
1
Formación de Recursos Humanos.
Publicaciones, Eventos.
Metas esperadas (Cuantitativo):
Metas Esperadas (Cuantitativo)
Doctorado (titulación):
Publicaciones:
Maestría: 1
Eventos Nacionales:
Estudiantes de licenciatura
en el proyecto: 3
Eventos Internacionales: 2
Prototipos:
Patentes
Profesor-Investigador Responsable
Director del Plantel
JORGE ALBERTO PARDO TORRES
ING. MARIA ELENA ROJAS RAUDA
Nombre y Firma
Nombre y Firma
Formato CI-01 POSGRADO/2008
-2-
Convocatoria de Investigación
Científica y Tecnológica 2008
1. PROYECTO INSTITUCIONAL
Institución
INSTITUTO TECNOLÓGICO DE VILLAERMOSA
Nombre del Postgrado
MAESTRIA EN CALIDAD
Línea de Investigación o de Trabajo (la establecida por cada programa de postgrado)
CALIDAD Y PRODUCTIVIDAD
Título del proyecto
Area
Optimización inteligente en la innovación de procesos industriales
Ciencias Naturales
(
)
Ciencias Biológicas
(
)
Ciencias de la Tierra y del Medio Ambiente
(
)
Ingeniería y Tecnología
( X )
Ciencias Agrícolas
(
)
Ciencias Sociales
(
)
Tipo de investigación
Básica
(
)
Duración del
proyecto
Un Año
NOTA IMPORTANTE:
Aplicada
( X)
Desarrollo Tecnológico
( X )
Fecha de
inicio
Fecha de
termino
15/ABR/2008
15/ABR/2009
Proyecto
recurrente
Clave
Anexar el informe de avance del proyecto recurrente
Vinculación con el Sector Productivo. Especifique el nombre de la industria y tipo de cooperación que
existirá, así como la responsabilidad en los resultados del proyecto. Anexe carta compromiso.
Formato CI-01 POSGRADO/2008
-3-
Convocatoria de Investigación
Científica y Tecnológica 2008
Nombre
Responsabilidad en
los resultados del
proyecto
Tipo de
cooperación
Anexa carta compromiso
NO
(
)
SI
(
)
2. DATOS DEL GRUPO DE INVESTIGACIÓN SOLICITANTE
a) Datos generales y colaboración en el proyecto.- Proporcionar esta información para cada
uno de los miembros del grupo de investigación. Iniciar con el investigador director del
proyecto.
JORGE ALBERTO PARDO TORRES
Nombre completo
Clave Única de Registro de Población ( CURP )
PATJ740204HTCRRR05
Firma
Registro Federal de Contribuyentes ( R.F.C )
PATJ740204KEA
Grado máximo de estudios
DOCTORADO
Cargo (profesor, jefe de oficina, etc.)
PROFESOR/INVESTIGADOR
Ubicación (departamento, taller, laboratorio o
sección)
ESTUDIOS DE POSGRADO E
INVESTIGACIÓN
Teléfono
Correo electrónico personal
[email protected]
nivel
Miembro del S.N.I. (actualmente)
NO x
# de registro
SI
vigencia
Profesor de tiempo completo
NO x
Profesor de tiempo parcial
SI
SI
Antigüedad
x
19
horas
6
años
Formato CI-01 POSGRADO/2008
-4-
Convocatoria de Investigación
Científica y Tecnológica 2008
Actividades a desarrollar en el proyecto.
1. REVISIÓN DEL ESTADO DEL ARTE (REVISION DE BIBILIOGRAFIA)
2. DESARROLLO DEL LABORATORIO DE INGENIERÍA VIRTUAL (LIV)
3. IMPLEMENTACIÓN DEL LIV.
4. IMPLEMENTACIÓN DEL MODELO DE INNOVACIÓN EVOLUTIVA
5. DESARROLLO DE NUEVAS METODOLOGÍAS
6. DESARROLLO DE MECANISMOS HIDRIDAS DE INTELIGENCIA ARTIFICIAL
(LOGICA DIFUSA, REDES NEURONALES, ALGORITMOS GENÉTICOS,
SISTEMAS INMUNES ARTIFICIALES, MINERIA DE DATOS, SISTEMAS
BASADOS EN CONOCIMIENTOS)
7. DESARROLLO DE INGENIERÍA VIRTUAL (INGENIERÍA CONCURRENTE,
SIMULACIÓN Y OPTIMIZACIÓN)
8. EVALUACIÓN Y AJUSTE
9. CONCLUSIONES Y PROPUESTAS
Anexar currículum vítae resumido y actualizado que incluya formación profesional, proyectos de
investigación realizados, publicaciones recientes últimos tres años y tesis dirigidas.
b) Administrador del proyecto
C.P. Raymundo López Esparza
Nombre completo
Firma
Número de participantes en el proyecto
Profesor/Investigador
Estudiante
7
7
Nombre
Profesor/Investigador
Instituto Tecnológico
de Orizaba
Alberto
Laserre
Aguilar
Instituto Tecnológico
de Orizaba
Hilarion Muñoz
Profesor
Investigador
PEMEX Exploración y
Producción
Bernardo Calva
Investigador
Técnico
Estudiante
Administrativo
Total
1
15
Técnico
Administrativo
Total
Profesor
Investigador
Total de miembros en el Sistema Nacional de Investigadores: ____________
Formato CI-01 POSGRADO/2008
-5-
Convocatoria de Investigación
Científica y Tecnológica 2008
3. DESCRIPCIÓN DEL PROYECTO
3.1 Resumen
El concebir un nuevo producto es en si un problema ya que implica el diseño del proceso, diseño y
construcción de la línea de producción o reconfiguración de la misma, los costos de investigación, las
pruebas de conceptos, ajustes a los prototipos, empaques, logística del colocación y el lanzamiento.
Las soluciones óptimas no pueden ser obtenidas para problemas de tamaño real por lo que es necesario el
uso de métodos heurísticos para obtener soluciones cercanas a la óptima dentro de un tiempo de solución
razonable.
Por otra parte, las metodologías heurísticas son técnicas de optimización de propósito general que han
sido aplicadas exitosamente a problemas de ingeniería industrial como los mencionados en las líneas de
arriba. Esta investigación propone el uso de metodologías heurísticas para la solución de problemas de
ingeniería industrial. Las metodologías propuestas son: Algoritmos Genéticos (Genetic Algorithms),
Búsqueda Tabú (Tabu Search) y Recocido Simulado (Simulated Annealing), Redes neuronales (neuronal
network), y algunas técnicas mixtas como sistemas difusos y neurodifusos.
Por lo que existe una motivación en la combinación y el diseñar una metodología que permita la
resolución de estos tipos de problemas de Ingeniería.
En los últimos años, han surgido nuevos enfoques para resolver problemas de búsqueda y optimización.
Entre estos nuevos enfoques, están las metaheurísticas, a la que podemos definir en términos generales
como técnicas de búsquedas que integran, de diferentes maneras, procedimientos de mejoras locales y
estrategias de alto nivel para crear un proceso capaz de escapar de óptimos locales y realizare una
búsqueda robusta en espacios de soluciones. Las metodologías heurísticas son técnicas de optimización de
propósito general que han sido aplicadas exitosamente a problemas de ingeniería industrial como los
mencionados en las líneas de arriba. Esta investigación propone el uso de metodologías metaheurísticas
para la solución de problemas de ingeniería industrial. Entre las metodología existentes se encuentran:
Algoritmos Genéticos (Genetic Algorithms), Búsqueda Tabú (Tabu Search) y Recocido Simulado (Simulated
Annealing), y algunas técnicas mixtas como sistemas difusos y neurodifusos como las Redes Neuronales
(neuronal network) y los Sistemas Inmunes Artificiales (Immune Artificial Systems).
Los algoritmos genéticos han demostrado ser heurísticas muy eficientes en la solución de problemas de
optimización. Sin embargo, tienen algunas desventajas; una de ellas es su incapacidad para manejar
restricciones de forma natural, lo que hace necesario incorporarles algún mecanismo adicional con tal
finalidad. La importancia de manejar restricciones es debida, entre otras causas, a que la mayoría de los
problemas de optimización de mundo real las posee y aunque se ha desarrollado un número importante
de algoritmos para manejarlas, aún existe la necesidad de técnicas alternativas. En la ingeniería petrolera
se han introducido de manera exitosa estas técnicas de inteligencia artificial (IA) pero limitada.
Los sistemas inmunes artificiales son modelos computacionales que a semejanza del natural resuelve de
manera simultanea los problemas de ingeniería, siendo una herramienta potente que integra las mejores
practicas de los algoritmos genéticos y las redes neurodifusas artificiales. Esta herramienta de IA sea
explorado poco, por lo que existe un potencial enorme. En este proyecto pretende la aplicación de estos
mecanismo para la definición de escenarios de solución para la detección de factores que determinen la
calidad y productividad permitiendo con esto mejorar los procesos industriales o empresariales
redundando en la disminución de los costes maximizando las ganancias de las empresas.
Formato CI-01 POSGRADO/2008
-6-
Convocatoria de Investigación
Científica y Tecnológica 2008
Con esto se busca mejorar la calidad de las decisiones de la Alta Dirección al tener una herramienta donde
pueda visualizar los diferentes escenarios que puede tener un producto permitiendo elegir el que de
mayor valor agregado a la empresa
3.2 Estado del campo o del arte
3.2.1. El Diseño en Ingeniería
Dirigir el diseño es una forma especial de solucionar de problema donde un sistema de objetivos con
frecuencia confusos tiene que ser equilibrado sin la violación de ningunos apremios dados. Por lo tanto, se
parece natural mirar sobre un problema del diseño como problema de la optimización. Empleando
modelar moderno, las técnicas de la simulación y de la optimización, las mejoras extensas se podían
alcanzar en diseño. Sin embargo, habrá siempre del proceso del diseño que requieren el juicio humano o
in cuantificable que no se satisface para la automatización con ninguna estrategia de optimización. Dentro
de este capítulo, diversas teorías del diseño serán discutidas y está pulsando cómo es similar están a un
procedimiento general de la optimización. Sobre esta base, se presenta un modelo del diseño del sistema,
que introduce la simulación y la optimización como herramientas que apoyen el proceso del diseño. No
obstante las buenas herramientas nosotros emplean para apoyar el diseño de un sistema, el proceso sí
mismo del diseño tiene que ser manejado. La parte pasada de este capítulo se asigna a describir un
método que se podría emplear para modelar el proceso sí mismo del diseño. Una vez que se cree tal
modelo, la simulación podría dar penetraciones crecientes a las características del proceso del diseño.
Este documento se centrar en el diseño de los sistemas de la ingeniería basados en modelos numéricos de
la simulación. En la literatura, hay varias definiciones es de qué sistema, ve por ejemplo Blanchard y
Fabrycky [ 26 ], Bruns [ 27 ], Hubka y Eder [ 28 ], Ljung y alegre [ 29 ] y Pahl y Beitz [ 30 ]. Un
significado común del sistema de la palabra es un sistema de componentes correlacionados previstos para
alcanzar un objetivo común. El sistema también es caracterizado por un límite, que corta a través de los
acoplamientos al ambiente, así creando entradas y salidas al sistema. Las características y los
comportamientos de cada componente contribuyen al comportamiento del sistema en su totalidad. En una
perspectiva del diseño del sistema no nos estamos centrando en el diseño detallado de componentes
individuales, sino en la interrelación de los componentes, que cada uno se podría describir por un sistema
limitado de los parámetros dominantes. Así, el foco de esta tesis está entre el diseño conceptual y el
diseño temprano del detalle del modelo de la fase descrito abajo. Hay muchos modelos del proceso del
diseño de la ingeniería. Un modelo común es el tipo modelo de la fase, considera por ejemplo Hubka y
Eder [ 28 ], Pahl y Beitz [ 30 ] y Pugh [ 31 ]. El modelo de la fase es un proceso iterativo de arriba hacia
abajo, aquí representado en la nomenclatura de Pahl y de Beitz [ 30 ]:




Clarificación de la Tarea
Diseño Conceptual
Diseño personalizado
Diseño detallado
Dentro de cada fase un sistema de actividades se realiza. Naturalmente, observa cada fase solamente una
vez, en conclusión para llegar con el diseño final sin cual quierer cantidad de iteraciones. Sin embargo, el
proceso del diseño es muy iterativo, como es indicado por varios autores, ver Cross [ 33 ], Hubka [ 28 ],
Roozenburg y Eekels [ 25 ] y Smith y Eppinger [ 32 ]. Por lo tanto, muchas iteraciones se requieren a
menudo antes de que se alcance el diseño final. Un modelo iterativo de un proceso básico del diseño es
presentado por ejemplo Roozenburg y Eekels [ 25 ] según lo representado en el Figura 2. Este proceso
iterativo del diseño se podía encontrar dentro de cada uno de las tres fases más últimas del tipo modelo
de la fase.
Formato CI-01 POSGRADO/2008
-7-
Convocatoria de Investigación
Científica y Tecnológica 2008
El modelo en la figura 1 indica que el diseño es un proceso iterativo donde se generan y se evalúan las
nuevas ofertas del diseño. Según Roozenburg y Eekels, la parte iterativa consiste en análisis, síntesis, la
simulación, la evaluación y la decisión. Para cada diseño provisional las características previstas se
comparan a los criterios. Si el diseño no resuelve los criterios se modifica y evaluado otra vez en la
búsqueda para el mejor posible diseñe. De este modelo, podría ser visto que el diseño es esencialmente
un proceso de la optimización, según lo indicado ya en 1967 por Simon. Para levantar el nivel de la
automatización, y de tal modo acelerar las partes del proceso, la optimización podría ser formalizada y un
algoritmo de la optimización introducido, considera el modelo en el figura 2.
Figura 2. El ciclo básico del diseño según Roozenburg y Eekels [25]
La Figura 3 representa un proceso del diseño del sistema donde la modelación, la simulación y la
optimización son introducido para apoyar y acelerar el proceso del diseño. El objeto del proceso es en las
dos fases medias del tipo modelo, a saber diseño conceptual y de la encarnación de la fase. En el proceso
propuesto del diseño del sistema, la parte iterativa del proceso general del diseño en la figura 1 se
formaliza y se automatiza con la ayuda de un algoritmo de la optimización.
La “definición de problema”' en la figura 2 da lugar a una lista de requisitos que se utilice para generar
diversa solución principios/conceptos. Aunque las primeras dos tareas son aburridas e importantes, no son
el foco de este trabajo. Una vez que los conceptos hayan alcanzado un suficiente grado del refinamiento,
el modelar y la simulación se emplean para predecir las características de las soluciones particulares del
sistema. Cada solución se evalúa con la ayuda de una función objetiva, que actúa como figura central. La
optimización entonces se emplea para automatizar la evaluación de las soluciones del sistema y generar
nuevas ofertas del sistema. El proceso continúa hasta que se converge la optimización y se encuentra un
sistema óptimo.
Formato CI-01 POSGRADO/2008
-8-
Convocatoria de Investigación
Científica y Tecnológica 2008
Figura 3. Sistema del Proceso
La primera función de la optimización no da lugar a menudo al diseño final. Un aspecto esencial de
modelar y de la simulación el usar es entender el sistema que estamos diseñando. El otro aspecto es
entender nuestras expectativas del sistema, y nuestras prioridades entre los objetivos. Ambos aspectos
son igualmente importantes. Es esencial para el diseño de la ingeniería manejar el diálogo entre la
especificación y el prototipo, según lo indicado por Schrage [ 73 ]. Las simulaciones confirman a menudo
que para qué deseamos poco realista o es la enfermedad concebida. Inversamente, pueden también
revelar que nuestros deseos no son bastante imaginativos.
Si la optimización no converge a un sistema deseado, el concepto tiene que ser modificado o el problema
ser reformulado, que da lugar a una nueva función objetiva. En la figura 3 esto es visualizada por los dos
lazos externos de nuevo a la “generación de los principios de la solución” y la ”definición de problema”
respectivamente. La actividad de “Generación de la soluciones principales” produce naturalmente un
número de conceptos concebibles, que cada uno se optimiza. Así cada concepto se trae al funcionamiento
máximo; la optimización de tal modo proporciona una base sólida para la selección del concepto. La parte
de la evaluación que incluyen el juicio humano se realizan fuera del lazo de la optimización en la actividad
nombrada “comparación”. Si los conceptos no satisfacen estos requisitos, tienen que ser modificados
según lo indicado con el lazo externo. La modificación puede incluir ambos cambios a los conceptos reales
pero también a la formulación de la función objetiva, e.g. introduciendo nuevos retos.
3.2.2. Algoritmos Evolutivos
Actualmente existen, principalmente, tres paradigmas inspirados en los principios del neodarwinismo: los
algoritmos genéticos (AGs), la programación evolutiva (PE) y las estrategias evolutivas (EEs). Estas
técnicas se originaron en los años 60 y se desarrollaron de manera independiente durante casi 15 años.
Sin embargo, a principios de los años 90 se concibieron como diferentes paradigmas de una sola
tecnología denominada computación evolutiva (CE) [Eiben 2003]. Conjuntamente, a los algoritmos de la
CE se les llama algoritmos evolutivos (AE). Estas tres técnicas tienen en común la reproducción, la
variación aleatoria, la competencia, y la selección de individuos contendientes dentro de una población.
Estas técnicas difieren en los detalles técnicos para implementar los operadores evolutivos descritos en la
sección anterior. Por ejemplo, la representación de las soluciones difiere en los tres paradigmas: los AG
utilizan cadenas sobre un alfabeto finito (típicamente binario), las EE utilizan vectores con valores reales, y
la PE usa autómatas de estado finito.
En el algoritmo 1 se muestra el esquema general que describe un algoritmo evolutivo.
1: Inicializar la población con soluciones candidatas aleatorias
2: Evaluar cada solución candidata.
3: mientras no se satisfaga la condición de terminación haz
Formato CI-01 POSGRADO/2008
-9-
Convocatoria de Investigación
Científica y Tecnológica 2008
4:
Seleccionar padres
5:
Recombinar pares de padres
6:
Mutar la descendencia resultante.
7:
Evaluar los nuevos candidatos
8:
Seleccionar individuos para la siguiente generación.
9: Fin mientras
Las estrategias evolutivas (EEs) tienen su origen en la Universidad Técnica de Berlín en 1964 con el
trabajo de Peter Bienert, Ingo Rechenberg, y Hans-Paul Schwefel [34]. Este modelo enfatiza los nexos
conductuales entre padres e hijos, en lugar del nexo genético. Las EEs fueron concebidas para construir
sistemas capaces de resolver problemas de optimización complejos con parámetros con valores reales. Por
ello, la representación natural fue un vector de genes con valores reales, el cual era manipulado,
principalmente, por operadores de mutación que perturbaban los valores reales [35].
La primera versión de una estrategia evolutiva, nombrada (1 + 1)-EE, creaba un solo hijo a partir de un
solo padre. Ambos competían para sobrevivir; el peor individuo era eliminado, mientras que el mejor se
mantenía para la siguiente generación. En la (1 + 1)-EE, a partir de un padre x(t) = (x1; x2; : : : ; xn), el
hijo se generaba mediante la expresión:
x((it)1)  xi(t )  N i (0,  i(t )
donde t se refiere a la generación actual, i = 1; : : : ; n es la i-ésima componente de los vectores x, N y σ,
 (t )
y Ni(0; i ) es un número aleatorio gaussiano con media cero y desviación estándar σ i. Los números
aleatorios son generados de manera independiente. Más tarde, Rechenberg [Rechenberg73] propone la
EE con una población de padres, (μ +1)-EE, en la cual hay μ padres que generan un solo hijo que puede
reemplazar al padre de la población.
Por su parte, Schwefel [44] formula las estrategias (μ + λ)-EE y (μ ; λ)-EE, donde μ son los padres y λ
son los hijos. La primera estrategia selecciona μ individuos de la unión de padres e hijos; la segunda
selecciona μ individuos solamente de la población de hijos. Con base en los resultados de los
experimentos con (μ + 1)-EE, Schwefel encontró la manera de que el programa adaptara 
de manera
automática, a la cual denominó autoadaptación [Schwefel77]. Para este propósito, cada individuo se
(t )
representa con la tupla (x(t);
( t 1)
( t 1)
 (t ) ), y la nueva solución x ,  se crea mediante:
donde N(0; 1) representa un número aleatorio gaussiano con media cero y desviación estándar uno. Ni(0;
1) denota un número aleatorio distinto para cada i, mientras que
proporcionalidad que están en función de n.

y
'
son constantes de
3.2.3. Programación Evolutiva
La programación evolutiva (PE) fue propuesta por Lawrence J. Fogel en los años 60 durante su estancia
en la National Science Foundation [34]. Fogel consideraba que el comportamiento inteligente requiere de
dos habilidades: 1) la habilidad de un organismo para hacer predicciones correctas dentro de su
ambiente; 2) la capacidad de traducir estas predicciones en una respuesta adecuada para una meta dada.
Los autómatas de estado finito fueron la representación ideal para modelar este comportamiento.
Originalmente, Fogel definió la PE de la siguiente manera: una población de autómatas de estado finito
padres eran expuestos a una secuencia de símbolos (el ambiente). Conforme cada símbolo de entrada era
Formato CI-01 POSGRADO/2008
- 10 -
Convocatoria de Investigación
Científica y Tecnológica 2008
presentado a los autómatas padre, se hacía una predicción para determinar el símbolo de salida, el cual
era comparado con el siguiente símbolo de entrada. La idea era que el autómata, eventualmente, pudiera
predecir la secuencia futura de símbolos de entrada.
Se utilizaba una función de «recompensa» para medir la certeza de las predicciones. La descendencia era
creada mutando cada máquina padre, considerando cinco tipos de mutaciones: 1) cambiar el símbolo de
salida; 2) cambiar la transición a un estado; 3) agregar un estado; 4) eliminar un estado; y 5) cambiar el
estado inicial. Estos descendientes eran evaluados de la misma manera que los padres. Los mejores
autómatas con respecto a la función de recompensa son retenidos para ser los padres de la siguiente
generación.
Los PEs fueron aplicados exitosamente a problemas de predicción, identificación, control automático, y
reconocimiento de patrones, entre otros [35].
3.2.4. Algoritmos Genéticos
Los algoritmos genéticos (AG) (originalmente llamados «planes reproductivos genéticos ») fueron
propuestos por John H. Holland [37] en el contexto del aprendizaje de máquina. Hay tres características
principales que distinguen a los AG de los demás algoritmos evolutivos: la representación de los individuos
(tradicionalmente una cadena binaria); el método de selección (selección proporcional); y el operador
principal para modificar al individuo. El operador principal es la cruza sexual, mientras que la mutación es
un operador secundario.
Goldberg define a los algoritmos genéticos de la siguiente manera [36]:
Algoritmos de búsqueda basados en los mecanismos de la selección natural y de la genética natural.
Combinan la supervivencia del más apto entre individuos representados por cadenas, con un intercambio
de información aleatorio para formar un algoritmo de búsqueda que refleje algo del ingenio de la
búsqueda humana.
El funcionamiento del algoritmo básico es el siguiente: se genera una población de individuos P(0) y cada
individuo es evaluado para asignarle una aptitud. Posteriormente se seleccionan algunos individuos para
aparearse y copiarse al grupo de padres. La probabilidad de seleccionar un individuo es proporcional a su
aptitud (presuponiendo un esquema de selección proporcional). Así, los mejores individuos tienen más
oportunidad de tener descendientes. Luego, los operadores genéticos (cruza y mutación) se aplican al
grupo de padres, produciendo la descendencia C’(t). El pseudocódigo de este procedimiento se muestra
en el algoritmo 2.
1: t ← 0
2: inicializar P(t)
3: evaluar los individuos en P(t)
4: mientras no se satisfaga la la condición de terminación haz
5:
t t+1
6:
seleccionar padres C(t) de P(t - 1)
7:
cruzar y mutar los individuos en C(t) para formar C’(t)
8:
evaluar los individuos en C’(t)
9:
selecciona nueva población P(t) de C’(t) y P(t - 1)
10: fin mientras
Algoritmo 2: Esquema básico de un algoritmo genético
En opinión de Michalewicz (38) , para aplicar un AG a un problema se requieren cinco componentes
principales:
Formato CI-01 POSGRADO/2008
- 11 -
Convocatoria de Investigación
Científica y Tecnológica 2008
1. Un esquema de representación y codificación de las soluciones potenciales del problema.
2. Una función de evaluación para clasificar a las soluciones de acuerdo a su aptitud.
3. Operadores genéticos que alteren la composición de los hijos que se producirán para las siguientes
generaciones.
4. Valores para los parámetros que utiliza el algoritmo genético (p. ej., tamaño de la población, porcentaje
de cruza, porcentaje de mutación, número máximo de generaciones.)
Los Algoritmos Evolutivos son sistemas computacionales diseñados para solucionar problemas altamente
no lineales, tomando ideas del proceso evolutivo y de adaptación de la naturaleza, las cuales se agrupan
bajo la denominada teoría Neo-Darwiniana de la evolución [41].
Esta teoría Neo-Darwiniana está compuesta por las ideas clave de tres importantes científicos:
1. El principio de supervivencia de los individuos más aptos del naturalista inglés Charles Darwin
[25].
2. La teoría de la herencia propuesta por el monje austriaco Gregor Mendel, y
3. El evolucionismo de August Weismann.
Los algoritmos evolutivos son métodos de optimización estocásticos basados en someter a un grupo de
estructuras de datos que representan soluciones a un problema determinado a una serie de operadores
inspirados en la teoría de la evolución de Darwin: mutaciones ciegas, recombinación, y selección de los
más adecuados.
Actualmente, se considera que todos los algoritmos evolutivos forman parte de una misma familia, pero
hay diferentes tribus que difieren en cosas como las estructuras de datos que usan para representación,
operadores de variación, y método de selección, tal como se ve en la tabla siguiente. En realidad, es difícil
encontrar un algoritmo de los anteriores en estado puro, aunque cada cual designa su algoritmo con la
tribu a la que más se parece:
Tabla 1. Tribus de algoritmos evolutivos
Algoritmo
Algoritmos genéticos
(Goldberg)
Estrategias de
Evolución
(Rechenberg/Schwef
el)
Programación
evolutiva (Fogel)
Programación
genética (Koza)
Representación del
problema
Cadena binaria
Vector de reales +
desviaciones
estándar
Números reales
Expresiones-S de
LISP representadas
habitualmente como
árboles
Operadores de
variación
Mutación y
crossover
Mutación gaussiana
y crossover
aritmético
(diferentes tipos)
Mutación
Crossover, algo de
mutación
Métodos de selección
Selección de rueda de ruleta (a
veces con elitismo)
Diferentes tipos de selección:
lambda,mu; lambda+mu...
Diversos tipos de selección
Diversos tipos de selección
3.2.5. Sistema Inmune Artificial
Formato CI-01 POSGRADO/2008
- 12 -
Convocatoria de Investigación
Científica y Tecnológica 2008
Los Sistemas biológicos, tales como el ser humano, pueden ser vistos como complejos sistemas de
procesamiento de información, y han servido como inspiración para generar ideas aplicables a la ciencia y
a la tecnología.
Los sistemas de procesamiento de información motivados biológicamente son clasificados en: sistemas
neuronales (redes neuronales), sistemas genéticos (algoritmos evolutivos) y sistema inmune (sistema
inmune artificial).
Las principales características que se pueden observar en el sistema inmune y que son de gran
importancia para su simulación y capacidad de resolver problemas son las siguientes: reconocimiento,
extracción de características, diversidad, aprendizaje, memoria, detección distribuida, autorregulación,
mecanismo de umbral, co-estimulación, protección dinámica y detección probabilística.
Modelos del Sistema Inmune Artificial
Algunas áreas en las que se ha trabajado son: reconocimiento de patrones, seguridad y aprendizaje de
máquina.
Hasta el momento existen cuatro modelos del sistema inmune los cuales se han aplicado en distintas
áreas:
1. Modelos de la médula espinal: La médula espinal se encarga de la generación de células y
moléculas. El modelo computacional más simple genera una cadena de atributo tamaño L. Otra
aproximación está basada en bibliotecas de las cuales se obtienen componentes que en conjunto
forman la cadena de atributos que definen a un anticuerpo.
2. Modelos de timo: Se basa en el modelo inmunológico que explica la generación de repertorios
de células y moléculas capaces de reconocer elementos externos. La glándula timo es la
encargada de llevar a cabo este proceso en el sistema inmune humano. Existen dentro de este
modelo los algoritmos de selección positiva y negativa. Los primeros básicamente tratan de que
los anticuerpos alcancen un umbral de afinidad (qué tan parecido es un anticuerpo con un
antígeno dado). El segundo algoritmo busca que dicha afinidad sea menor al umbral en la
población, los otros son sustituidos.
3. Algoritmos de selección clonal: Usados para controlar a los componentes del sistema inmune
que interactúan con los antígenos. Básicamente lo que se realiza aquí es establecer las afinidades
de los anticuerpos con respecto a cierto antígeno para posteriormente realizar copias de aquellos
que presenten mayor afinidad (clonación) y finalmente llevar a cabo mutaciones con porcentajes
altos para obtener nuevos anticuerpos.
4. Modelos de red inmune: Se usan para simular la estructura y dinámica de la red inmune que
consiste básicamente de las relaciones entre anticuerpos tanto en presencia como en ausencia de
antígenos.
Los dos primeros modelos se basan en componentes principales del sistema inmune. Los dos últimos son
básicamente esquemas de su funcionamiento.
SIMULACIONES DEL SISTEMA INMUNE.
Actualmente se han desarrollado numerosos modelos que emulan el sistema inmune o alguna parte de él,
para resolver problemas del mundo real. Entre los modelos computacionales más investigados se
encuentran los siguientes:
Modelo de Red Inmune.
Formato CI-01 POSGRADO/2008
- 13 -
Convocatoria de Investigación
Científica y Tecnológica 2008
Se basa en la idea que el sistema inmune funciona como una red regulada de células con la capacidad de
reconocerse unas a otras aún en la ausencia de antígenos. A estas redes se les llama redes idiotípicas. Los
linfocitos que componen esta red están interconectados por medio de los anticuerpos.
El reconocimiento de un antígeno no se lleva a cabo únicamente por un conjunto de anticuerpos, sino a
través de un sistema de reconocimiento por niveles, el cual es desatado por la relación anticuerpoantígeno.
Cuando se presenta un primer conjunto de antígenos, el sistema reacciona generando un conjunto A1 de
anticuerpos que le son específicos. Este conjunto de anticuerpos A1 actúan ahora como antígenos y
estimularán la producción de un segundo grupo de anticuerpos a los que se les llama anticuerpos
idiotipicos A2, y que tiene la propiedad de reconocer idiotopes de A1. así de manera sucesiva se creará un
tercer grupo de anticuerpos A3 capaz de reconocer anticuerpos A2.
A partir del modelo de red inmune se concluye que el sistema inmune tiene una sorprendente semejanza
con el sistema nervioso desde el punto de vista de red funcional.
Algoritmo de Selección Negativa.
El algoritmo de selección negativa para la detección de cambios se basa en el principio de reconocimiento
de los propio y lo que no lo es del sistema inmune.
Trabaja de manera análoga al sistema inmune biológico, generando detectores de manera aleatoria,
eliminando aquellos que sólo son capaces de detectar lo propio, y conservando a los detectores que
pueden distinguir a los invasores externos.
El algoritmo funciona de la siguiente manera:


Define como propio un conjunto de cadenas S de longitud l en un alfabeto finito, que es el
conjunto que necesita ser protegido o monitoreado. Por ejemplo, S puede ser un programa,
archivo de datos (cualquier software), o patrón de actividad normal, el cual es segmentado en
subcadenas del mismo tamaño.
Generar un conjunto R de detectores, cada uno de los cuales falla al hacer comparación de
coincidencia (matching) con los elementos de S. En vez de usar comparación de coincidencia
exacta o perfecta, el método usa una regla de comparación parcial, en la cual dos cadenas
coinciden si y sólo si son idénticas en al menos r posiciones contiguas, donde r es un parámetro
seleccionado expresamente por el usuario.
Este algoritmo tiene tres principios importantes:
1) cada copia del algoritmo de detección es única,
2) la detección es de manera probabilística y
3) es un sistema robusto (probabilístico) de detección de cualquier actividad invasora, en lugar de
una de búsqueda para un patrón específico de cambios.
Existen muchas aplicaciones computacionales de estos dos modelos. Entre ellas podemos encontrar por
ejemplo:


La seguridad en computadoras como la detección de virus, monitoreos de procesos ]UNIX,
protección contra usuarios no autorizados.
Detección de anomalías en series de tiempo, detección de fallas y reconocimiento de patrones,
entre otras.
Formato CI-01 POSGRADO/2008
- 14 -
Convocatoria de Investigación
Científica y Tecnológica 2008
MANEJO DE RESTRICCIONES USANDO EL SISTEMA INMUNE
Hajela y Lee desarrollaron un algoritmo para manejo de restricciones basados en el sistema inmune, como
una alternativa para eliminar el uso de la función de penalización en un problema de optimización. En esta
propuesta se usa un algoritmo genético como el motor de búsqueda.
Esta propuesta intenta eliminar la subjetividad que introduce la selección de parámetros en las técnicas
que hasta ahora se han venido utilizando de manera convencional, combinando la información tanto de
los individuos factibles, como de los no factibles.
La información necesaria para poder reconocer una gran variedad de antígenos posibles se encuentra
codificada en segmentos de genes separados de los anticuerpos, cada uno de los cuales forma parte de la
biblioteca.
De manera muy simplificada, podemos decir que los anticuerpos de este algoritmo trabajan de manera
cooperativa para encontrar la forma adecuada que corresponda a un antígeno determinado. El efecto
cooperativo de estos segmentos de gen de los anticuerpos dará como resultado individuos con la forma
adecuada para un antígeno específico.
El sistema inmune está orientado hacia la generación de anticuerpos que se adapten a los antígenos.
Este proceso cooperativo requiere alguna organización. Hajela y Lee propusieron el uso de un algoritmo
genético como la manera más adecuada de llevar a cabo dicha organización, debido a que un problema
de optimización con restricciones es análogo a la evolución dentro de un ecosistema donde la población
debe de ser co-adaptada a un gran número de requerimientos, los individuos de la población no sólo
exhiben su aptitud desde el punto de vista de la función objetivo, sino que además cada individuo debe de
ser factible.
Los anticuerpos con capacidad para reconocer una mayor diversidad de antígenos serán los más aptos,
mientras que los que reconocen una cantidad menor son individuos menos aptos.
A los anticuerpos que son capaces de distinguir una gran variedad de antígenos se les llama generalistas,
y a los que pueden reconocer una menor variedad de antígenos se les llama especialistas, en analogía al
sistema inmune biológico.
El algoritmo supone que existe una población inicial compuesta por una mezcla de individuos factibles y
no factibles. Estos individuos son separados en dos grupos: los individuos no factibles, los cuales tienen la
Formato CI-01 POSGRADO/2008
- 15 -
Convocatoria de Investigación
Científica y Tecnológica 2008
función de anticuerpos, y los individuos factibles, que son los antígenos. Los anticuerpos evolucionan hacia
el grupo de antígenos.
De manera general el algoritmo es el siguiente:
1. Una población inicial se genera aleatoriamente y se evalúa el valor de la función objetivo y la
cantidad de violación de cada miembro de la población.
2. Se divide la población en dos grupos. El primero de ellos contiene a los individuos no factibles que
se denominarán anticuerpos, mientras que en el segundo están divididos los individuos factibles,
llamados antígenos.
3. La aptitud de todos los anticuerpos es inicializada en cero.
4. La aptitud del conjunto de anticuerpos se computa de acuerdo a su similitud con un conjunto de
antígenos predeterminados de la siguiente manera:
Un antígeno se selecciona aleatoriamente de la población de antígenos.
De la población de N anticuerpos, se selecciona aleatoriamente una muestra de tamaño 
sin reemplazo.
 Cada anticuerpo de la muestra es comparado contra el antígeno seleccionado, y
calculamos el resultado de la comparación, a la que llamaremos Z. Los empates se
resuelven de manera aleatoria.
 La cantidad de similitud del anticuerpo ganador es añadida al valor de su aptitud. La
aptitud de los otros anticuerpos permanece sin cambio.
5. Basado en la aptitud calculada en el paso 4, la población de anticuerpos es reproducida en un
algoritmo genético convencional (usando cruza y mutación)
6. El proceso es repetido desde el paso 3 hasta la convergencia o hasta que un número máximo de
la función aptitud es alcanzado.
7. Los individuos son retornados al AG externo y se procede de manera convencional.


La cantidad de similitud Z de una anticuerpo contra el antígeno se calcula de bit a bit de la manera
siguiente
L
z   ti
i 1
Donde ti=1 si hay una coincidencia en la localidad i=1,...,L (donde L es la longitud de ambas cadenas
cromosómicas), o cero si no hay coincidencia. Un valor grande para Z indica un alto grado de coincidencia
entre las dos cadenas, y por lo tanto, un alto valor de aptitud.
Este es el esquema de un problema de adaptación, ya que los individuos no factibles, que pueden tener
altos valores de su función objetivo son forzados a adoptar aquellas características que contribuyen a la
no violación de restricciones en los individuos que son factibles.
La premisa implícita de la técnica, bajo ciertas condiciones, es que la reducción de las diferencias
genotípicas entre dos individuos traerá como consecuencia una similitud fenotípica.
Formato CI-01 POSGRADO/2008
- 16 -
Convocatoria de Investigación
Científica y Tecnológica 2008
El tamaño seleccionado para el parámetro , determina si los anticuerpos son generalistas o especialistas.
Si el tamaño de la muestra  de anticuerpos es lo suficientemente grande, entonces los anticuerpos
tienden a ser especialistas, debido a que hay mayor probabilidad de que un anticuerpo corresponda
exactamente a algún antígeno.
En cambio, si el tamaño de  es pequeño, entonces los anticuerpos tienden a ser generalistas. Cuando
una muestra de tamaño  es igual o ligeramente mayor que el número de antígenos, entonces tanto
individuos generalistas como especialistas existen en la población.
Estos anticuerpos generalistas contienen fragmentos de información con características de buenas
soluciones.
EL PRINCIPIO DE LA SELECCIÓN CLONAL
El principio o teoría de la selección clonal, plantea una explicación de cómo hace el sistema inmune para
describir las características básicas de una respuesta inmune a un estímulo antigénico. Este principio
establece la idea de que sólo aquellas células que reconocen a los antígenos proliferan; de esta manera
son seleccionadas aquellas que tienen capacidad de reconocerlos. La Selección Clonal opera en las células
B y las células T.
La respuesta inmune ocurre dentro de los nodos linfoides y la expansión clonal de los linfocitos ocurre
dentro del centro germinal (CG), en la región folicular de las pulpa blanca, que es rica en células
antigénicas.
Cuando un animal es expuesto a un antígeno, algunas subpoblaciones de su médula ósea deriva células
para producir anticuerpos. Cada célula secreta sólo un tipo de anticuerpo, que es relativamente especifico
para el antígeno. Por la unión de este receptor de inmunoglobulina, con una segunda señal de las células
accesorio, tales como las células T auxiliares, un antígeno estimula a las células B a proliferar (dividirse) y
madurar dentro del anticuerpo secretando células, llamadas células plasma. Mientras que las células
plasma son los anticuerpos más activos secretan los linfocitos B (que se dividen rápidamente), también
secretan AC, aunque en una menor proporción. Las células B secretan AC, las células T no secretan
anticuerpos, pero desempeñan el papel principal en la regulación de las respuesta de las células y son
preeminentes en células intermediando respuestas inmunes. Los linfocitos, en adicción a la proliferación o
diferenciación en las células plasma, pueden diferenciarse en células B de memoria de larga vida. Las
células de memoria circulan en la sangre, órganos linfoides y tejidos, y probablemente no crean
anticuerpos, pero cuando son expuestas a un segundo estímulo antigénico comienza la diferenciación en
los linfocitos capaces de producir anticuerpos de alta afinidad, preseleccionado del antígeno específico que
estimuló la primera respuesta.
Las principales características de la teoría de selección clonal son:




Las nuevas células son copiadas (clonadas) de sus padres, sometidas a un mecanismo de
mutación (hipermutación somática).
Eliminación de los linfocitos recientemente diferenciados que llevan receptores auto-reactivos.
La proliferación y diferenciación de las células maduradas con antígenos en contacto, y
La persistencia de clones prohibidos, resistiendo la temprana eliminación por antígenos propios,
como la base de enfermedades autoinmunes.
Los mejores clones son los que pueden reconocer a un antígeno o, más precisamente, los que
mejor se activan. Para que este algoritmo funciones, la población o repertorio de anticuerpos, tiene que
ser bastante diversa para que reconozca cualquier forma extraña. El sistema inmune de un mamífero
contiene un repertorio heterogéneo de aproximadamente 1012 linfocitos en humanos y otros tanto de
Formato CI-01 POSGRADO/2008
- 17 -
Convocatoria de Investigación
Científica y Tecnológica 2008
células B (no estimuladas) que oscila entre 105-107 receptores idénticos como anticuerpos. El repertorio
dice que está completo, cuando tiene los recursos para reconocer cualquier forma.
3.2.5 Optimización Multiobjetivo
En la ingeniería Industrial, y en otras áreas, la mayoría de los problemas que se presentan involucran la
optimización simultánea de varios objetivos. En varios casos, los objetivos se expresan en unidades de
medida no comparables, o se encuentran en conflicto mutuamente (es decir, que un objetivo no puede
ser mejorado sin empeorar el valor de otro). Estos problemas son llamados multiobjetivo o multicriterio.
En la optimización global la solución óptima está claramente definida. Por el contrario, en la optimización
multiobjetivo, debido a la naturaleza conflictiva de sus objetivos, existe un conjunto de soluciones
compromiso alternativas. Este conjunto es conocido como conjunto de óptimos de Pareto, y a su
proyección en el espacio de los objetivos se le denomina frente de Pareto. Estas soluciones son óptimas
en el sentido de que ninguna de las demás soluciones del espacio de búsqueda son superiores a ellas
cuando se consideran todos los objetivos simultáneamente.
La investigación de operaciones ha desarrollado un número considerable de técnicas para resolver
problemas multiobjetivo [Miettinen, 1998]. Sin embargo, dada la complejidad (p. ej., alta dimensionalidad,
discontinuidad, multimodalidad) de la mayoría de los problemas de optimización multiobjetivo del mundo
real, estas técnicas tienen severas limitantes (p. ej., algunas son aplicables sólo cuando el frente de
Pareto es convexo) o resultan incluso inaplicables para resolverlos. Uno de los enfoques más exitosos para
resolver eficazmente estos problemas lo constituyen los algoritmos evolutivos. Estos algoritmos son
especialmente apropiados para resolver problemas multiobjetivo ya que su naturaleza poblacional les
permite encontrar varios elementos del conjunto de soluciones compromiso en una sola ejecución.
Además, son menos susceptibles a la forma y continuidad del frente de Pareto.
3.2.5.1. Conceptos de optimización multiobjetivo
Informalmente, un problema de optimización multiobjetivo (POM1), se define como [Osyczka, 1984]:
El problema de encontrar un vector de variables de decisión que satisfaga un conjunto de restricciones y
optimice una función vectorial cuyos elementos representan a las funciones objetivo. Estas funciones son
una descripción matemática de criterios de desempeño que están en conflicto entre sí. En este sentido, el
término «optimizar» significa encontrar aquella solución que proporcione valores para todas las funciones
objetivos aceptables para el diseñador.
3.2.5.2. Algoritmos Evolutivos Multiobjetivo (AEMO)
Hoy en día existen mas de 30 técnicas de programación matemática para resolver problemas de
optimización multiobjetivo [Miettinen, 1998]. Con todo, la complejidad de muchos POMs del mundo real
vuelve a estas técnicas inadecuadas o incluso inaplicables para resolverlos. La complejidad de estos
problemas se debe, por ejemplo: a la multimodalidad, a la alta dimensionalidad del espacio de búsqueda,
a la discontinuidad de sus funciones objetivo, a desconexiones tanto en el espacio de las variables de
decisión como en el de las funciones objetivas, o a que son NP-completos. Algunos investigadores (Coello,
Formato CI-01 POSGRADO/2008
- 18 -
Convocatoria de Investigación
Científica y Tecnológica 2008
Deb, Fogel, Michalewicz) han identificado algunas dificultades que tienen las técnicas clásicas para
resolver POMs. A continuación se listan algunas de ellas:
1. Los algoritmos se necesitan ejecutar varias veces para encontrar varias soluciones del conjunto de
óptimos de Pareto.
2. La mayoría de los algoritmos requieren información sobre el dominio del problema que se trata.
3. Algunos algoritmos son sensibles a la forma o continuidad del frente de Pareto.
4. En los problemas que involucran incertidumbre o eventos estocásticos, los métodos clásicos son
inadecuados.
5. La dispersión de las soluciones del frente de Pareto depende de la eficiencia del optimizador monoobjetivo.
La complejidad de los POMs del mundo real ha conducido a la búsqueda de enfoques alternativos para
resolver este tipo de problemas. Uno de esos enfoques lo encabezan los algoritmos evolutivos. A finales
de 1960, Rosenberg [51] plantea utilizar un método genético de búsqueda para resolver problemas de
optimización multiobjetivo. No obstante, no fue hasta 1984 cuando David Schaffer [52] propone la
primera implementación de lo que actualmente conocemos como algoritmo evolutivo multiobjetivo
(AEMO2). A partir de ese momento, varios investigadores [Coello, Srinivas, Zitzler, Horn, Fonseca,
Knowles] han desarrollado su propio AEMO. La publicación de los resultados de estos algoritmos mostró la
superioridad de los AEMOs sobre las técnicas clásicas de programación matemática.
Los algoritmos evolutivos (AEs) son naturalmente adecuados para resolver POMs gracias a que trabajan
simultáneamente con un conjunto de soluciones potenciales (es decir, la población). Esta característica les
permite encontrar varias soluciones del conjunto óptimo de Pareto en una sola ejecución. Asimismo, son
menos sensibles a la forma o continuidad del frente de Pareto. En general, las características
fundamentales de un AEMO, de acuerdo con [Zitzler 1999] son las siguientes: Mantener un conjunto de
soluciones potenciales, el cual es sometido a un proceso de selección y es manipulado por operadores
genéticos, generalmente la recombinación y la mutación.
Los AEs y los AEMOs son estructuralmente similares. La diferencia fundamental es que un AEMO calcula k
(k - 2) funciones de aptitud. Sin embargo, el operador de selección espera un solo valor de aptitud. La
forma mas sencilla de mantener la estructura de un AE simple al abordar problemas multiobjetivo consiste
en transformar el vector de aptitudes en un valor escalar se muestran algunos procedimientos para tal fin.
5.6. Sistemas Basados en el Conocimiento
Durante los últimos años, las compañías manufactureras han buscado herramientas robustas que les
permitan realizar diseños de productos y procesos eficientes y a bajo costo. Sin embargo, las tareas de
diseño involucran un alto nivel de conocimiento que se vuelve difícil de administrar. Los sistemas basados
en conocimiento son una herramienta que surge de esta necesidad con el objetivo de capturar,
estructurar, administrar y mantener dicho conocimiento en una forma sencilla, y accesible para eficientar
las tareas de diseño.
El ciclo de vida de productos, como se muestra en la siguiente figura, consta de dos etapas principales: la
etapa de ingeniería y la de suministro. Cada una de ellas involucra una serie de procesos y tareas que
requieren ser administrados e integrados en una forma rápida y efectiva. La etapa de ingeniería involucra
tres principales procesos: desarrollo de productos, desarrollo de procesos y desarrollo de instalaciones.
Formato CI-01 POSGRADO/2008
- 19 -
Convocatoria de Investigación
Científica y Tecnológica 2008
Cada uno de los procesos involucrados en la etapa de ingeniería involucra conocimiento que debe ser
capturado, estructurado y administrado para soportar efectivamente el proceso. Los sistemas basados en
conocimiento tienen esta función, de tal manera que modelos de conocimiento de producto y de
manufactura se desarrollan para soportar la creación e implementación de dichos sistemas.
Los componentes principales de los sistemas basados en conocimiento aplicados a la administración del
ciclo de vida de productos son:

Conocimiento y experiencia en el diseño de productos

Conocimiento y experiencias en el diseño de procesos

Conocimiento y experiencias en la integración de sistemas de manufactura
Con el uso e integración de varias herramientas que soporten el desarrollo de productos y procesos se
crean los sistemas basados en conocimiento, cuyos componentes principales de estos sistemas son:

Product Data Management Tools

Product Life Cycle Tools
o
Computer Arded Design
o
Computer Arded Manufacturing
o

Robotics Simulation

Numerical Control Simulation Ergonomics Simulation

Factory Flor Simulation
Process Management Tools
3.3 Objetivos

Presentar un marco donde la optimización se emplea para acelerar y mejorar escenarios constructivos
del producto en sistemas complejos.

apoyar la conceptualización del problema en términos de la optimización inteligente, en parte
apoyando la selección de los parámetros, pero también apoyando la construcción de la función
objetiva, a través de una metodología.
Formato CI-01 POSGRADO/2008
- 20 -
Convocatoria de Investigación
Científica y Tecnológica 2008
Dentro de este proyecto, se presenta un acercamiento que modela el proceso donde la simulación se
emplea para predecir el funcionamiento del producto. La simulación apoyó antes al diseñador en mejorar
el diseño. Aquí, la simulación de proceso de la Ingeniería de Producto apoya a la gerencia en el manejo de
la información, así como para mejorar la calidad de la toma de decisiones.
Objetivos Particulares

Realizar un análisis multifactorial para determinar los sesgos de desviación de las metodologías
existentes.

Diseñar un sistema basado en algoritmos metaheuristicos evolutivos para la conceptualización y el
diseño de productos, que permita mejorar los sistemas de manufactura y la calidad de las
decisiones de la Alta Gerencia..
3.4 Metas

Explorar las diferentes metodologías para el diseño y desarrollo de nuevos productos y determinar
un modelo que permita optimizar dichas herramientas, traduciéndose esta en innovación en la
ingeniería. (Cantidad 2 metodologías)

Explorar las herramientas de la optimización inteligente (Neural Network y Algoritmos Evolutivos y
metaheuristicas) por separado o de manera conjunta para la resolución de problemas de
conceptualización del producto.

Participar en eventos nacionales e internacionales que permitan el enriquecimiento de la
investigación. (2 eventos)

Formar recursos humanos altamente en las áreas de la Ingeniería de Calidad y Productividad. (5
alumnos)

Formar un grupo de innovación en diseño y desarrollo de productos, sistemas de calidad y
productividad en el Estado de Tabasco.

Formar un laboratorio de ingeniería virtual.
3.5 Justificación
La investigación científica en el área de ingeniería industrial a nivel nacional ha sido muy limitada, por lo
que la industria nacional debe enfrentar cotidianamente problemas muy complejos y de gran impacto
económico sin métodos de solución adecuados. A estos problemas la industria nacional da soluciones
basadas en experiencia adquirida, aunque en la mayoría de las veces no se utilizan métodos cuantitativos
por lo que es bastante difícil evaluar la calidad de estas soluciones, lo que da como resultado una
desventaja competitiva.
Durante los últimos años ha tenido una participación sobresaliente los investigadores en el área de
consultoría y actividades de extensión en el área de ingeniería industrial, asesorando a organizaciones en
algunas zonas de México. Estas empresas solucionan frecuentemente los problemas de ingeniería
industrial en base a experiencias y no en métodos cuantitativos. Debido a esto, existe la necesidad de
profundizar y difundir los conocimientos y aplicaciones en esta área del conocimiento.
Formato CI-01 POSGRADO/2008
- 21 -
Convocatoria de Investigación
Científica y Tecnológica 2008
Algunos ejemplos de estos problemas son: programación de la producción, problema de ruta de vehículos,
problema de layout en el diseño o modificación de plantas, problema de layout en sistemas flexibles de
manufactura, formación de celdas de manufactura, creatividad e innovación de productos. Estos tipos de
problemas son conocidos en la literatura como del tipo NP-hard. Esto significa que el tiempo de solución
de cualquier algoritmo conocido para encontrar la solución optima de estos problemas es una función
exponencial del tamaño del problema. Soluciones óptimas no pueden ser obtenidas para problemas de
tamaño real por lo que es necesario el uso de métodos heurísticos para obtener soluciones cercanas a la
óptima dentro de un tiempo de solución razonable.
3.5.1. Complejidad del Problema.
•
•
•
Estos tipos de problemas son conocidos en la literatura como del tipo NP-Hard.
Esto significa que el tiempo de solución de cualquier algoritmo conocido para encontrar la solución
optima de estos problemas es una función exponencial del tamaño del problema.
Soluciones óptimas no pueden ser obtenidas para problemas de tamaño real por lo que es
necesario el uso de métodos heurísticos para obtener soluciones cercanas a la óptima dentro de
un tiempo de solución razonable
Figura 1. Complejidad de los problemas
La mayoría de los problemas verdaderos de la optimización en ingeniería son de multiobjetivo en la
naturaleza, puesto que tienen normalmente varios objetivos (posiblemente que están en conflicto) que se
deban satisfacer en el mismo tiempo.
La palabra "grado óptimo" tiene varias interpretaciones dentro de este contexto, y está hasta el diseñador
para decidir cuál será la mejor. Por otra parte, los algoritmos genéticos (GA’s) se han observado que
pueden ser, desde sus días su aparición, un nicho posible que puede satisfacer los problemas
multiobjetivo de la optimización. Por lo tanto, varias técnicas basadas en GA’s se han desarrollado desde
entonces.
Por lo que se propone para este estudio, el diseño de una metodología metaheurísticos basada en
mecanismos de la inteligencia artificial y en experiencias históricas que permitan mejorar la ingeniería de
productos, la productividad en la manufactura del producto y la calidad de las decisiones de la Alta
Gerencia.
3.6 Metodología
Se pretende realizar la investigación en dos etapas. La primera desde un enfoque cualitativo para
determinar casos de estudios que apoyen la aplicabilidad del método para la resolución de problemas de
ingeniería en el caso particular petrolera.
Formato CI-01 POSGRADO/2008
- 22 -
Convocatoria de Investigación
Científica y Tecnológica 2008
La segunda etapa es un enfoque cuantitativo pretende determinar las correlaciones multifactorial y
diseñar una metodología.
El tipo de investigación es en una primera etapa exploratoria, ya que permitirá el análisis y diseño de
un método predictivo que permita la reconfiguración y optimice los elementos constructivos del producto
bajo el principio de pareto o algún nuevo axioma para ser aplicadas a casos de Ingeniería Petrolera, ya
que esta área esta poco estudiada desde el punto de vista de los métodos metaheurísticos, en un
segundo momento será descriptiva en esta etapa se diseñará y construirá un sistema basado en
mecanismos de inteligencia artificial para la comprobación de lo analizado en la fase exploratoria y una
tercera etapa pretende ser explicativa e experimentar, a través de análisis y resolución de casos de
Ingeniería petrolera se evaluará el mecanismo diseñado en las etapas anterior. En la figura 11 se muestra
el proceso de la metodología propuesta. El procedimiento para la construcción del algoritmo.
1
2
3 4
5
6
7 8
9
Figura 22. Diagrama del procedimiento para el diseño del algoritmo propuesto.
A continuación se describe cada uno de los paso del procedimiento:
1. Punto de Partida (Modelo Inicial). Modelado de datos reales (producción e inyección) en
combinación con los screening de los procesos de recuperación adicional, este modelado se
realizará con redes neuronales artificiales y simulación para determinar reglas y criterios.
2. Desarrollo del Algoritmo Metaheurístico. Con los agentes que se determinaron en el paso
anterior construir un algoritmo simple de bajo espectro. Este algoritmo se basará en mecanismos
de inteligencia artificial que permita buscar escenarios en el espacio de soluciones de Pareto.
3. Análisis de Convergencia teórica. Evaluar el desempeño y eficiencia desde el punto teórico del
algoritmo.
4. Análisis de Convergencia numérica. Evaluar el desempeño y eficiencia a través del tiempo de
convergencia y de los escenarios de soluciones.
5. Modelado del Problema de Investigación: Ingeniería de innovación en la Calidad y
Productividad. El problema de análisis, en el cual se va aplicar el algoritmo diseñado y
Formato CI-01 POSGRADO/2008
- 23 -
Convocatoria de Investigación
Científica y Tecnológica 2008
construido en los paso anteriores es el determinar el Proceso Optimo de Recuperación de
Hidrocarburos, basados en los Cantidad de hidrocarburos obtenido (Producción Atribuible) del
yacimiento, los Costos de Operación, Fluido que puede ser utilizados, Eficiencia del mecanismo
de empuje, de la infraestructura existente cercana al yacimiento, El Costo de la Inversión
requerida, Tasa de Retorno de la Inversión.
6. Desarrollo Computacional basada en computación evolutiva. Modelado del problema y del
algoritmo con las herramientas computacionales que sean necesario.
7. Pruebas del algoritmo. Se evalúa, se compara con el estado del arte y se valida, asímismo se
determina el desempeño del algoritmo
8. Ajustes del algoritmo. Este paso del procedimiento se realiza simultáneamente con el paso
anterior y consiste en adecuar la metodología con los resultados reales y determinar el error de
ajuste. Se realiza un analisis de varianza con los resultados obtenidos.
9. Resultados y conclusiones. Se definen las observaciones obtenidas en la experimentación y
determinamos la posibilidad de aplicación de la metodología.
3.7 Programa de actividades, calendarización y presupuesto solicitado
Conforme a las etapas que integran el desarrollo de su proyecto, enliste las actividades a realizar y
calendarice indicando periodos, de acuerdo al cuadro No 1. Precise las actividades a desarrollar en otras
instituciones. Anote las partidas en las cuales quedan insertados los gastos a efectuar y anote el monto
deseado justificando plenamente el uso que se dará a cada artículo o servicios que se requiera, costo
aproximado y cantidad de los mismos.
En caso de solicitar las partidas específicas 2106, 2302, 3409 y 3502, se deberá realizar un trámite de
autorización ante la Secretaría de la Función Pública. Por lo anterior se deberá presentar una amplia
justificación en hojas separadas.
Formato CI-01 POSGRADO/2008
- 24 -
Convocatoria de Investigación
Científica y Tecnológica 2008
Cuadro No. 1
No.
Actividad
Periodo de realización
(fecha inicio y término)
Partida
considerada
Monto solicitado
Justificación
1.
Realizar revisión bibliográfica sobre
el estado del arte…..
1 de abril al 30 de julio del
2008
2107
35,000.00
Identificar los últimos avances…..
2.
Diseño de la Metodología
Ingeniería de Innovación
1 al 30 de agosto de 2008
2106
25,000.00
3.
Análisis por sistemas inteligentes
1 de septiembre al 30 de
noviembre de 2008
2106
20,000.00
4.
Desarrollo basado en computación
evolutiva
1 de diciembre de 2008 al
30 de enero de 2009
2106
20,000.00
5.
Medición
métricas
1 al 28 de febrero de 2009
2106
20,000.00
6.
Análisis de los resultados
1 al 30 de marzo de 2009
10,000.00
7.
Conclusiones y Propuestas
1 al 30 de marzo de 2009
10,000.00
La observación y la experimentación son centrales al proceso
científico, en todos los campos de la ciencia y de la
ingeniería. Naturalmente, los investigadores científicos como
usted generan cierta cantidad de datos-a menudo efectivos,
masiva cantidad-que debe ser analizado y ser interpretado
sistemáticamente. La explotación minera de los datos
destapa patrones en datos usando técnicas proféticas. Estos
patrones desempeñan un papel crítico en la toma de
decisión porque revelan las áreas para la mejora de proceso.
Usando la explotación minera de los datos, las
organizaciones pueden aumentar los beneficios de sus
interacciones con los clientes, detectar fraude, y mejorar a la
gerencia de riesgo.
y
evaluación
de
de
las
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
Formato CI-01 POSGRADO/2008
25
Convocatoria de Investigación
Científica y Tecnológica 2008
3.8 Resultados esperados

Explorar las diferentes metodologías para el diseño y desarrollo de nuevos productos y determinar
una metodología que permita optimizar dichas herramientas, traduciéndose esta en innovación en
la ingeniería.

Explorar las herramientas de la optimización inteligente (Algoritmos Genéticos (Genetic
Algorithms), Búsqueda Tabú (Tabu Search) y Recocido Simulado (Simulated Annealing), y
algunas técnicas mixtas como sistemas difusos y neurodifusos como las Redes Neuronales
(neuronal network) y los Sistemas Inmunes Artificiales.) por separado o de manera conjunta para
la resolución de problemas de conceptualización del producto.

Diseñar una metodología para optimizar la ingeniería de producto basada en sistemas de
conocimiento y mecanismos de inteligencia artificial.

Participar en eventos nacionales e internacionales que permitan el enriquecimiento de la
investigación.

Formar un grupo de investigación en diseño y desarrollo de productos, sistemas de calidad y
productividad en el Estado de Tabasco.
Los productos de la presente investigación serán:




Análisis multifactorial para determinar los sesgos de desviación de las metodologías de
Optimación Inteligente.
Una metodología basada en técnicas metaheurística optimizada e inteligencia artificial para el
desarrollo e innovación de productos.
Desarrollo de técnicas de Ingeniería Virtual para el diseño y mejora de los sistemas de
manufactura, permitiendo con ello una mejora en las decisiones de la Alta Gerencia.
Formación de Recursos Humanos de Alto Nivel Científico y Tecnológico
3.9 Vinculación
El resultado de la presente investigación ayudara al diseño y desarrollo de nuevos productos de todo tipo
de empresas de la región sur -sureste, se tendrá una herramientas y metodologías que ayudaran a la alta
gerencia a mejorar la calidad de sus decisiones.
Esta investigación vinculara grupos de trabajos del Sistema de Institutos Tecnológicos a problemas de
desarrollo y diseño de productos de todo el sector Industrial.
Coadyuvar al análisis y evaluación de nuevos productos y configuración de sistemas flexibles de
manufactura creando eventos predictivos (escenarios de desarrollo y modelaje) ayudados por la
ingeniería virtual sin tener que realizar el producto físicamente.
Se tendrán una vinculación con grupos de investigación en las áreas de Calidad y Productividad,
Ingeniería Industrial, de Innovación en Ingeniería, Sistemas Inteligentes, Automatización y Robótica,
Sistemas de Manufactura Avanzada, Investigación y optimización de Operaciones, así también con
Centros de investigación y Desarrollo Tecnológico nacionales e internacionales.
Formato CI-01 POSGRADO/2008
26
Convocatoria de Investigación
Científica y Tecnológica 2008











Delegación de la Secretaria de Economía, SE.
Cámara Nacional de la Industria de Transformación, CANACINTRA.
Secretaria de Desarrollo Agropecuario, Forestal y Pesca, SEDAFOP.
Delegación de la Secretaria de Desarrollo Social, SEDESOL.
Delegación de Agricultura, Ganadería, Desarrollo Rural, Pesca y Alimentación SAGARPA.
Secretaria de Desarrollo Económico.
Secretaría Ejecutiva del Gobierno del Estado de Tabasco.
Comisión Federal de Electricidad, CFE.
Petróleos Mexicanos - Exploración y Producción y PEMEX Gas y Petroquímica Básica.
Instituto Tecnológico de Orizaba
Instituto Tecnológico de Mérida
3.10 Bibliografía
[1]. Andersson Johan. Tesis Doctoral. Multiobjective Optimization in Engineering Desing. Institute of Technology
Linköpings Universitet, Sweden, 2001.
[2]. Baker J.E. Adaptive Selection Methods For Genetic Algorithms, J.J. Grefenstette (Ed.), Proceedings Of The
Second International Conference On Genetic Algortims, Lawrence Erlbaum Associates, Hillsdale, Nj.
[3]. Balanza J., Cano J.M., López J., Alvarez A. y Luna M.. Estudio y desarrollo de sensor software basados en
sistemas neuro-difusos. Aplicación en procesos petroquímicos. 2001.
[4]. Bedolla P. D. Diseño Sensorial: Las nuevas pautas para la Innovación, especialización y personalización
del Producto, , Tesis Doctoral, Universidad Politécnica de Cataluña, España, 2002
[5]. Blanchard B. And Fabrycky W., Systems Engineering And Analysis, Prentice Hall, New Jersey, EUA. 1990.
[6]. Bruns M., Systemtechnik Methoden Zur Interdisziplinären Systementwicklung, Springer-Verlag, Berlin,
Alemania. 1991.
[7]. Burnett D. B. y Dann M. W. Screening test for enhanced oil recovery projects. SPE 9710. 1981.
[8]. Cevallos A., J. Aplicación de Redes Neuronales para optimizar problemas multirespuesta en mejora de la
calidad.
[9]. Coello C A. Tesis Doctoral. An Empirical Study Of Evolutionary Techniques For Multiobjective Optimization
In Engineering Design, Tulane University, EUA. 1996
[10]. Coello C. A., Cruz C. N. Solving Multiobjetive Optimization Problems Using An Artificial Immune System,
2005.
[11]. Coello, C.A. Christiansen, A.D.
Moses: A Multiobjetivo Optimization Tool For Engineering. Engineering
Optimization. 1999.
[12]. Cross N., Engineering Design Methods, John Wiley & Sons Inc, 1994.
[13]. Cruz C N. Tesis Doctoral. Sistema Inmune Artificial para Solucionar Problemas de Optimización, Cinvestav,
México, 2004.
[14]. Deb, K. Evolutionary Algorithms For Multi-Criterion Optimization In Enginineering Design. In Miettinen, P.
Neittanmäki, M.M. Mäkelä And J. Périux (Eds.), Evolutionary Algorithms In Engineering And Computer
Science, Chichester, UK :Wiley. 1999
[15]. Delgado A. Tesis Doctoral. Propiedades Matemáticas y Aplicaciones de las Redes Neuronales Dinámicas
Recurrentes. Santa Fé de Bogotá Colombia.
Formato CI-01 POSGRADO/2008
27
Convocatoria de Investigación
Científica y Tecnológica 2008
[16]. Dietz, A. Aguilar-Lasserre A, Azzaro-Pantel C. Pibouleau L. Domenech S., Multiobjetive Multiproduct Batch
Plant Design Ander Uncertainty, 2005.
[17]. Doyen P.M., Guidish T.M., And M.H. De Buyl. Monte Carlo Simulation Of Lithology From Seismic Data In A
Channel – Sand Reservoir. SPE19588.
[18]. Eyssautier M. M., Metodología de la Investigación. Desarrollo de la Inteligencia. Cuarta Edición, ECAFSA,
México, 2002.
[19]. Fang J.H., Genetic Algorithm And Its Application To Petrophysics, 1992.
[20]. Florez Oscar y Salazar Harold. Utilización de Redes Neuronales Artificiales en la Reconfiguración de
Alimentadores Primarios. Pereira Colombia. Universidad Tecnológica. 1998.
[21]. Fogel, L. J, Owens, A.J., Walsh, M.J. Artificial Intelligent Through Simulated Evolution. Wiley, New York.
1999.
[22]. Freeman J. y Skapura David. Redes Neuronales: Algoritmos, Aplicaciones y Técnicas de Programación.
Addison Wesley Iberoamericana S.A. Delaware E.U.A. 1993
[23]. Gharbi, J. P. Kenne., Production And Preventive Maintenance Rates Control Or Manufacturing System: An
Experimental Design Approach. University Of Quebec
[24]. Giraldo Didier, Tabares Ivan. "programa que entrena neuronas para implementar funciones lógicas".
Scientia Et Technica. Año II, #5, Junio De 1997.
[25]. Goldberg, D.E. Wang L. A Comparative Analysis Of Selection Schemes Used In Genetic Algorithms.Rawlins
(Ed.) Foundations Of Genetic Algortims. 1998.
[26]. Hinton Geoffrey E. Redes neuronales que aprenden de la experiencia. Investigación y Ciencia. #194,
Noviembre de 1992.
[27]. Holland, J.H. Adaption In Natural And Artificial Systems. The University Of Michigan Press, Ann Arbor.
1975
[28]. Horn, J. Nafpliotis, N. Multiobjetive Optimization Using The Niched Pareto Genetic Algorithm. Technical
Report Illigal Report No. 93005, University Of Illinois At Urbana-Champaign, Urbana, Illinois, EUA. 1993.
[29]. Hsuan-Jui Huang y Feng-Sheng Wang, Fuzzy Decision-Making Designo F chemical Plant Using MixerInteger Hybrid Diferrential Evolution, 2002.
[30]. Joya C. Gonzalo, Optimización Inteligente, Editorial Spicum, Abril 2004.
[31]. Knowles, J.D., Corne, D. W. Aproximating The Non-Dominated Front Using The Pareto Archived Evolution
Strategy. Evolutionary Computation Journal. 2000.
[32]. Kohonen Tuevo. Associative Memory. A System Theoretical Approach. Springer-Verlag, 1977
[33]. Lara, L. A. Tesis de Maestría. Un estudio de las estrategias evolutivas para problemas multiobjetivo.
CINVESTAV. México. 2003.
[34]. Martinez E.R., Moreno W.J., Maggiolo R., Application of genetic algorithm on the distribution of gas lift
injection, SPE, EUA. 1994.
[35]. Masato Sasaki, Mitsuo Gen. Fuzzy multiple objective optimal system design by hybrid genetic algorithm.
2002.
Formato CI-01 POSGRADO/2008
28
Convocatoria de Investigación
Científica y Tecnológica 2008
[36]. Michalewicz, Z . Genetic Algorithms + Data Strctures = Evolution Programs. Springer Verlag. Second
Editon. 1992
[37]. Michelewicz, Z., Schoenauer, M.
Evolutionary Algorithms For Constrained Parameter Optimizaron
Problems. Evolutionary Computation Journal. 1996
[38]. Morcego S, Tesis Doctoral, B. Estudio de redes neuronales modulares para el modelado de sistemas
dinámicos no lineales., Universidad Politécnica de Cataluña, Barcelona 2000.
[39]. Osyczka A.
An Approach Ti Multicriterion Optimization For Structural Design. In Proceedings Of
International Symposium On Optimal Structural Design. University Of Arizona. EUA. 1981.
[40]. Osyczka A. Multicriteria Optimization For Engineering Design. John S. Gero (Ed.), Design Optimization,
Academia Press. 1984
[41]. Osyczka, A. An Approach To Multicriterion Optimizaron For Engineering Desing. Computer Methods In
Applied Mechanics And Engineering. EUA. 1978.
[42]. Pahl G. And Beitz W., Engineering Design – A Systematic Approach, Springer-Verlag, London, 1996.
[43]. Pardo T. J. A. Manuscrito: La curiosidad mato al gato: 3i ingeniería de Innovación e Inventiva, Occeppa
Consultores. Villahermosa, México. 2005.
[44]. Pardo T. J. A. Tesis de maestría. Evaluación del impacto de la Inteligencia Competitiva en la toma de
decisiones en una empresa petrolera. Instituto Tecnológico de Mérida. México. 2002.
[45]. Pardo T. J. A. Tesis Doctoral Metodología Metaheurística para el diseño óptimo del proceso de
recuperación adicional de hidrocarburos. Instituto Tecnológico de Orizaba. México. 2005.
[46]. Pardo T. J. A. “Modelación difusa de la producción atribuible al proceso de inyección de fluido para la
recuperación adicional de hidrocarburos”. Encuentro de Invierno. División de Estudios de Posgrado e
Investigación, Instituto Tecnológico de Orizaba. México, 2008.
[47]. Pardo T. J. A. “The application of intelligent systems in the Oil & Gas Industry: the optimization of process
of additional oil recovery”, College of Engineering and Applied Sciences, Western Michigan University,
2007.
[48]. Pardo T. J. A. “Design of Objective Functions for Optimization of Process of Additional Oil Recovery”. SPE
108710, 2007.
[49]. Pardo T. J. A. “Desarrollo de Técnicas de Minería de Datos en procesos industriales”. División de Estudios
de Posgrado e Investigación, Instituto Tecnológico de Orizaba. México, 2006.
[50]. Pardo T. J. A. “Aplicación de la Minería de Datos en el análisis del comportamiento de campos maduros”.
División de Estudios de Posgrado e Investigación, Instituto Tecnológico de Orizaba. México, 2006.
[51]. Pardo T. J. A. “Diseño de una metodología metaheurística para la determinación de proceso óptimo para
la recuperación de hidrocarburos en ambientes de alta incertidumbres”, Jornadas Técnicas de la AIMP.
Villahermosa, Tabasco
[52]. Pareto, V. Tours D’economic Politique, Volume I And Ii. F. Rouge, Lausanne. Francia1896
[53]. Pérez Ávila N. Como hacer una Investigación. EDIPSA, México, 1994.
Formato CI-01 POSGRADO/2008
29
Convocatoria de Investigación
Científica y Tecnológica 2008
[54]. Pérez R. R. Tesis Doctoral. Caracterización y representación de los requerimientos funcionales y las
tolerancias en el diseño conceptual: aportaciones para su implantación en los sistemas CAD. Universidad
Politécnica de Cataluña, Barcelona. España. 2002.
[55]. Pugh S., Total Design, Addison-Wesley Publishers Ltd., 1991.
[56]. Rechenberg, I. Evolutionsstrategie: Optimierung Technischer Systeme Nach Principien Der Biologischen
Evolution (Evolutionary Strategy: Optimization Of Technical Systems According To The Principles Of
Biological Evolution). Frommann-Holzboog, Verlag, Stuttart. Alemania. 1973.
[57]. Ridha B. Gharbi y Elsharkawy, Adel, Universal neural network based model for estimating the pvt, 1997
[58]. Rocco C. M.. Miller A.J., Moreno J.A., Carrasquero N., Medina M.., Sensitivity And Uncertainty Analisys In
Optimization Programs Using An Evolutionary Approach: A Maintenance Application.
[59]. Roozenburg N. And Eekels J., Product Design: Fundamentals And Methods, John Wiley & Sons Inc,
EUA.1995.
[60]. Rosenberg, R.S. Simulation Of Genetic Populations With Biochemical Properties. Phd, Thesis, University Of
Michican, Ann Harbor, Michigan. 1967.
[61]. Sampieri H. R. Metodología de la Investigación, Tercera Edición, Mc Graw Hill, México, 2003.
[62]. Satter Y Thakur, integrated petroleum reservoir managment: a team approach, Penwell Books. EUA. 1994.
[63]. Schaffer, J. D.. Multiple Objective Optimization With Vector Evaluated Genetic Algorithms. Genetic
Algorithms And Their Aplications. Proccedingns Of The First International Conference On Genetic
Algorithms, Laurence Elrbaum. 1985.
[64]. Schwefel, H.P. Numerical Optimization For Computer Models. Wiley, Chichester, Uk. 1981
[65]. Siddall J., Analytical Decision-Making In Engineering Design, Prentice-Hall, Englewood Cliffs, New Jersey,
1972.
[66]. Simpson P.K. Foundations of Neural Networks. Artificial Neural Networks. IEEE Press. New York. 1992
[67]. Smith R. P. And Eppinger S. D., Identifying Controlling Features Of Engineering Design Iteration,
Management Science, Vol. 43, No. 3, Pp. 276-293, 1997.
[68]. Taber, J. J. Technical Screening guindes for the enhanced recovery of oil. SPE 12069. 1983.
[69]. Tortike W. S., And Samuel Frimpong, Variance Simulation: A Practical Alternative To Monte Carlo
Simulation And Sensitivity Analysis. SPE 28251
[70]. Velásquez, J.D., Dyner R. I. Souza C. R., Modelación de Series Temporales Usando ANFIS, 2004.
[71]. Widrow Bernard, Lehr Michael A. "30 Years Of Adaptive Neural Networks: Perceptron, Madaline, And
Backpropagation". Proceedings Of The Ieee, Vol 78 #9, September 1990, Pp 1415-1442.
[72]. Schrage M. Serious Play: How the wordd’s best companies simulate to innovate. Harvard Bussines School
Press. EUA. 2000.
[73]. Reeves C.B. Modern Heuristic Tecnquique for combinatorial problems. John Wiley & Sons, Gran Bretaña.
1993.
[74]. Nunes de Castro L y Timmis J. An Introduction to Artificial Immune Systemes: a New Computational
Intelligence Paradigm. Springer – Verlag. 2002
Formato CI-01 POSGRADO/2008
30
Convocatoria de Investigación
Científica y Tecnológica 2008
4. LUGAR(ES) EN DONDE SE VA A DESARROLLAR EL PROYECTO
El presente proyecto de investigación se realizará en las instalaciones del Instituto Tecnológico de
Villahermosa en la División de Estudios de Posgrado e Investigación.
5. INFRAESTRUCTURA
El área cuenta con el laboratorio de frutas y hortalizas y el laboratorio de investigación. Se cuenta con un
área de cómputo especializado.
6. RESÚMEN PRESUPUESTO SOLICITADO PARA LA OPERACIÓN DEL PROYECTO
Anote las partidas en las cuales quedan insertados los gastos a efectuar y anote el monto deseado
justificando plenamente el uso que se dará a cada artículo o servicios que se requiera, costo aproximado y
cantidad de los mismos.
Formato CI-01 POSGRADO/2008
31
Convocatoria de Investigación
Científica y Tecnológica 2008
Vigencia presupuestal operativa para un año
Distribución por mes
ene
PARTIDA INVESTIGACION
feb
mar
abr
may
jun
jul
9,000 9,000
8,000
ago
sep
oct
nov
dic
JUSTIFICACIÓN
MONTO
Indicando el número de la actividad
SOLICITADO
que va apoyar de acuerdo con el
cuadro No. 1
2101 Materiales y útiles de oficina
2104 Material estadístico y geográfico
2106 Materiales y útiles para el
procesamiento en equipos y bienes
informáticos *
2107 Material para información en actividades
de investigación científica y tecnológica
2203 Productos alimenticios para el personal
que realiza labores en campo o de
supervisión (solo personal de la
dependencia, no válido para externos;
no autorizada la compra de vales de
alimentos)
2207 Productos alimenticios para animales
85,000.00 Todas las actividades
85,000
35,000.00 Todas las actividades
9,000.00
2301 Refacciones, accesorios y herramientas
2302 Refacciones y accesorios para equipo
de cómputo *
2404 Material eléctrico y electrónico (no
autorizada para adecuaciones,
adaptaciones, obras nuevas, adiciones,
ni obra pública)
2501 Materias primas de producción
2502 Sustancias químicas
2503 Plaguicidas, abonos y fertilizantes
2506 Materiales, accesorios y suministros de
laboratorio
2605 Combustibles, lubricantes y aditivos
para maquinaria y equipo de producción
TOTAL CAPÍTULO 2000
120,000.00
* SE DEBE REALIZAR UN TRAMITE DE AUTORIZACION ANTE LA SECRETARIA DE LA FUNCION PUBLICA, POR LO TANTO EL USO DE ESTA PARTIDA DEBE JUSTIFICARSE PLENAMENTE EN HOJA ANEXA.
Formato CI-01 POSGRADO/2008
32
Convocatoria de Investigación
Científica y Tecnológica 2008
ene
PARTIDA INVESTIGACION
mar
Distribución por mes
jun
jul
abr
may
10,000
2000
2000
2000
2000
2000
10,000
2000
2000
2000
2000
2000
MONTO
SOLICITADO
feb
ago
sep
oct
nov
dic
JUSTIFICACIÓN
Indicando el número de la actividad
que va apoyar de acuerdo con el
cuadro No. 1
3409 Patentes, regalías y otros *
3502 Mantenimiento y conservación de
bienes informáticos *
3503 Mantenimiento y conservación de
maquinaria y equipo
3808 Pasajes nacionales para labores en
campo y de supervisión
3814 Viáticos nacionales para labores en
campo y de supervisión
TOTAL CAPÍTULO 3000
20,000
* SE DEBE REALIZAR UN TRAMITE DE AUTORIZACION ANTE LA SECRETARIA DE LA FUNCION PUBLICA, POR LO TANTO EL USO DE ESTA PARTIDA DEBE JUSTIFICARSE PLENAMENTE EN HOJA ANEXA.
Formato CI-01 POSGRADO/2008
33
Convocatoria de Investigación
Científica y Tecnológica 2008
CONCENTRADO DEL PRESUPUESTO SOLICITADO
CAPÍTULO
Monto Solicitado a la
DGEST
Monto solicitado al
Tecnológico postulante
Monto solicitado a otras
instituciones
TOTAL
2000
120,000
120,000
3000
20,000
20,000
140,000
140,000
TOTAL
Formato CI-01 POSGRADO/2008
34