Optimización multi-objetivo con algoritmos bio-inspirados para el control y coordinación de inventarios multi-producto
En las organizaciones es de vital importancia el control y manejo de los inventarios, dado que generan costos en su gestión y a su vez se relacionan con los niveles de servicio (satisfacción de sus clientes). En este trabajo se propone un entorno de decisión múlti-criterio. Se estudia y resuelve un...
- Autores:
-
Grass Guaqueta, Daniel Stevenson
- Tipo de recurso:
- Fecha de publicación:
- 2016
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/57220
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/57220
http://bdigital.unal.edu.co/53405/
- Palabra clave:
- 0 Generalidades / Computer science, information and general works
62 Ingeniería y operaciones afines / Engineering
65 Gerencia y servicios auxiliares / Management and public relations
Optimización Multi-Objetivo
Gestión de inventarios
Algoritmos bioinspirados
Coordinación multiproducto
Multi-objetive Optimization
Inventory Management
Bio-inspired Algorithms
Coordination Multiple Products delivery
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| Summary: | En las organizaciones es de vital importancia el control y manejo de los inventarios, dado que generan costos en su gestión y a su vez se relacionan con los niveles de servicio (satisfacción de sus clientes). En este trabajo se propone un entorno de decisión múlti-criterio. Se estudia y resuelve un problema de optimización multi-objetivo para la coordinación en la entrega de múltiples productos con demandas y tiempos de entrega bajo incertidumbre, minimizando los costos de la gestión y a su vez maximizando los niveles de servicio. El problema propuesto se soluciona mediante algoritmos bio-inspirados. En primer lugar se analiza el comportamiento de las funciones objetivo de manera separada, utilizando Algoritmos Genéticos (AG), Optimización por enjambre de particulas (PSO), Cuckoo Search (CS) y Optimización por forrajeo de bacterias (BFOA). En segundo lugar se aplicaron los algoritmos multi-objetivo NSGA II, NSPSO, MOCS y BCMOA obteniendo la frontera óptima de Pareto. Las soluciones encontradas se comparan mediante las métricas de indicador de dominancia de Pareto, diversidad y tiempo computacional. Finalmente se aplicó TOPSIS seleccionando el punto más cercano a la solución ideal. En este sentido el entorno de decisión múlti-criterio consiste de la formación de la frontera de Pareto resultante y de la selección de una alternativa mediante TOPSIS. |
|---|