Algoritmos de trayectoria multiobjetivo aplicados al problema de ...

More documents

Recommendations

Info

En la Figura 23 se muestra la arquitectura de la herramienta Teamsoft + utilizando un enfoque por reutilización. Se adicionaron dos paquetes denominados Metaheuristics y Biciam. En el paquete Metaheuristics se encuentran todas las clases implementadas que heredan de las clases de la biblioteca BICIAM. En el paquete Biciam se encuentran todas las clases de la biblioteca, incluyendo las modificaciones (descritas en el paso 1) y las adiciones realizadas (descritas en el paso 2). Figura 23. Arquitectura de Teamsoft+ incorporando BICIAM En la Figura 24 se presenta el modelo de clases elaborado para el uso de la biblioteca BICIAM en la herramienta Teamsoft + . A continuación se describen las modificaciones realizadas: 49
Se rediseñaron las clases MaximizeCompetence, MinimizeWorkload, MinimizeIncompatibilities y MinimizeCostDistance que en Teamsoft + representaban los funciones objetivos establecidas en el modelo formal de asignación de manera tal que pudieran heredar los atributos y el comportamiento definido en la clase ObjectiveFunction de la biblioteca BICIAM. Se rediseñó la clase Solution que representa la solución establecida en Teamsoft + de manera tal que pudieran heredar atributos y comportamiento definido en la clase ProblemState de la biblioteca BICIAM. Se rediseñaron las clases GenerateNeighboorSolutionTabu y GenerateNeighboorSolution que en Teamsoft + se utilizaban para la generación de soluciones vecinas en el algoritmo Búsqueda Tabú y para generar las soluciones vecinas en el resto de los algoritmos, respectivamente; de manera tal que pudieran heredar los atributos y el comportamiento definido en la clase Operator. Se rediseñaron las clases para cada restricción establecida en el modelo formal (AllBelbinCategories, AllBelbinRoles, AllCompetitionLevels, ExistCerebro, IsProjectBoss, IncompatibleRoles, IsISCO, IsEJ, IsDomainExperience, IsComplexityExperience, IncompatibleSelectedWorkers, IncompatibleWorkers, WorkerRemovedFromRole, IsWorkerAssigned, WorkerNotRepeatedInSameRole, MaxWorkload, MaximumRoles, IsBalanced), de manera tal que pudieran heredar los atributos y el comportamiento definido en la clase Constrain. Se implementó la clase SolutionDomain para representar el dominio de la solución, de manera tal que pudiera heredar los atributos y el comportamiento definido en la clase Domain. A la biblioteca de clases se le incorporaron los algoritmos propuestos: Búsqueda Tabú Multiobjetivo, Escalador de Colinas Estocástico Multiobjetivo, Escalador de Colinas Estocástico Multiobjetivo con Reinicio, Escalador de Colinas Estocástico Multiobjetivo de mayor distancia, Recocido Simulado Multiobjetivo de Ulungu y Recocido Simulado Multiobjetivo Multicaso. Una versión del algoritmo GRASP Multiobjetivo se implementó en la herramienta, pero no se incluyó en la biblioteca de clases. En este caso, la biblioteca permite construir la solución inicial basada en un algoritmo voraz, que debe ser implementado para cada problema de manera diferente. La implementación que se realizó de GRASP Multiobjetivo construye una solución inicial basada en este algoritmo y luego aplica el método de búsqueda local deseado, pero a diferencia del GRASP Multiobjetivo propuesto en el Capítulo 1 este proceso no se realiza varias veces. 50
Page 1 and 2:
Instituto Superior Politécnico Jos
Page 3 and 4:
Algoritmos de trayectoria multiobje
Page 5 and 6:
Resumen La inadecuada conformación
Page 7 and 8:
3.4 PARÁMETROS DE LOS ALGORITMOS .
Page 9 and 10: FIGURA 21. REPRESENTACIÓN DE UNA S
Page 11 and 12: TABLA 17. TIEMPO MÍNIMO, PROMEDIO
Page 13 and 14: máxima de roles a desempeñar por
Page 15 and 16: 3. Evaluar el desempeño de los alg
Page 17 and 18: Capítulo 1. Algoritmos metaheurís
Page 19 and 20: Restringir el número máximo de ro
Page 21 and 22: Pareto está compuesto por aquellos
Page 23 and 24: Esta técnica resulta conveniente e
Page 25 and 26: - Escalador de Colinas estocástico
Page 27 and 28: Tomar xa S Agregar xa a L xu:= xa T
Page 29 and 30: elemento, su distancia respecto a l
Page 31 and 32: Tomar xaS Ti = T0 Agregar xaa L Rep
Page 33 and 34: solución de Pareto, entonces se ch
Page 35 and 36: Valdés, Crespo et al. 1999) y el p
Page 37 and 38: 1.6.4 GRASP Algoritmo básico El pr
Page 39 and 40: de soluciones no dominadas encontra
Page 41 and 42: Tabla 1.Comparación entre algoritm
Page 43 and 44: Tabla 3.Comparación entre algoritm
Page 45 and 46: El comportamiento ideal del algorit
Page 47 and 48: Existen bibliotecas implementadas e
Page 49 and 50: 1.9 Conclusiones A partir de la rev
Page 51 and 52: En el trabajo de (André 2009), se
Page 53 and 54: En la Figura 15 se observa la soluc
Page 55 and 56: Los paquetes que contienen las clas
Page 57 and 58: En la clase Problem se incorpora co
Page 59: Diseñar las clases del problema ba
Page 63 and 64: 2.4 Conclusiones En el capítulo se
Page 65 and 66: Los datos necesarios para la confor
Page 67 and 68: del equipo: considerar la presencia
Page 69 and 70: Tabla 10. Cantidad de soluciones en
Page 71 and 72: En cuanto a la métrica Distancia g
Page 73 and 74: En el anexo 11 se muestran los resu
Page 75 and 76: Tabla 17. Tiempo mínimo, promedio
Page 81 and 82: Conclusiones A partir de los result
Page 83 and 84: Referencias Bibliográficas Acuña,
Page 85 and 86: Díaz, J. A. and E. Fernández (200
Page 87 and 88: Misevicius, A. (2003). "A Modified
Page 89 and 90: Suman, B. and P. Kumar (2006). "A s
Page 91 and 92: Anexos Anexo 1 Encuesta a especiali
Page 93 and 94: Anexo 2. Roles invariantes y compet
Page 95 and 96: Anexo 4. Resultados obtenidos en la
Page 97 and 98: Anexo 6. Resultados obtenidos en la
Page 99 and 100: Anexo 8. Resultado del procesamient
Page 101 and 102: Anexo 11. Valores de cobertura para
Page 103 and 104: Anexo 13. Valores de cobertura para
show all

Algoritmos de trayectoria multiobjetivo aplicados al problema de ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?