Performance comparison between a classic particle swarm optimization and a genetic algorithm in manufacturing cell design

• Johanna Rodríguez León ^[1] ; Jabid Quiroga Méndez ^[1] ; Néstor Raúl Ortiz Pimiento ^[1]
  1. [1] Universidad Industrial de Santander

     Universidad Industrial de Santander

     Colombia

     
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 80, Nº. 178, 2013, págs. 29-36
• Idioma: inglés
• Títulos paralelos:
  • Comparación del desempeño entre un algoritmo clásico de optimización por enjambre de partículas y un algoritmo genético en el diseño de celdas de manufactura
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este artículo estudia el desempeño de los meta-heurísticos Optimización de Enjambre de Partículas y Algoritmos Genéticos en el problema de formación de celdas de manufactura de una empresa que desea organizar de manera eficiente tres escenarios de producción: cuatro, cinco y seis celdas de manufactura para la fabricación de 30, 40 y 50 productos diferentes a ser procesados en 10, 10 y 20 tipos de máquinas, respectivamente. El proceso de ajuste de los parámetros particulares de cada algoritmo se realiza a través de un diseño de experimentos con su respectivo análisis de varianza. Los algoritmos son implementados en Matlab®. Los resultados obtenidos por cada metaheurística son comparados en términos del costo de la mejor solución encontrada y del tiempo de ejecución empleado para llegar a dicha solución, de manera que sea posible establecer cual metodología es la más adecuada a la hora de solucionar este problema de optimización

  • English

    This article studies the performance of two metaheuristics, the Particle Swarm Optimization (PSO) and the Genetic Algorithm (GA), in the manufacturing cell formation problem of a factory that needs to organize three production cases in an efficient way for four, five and six manufacturing cells to produce 30, 40 and 50 different products to be processed in 10, 10 and 20 type machines, respectively. The procedure for adjusting the particular parameters of each algorithm is implemented through a Design of Experiments which includes their own analysis of variance. Both algorithms are implemented in Matlab®. The results obtained by each meta heuristic are compared in terms of the cost of the best solution found and the execution time used to find that solution, so that it is possible to establish which methodology is the most appropriate when solving this optimization problem