
Rev. Téc. Ing. Univ. Zulia. Volumen Especial, 2019, No. 1, pp. 154-262
196 Lagos y col.
Introducción
La representación de la realidad a través de mo-
delos matemáticos se ha convertido en una forma de estu-
diar problemas reales de manera segura y replicable todas
el modelo resultante se vuelve más complejo de construir
y analizar, pasando de modelos estáticos o deterministas
a modelos probabilísticos y dinámicos. Este hecho implica
que al abordar el problema de evaluar el rendimiento de
un sistema que se ejecuta bajo valores desconocidos para
sus parámetros estocásticos [1], sea necesario utilizar he-
rramientas más poderosas en el manejo de escenarios va-
riables. Así, la complejidad de los modelos ha dado origen
al desarrollo de algoritmos de simulación para modelar el
sistema [2]. En este sentido, [3] [4] indican que la aplica-
ción de simulación ayuda a los tomadores de decisiones a
mejorar los criterios de selección al verse enfrentados a
problemas de diverso índole.
Asimismo, los autores en [5] y [6] indican
que la búsqueda de la configuración óptima del sistema
(problema de optimización) requiere la evaluación del
rendimiento del sistema (problema de simulación), lo
que resulta en un problema de mayor complejidad, que
permite la interacción simulación-optimización.
Es así como la necesidad de tomar decisiones
en sistemas de mayor complejidad, donde la formulación
no lineales, combinatorias y la incertidumbre; provocó
la convergencia de estas herramientas (optimización
y simulación) en una nueva disciplina denominada
Optimización v
también puede ser consultada como simulation
optimization u optimization for simulation. Esta disciplina
tiene como propósito optimizar sistemas donde los
modelos (funciones objetivo y/o variables) son evaluados
a través de modelos de simulación computacional y, en
consecuencia, buscar soluciones de alto estándar para
manejable [8].
encontrar los mejores valores para las variables de
decisión dentro de todas las posibilidades [7]. Los sistemas
de interés son estocásticos, donde el objetivo es optimizar
ciertas medidas de desempeño como disponibilidad,
salida del modelo de simulación como entrada a la función
objetivo del problema de optimización, con lo cual, se
establece un nuevo conjunto de soluciones de entrada,
repitiendo el proceso hasta alcanzar el criterio de termino,
previamente establecido [9].
El objetivo del estudio es comparar el efecto que
que configure un sistema productivo de línea de espera
con característica estocásticas, al utilizar un criterio
objetivo que optimice el tiempo de espera en el sistema, en
de los servidores de este.
De acuerdo con ello, el resto del artículo está
organizado de la siguiente manera: la sección 2 ofrece
una descripción general de estudios aplicados relativos
a optimización y/o simulación. La sección 3 describe la
metodología y los supuestos considerados. En la sección
4 se presentan y discuten los resultados obtenidos.
Finalmente, la sección 5 entrega las conclusiones de este
trabajo.
En relación con la evolución de las aplicaciones
et
al. [10] quienes utilizan un enfoque de Optimización vía
donde los tiempos de carga/descarga de contenedores y
el tiempo de viaje de las grúas de muelle se consideran
inciertos. Proponen una metaheurística de optimización
de colonias de hormigas (ACO, por sus siglas en inglés)
hibridada con una búsqueda local de Descenso de
vecindad variable (VND, por sus siglas en inglés) para
determinar las asignaciones de tareas a las grúas de muelle
y las secuencias de ejecución de tareas en cada grúa. La
simulación se utiliza dentro del algoritmo de optimización
para generar escenarios, evaluando estocásticamente
las soluciones encontradas por cada hormiga. Los
de optimización es competitivo en comparación con los
enfoque de Optimización de simulación son más robustas
que las encontradas por el algoritmo de optimización.
Huang y Chiu [11] presentan un modelo de
simulación-optimización para resolver el problema de la
intrusión de agua de mar a lo largo de los acuíferos costeros
el proceso de intrusión de agua de mar y un modelo
computacional durante el proceso de optimización. El
esquema de optimización heurística del algoritmo de
evolución diferencial (DE, por sus siglas en inglés) fue
global. De los resultados optimizados establecen que el
despliegue de barreras de inyección en el interior es más
sus siglas en inglés) y mitigar la intrusión de agua de mar
que a lo largo de la costa.
Niessner et al. [12] investigan si la gestión de
incidentes de víctimas masivas (MCI, por sus siglas en
inglés) podría mejorarse mediante el uso de técnicas
muestran que las políticas automatizadas optimizadas
pueden mejorar el rendimiento de los puestos médicos de