Optimización bi-objetivo de eficiencia en tiempo de producción y consumo de energía en entornos flexibles de manufactura job-shop

Abstract

Con este trabajo se presenta un nuevo enfoque para abordar objetivos de minimizar el tiempo de ejecución de operaciones y el consumo de energía en entornos de manufactura flexibles. El método propuesto se basa en un Algoritmo Genético de Ordenación No Dominado II (NSGAII), el cual permite encontrar eficientemente soluciones óptimas entre estos dos objetivos críticos. La clave del método es una técnica de ordenación no dominado que clasifica e identifica eficazmente las soluciones Pareto óptimas. El rendimiento del algoritmo se evaluó experimentalmente en casos de referencia conocidos, como Kacem y Brandimarte. Los resultados demuestran la eficacia del enfoque al momento de minimizar simultáneamente el tiempo de ejecución y el consumo de energía. Además, la diversidad inherente a las soluciones de Pareto contribuye a una optimización equilibrada de estos objetivos. Los resultados muestran el potencial de los algoritmos genéticos, y en particular del NSGA-II, como herramientas convenientes para abordar retos de optimización multiobjetivo. Este estudio acerca la brecha entre los conocimientos teóricos y la aplicación práctica y demuestra la importancia de incluir más objetivos en escenarios reales, haciendo énfasis en las prometedoras perspectivas de estas técnicas en escenarios complejos reales.

This paper presents a novel approach to address the dual objectives of minimizing makespan and energy consumption in flexible manufacturing processes. The proposed method leverages the Non-Dominated Sorting Genetic Algorithm II (NSGA-II) to efficiently find optimal trade-offs between these two critical objectives. The cornerstone of the approach is a non-dominated sorting technique, which effectively ranks and identifies optimal Pareto solutions. The algorithm's performance was evaluated through experimentation on well-known benchmark instances, including Kacem and Brandimarte. The results demonstrate the efficacy of the approach in simultaneously minimizing both makespan and energy consumption. Furthermore, the inherent diversity within the Pareto solutions contributes to a balanced optimization of these objectives. The findings underscore the potential of genetic algorithms, particularly NSGA-II, as proficient tools to tackle multiobjective optimization challenges. This study bridges the gap between theoretical insights and practical implementation and demonstrates the importance of including more objectives in real scenarios, emphasizing the promising prospects of such techniques in complex real-world scenarios.