• ES
  • EN


Noticias


Viernes 12 de enero de 2018

Weekly Tip ISC: Sistemas de ayuda a la decisión basada en simulación para sistemas estocásticos complejos

Por Juan Ignacio Latorre

En nuestra sociedad tecnológica numerosos sistemas presentan un comportamiento complejo: una planta de producción industrial o agroalimentaria, una cadena de suministro, una red de tráfico o un puerto son algunos ejemplos. Paradigmas como Smart Cities e Industria 4.0 presagian un aumento exponencial en la complejidad, en base a una conectividad e instrumentación ubicuas. Sistemas complejos con elementos discretos (tales como vehículos, personas, máquinas, productos) que evolucionan a pasos discretos son considerados sistemas de eventos discretos y presentan variables de decisión sobre los que actuar para lograr los objetivos propuestos (tales como el beneficio financiero, impacto ambiental, calidad de vida o calidad de servicio). En este contexto, es común tomar decisiones en base a la experiencia de personas o sistemas automáticos.

  

 

 

Modelos de sistemas complejos realizados con lenguajes formales basados en las redes de Petri (Fuente: autores).

Sin embargo, en ocasiones, la toma de decisiones innovadoras o en entornos cambiantes puede suponer un salto al vacío para el que no se dispone de información histórica. El desarrollo de modelos cuantitativos, por ejemplo, usando el formalismo de las redes de Petri, y la simulación numérica de su comportamiento dan una respuesta a esta situación.

La gestión de contenedores en un puerto de mercancías, así como la regulación del tráfico en una red viaria constituyen dos ejemplos de aplicaciones de sistemas de eventos discretos susceptibles de ser modelados con redes de Petri y sometidos a un proceso de optimización basada en simulación (Fuente: https://pixabay.com).

Es posible resolver esta toma de decisiones aplicando la táctica de prueba y error, ensayando las decisiones más prometedoras y calculando las consecuencias de las mismas. Para ello puede implementarse una metaheurística en un problema de optimización combinatoria, como un algoritmo de búsqueda eficiente en el espacio de soluciones, ya que pueden proporcionar soluciones de calidad aceptable con un consumo limitado de recursos computacionales.

Por otra parte, la impredecibilidad del entorno del sistema complejo puede incorporarse al modelo por medio de variables aleatorias y al sistema de ayuda a la decisión por medio de una simheurística, que combina los elementos ya mencionados con simulación de Monte Carlo. Esta característica permite dotar a las soluciones encontradas al problema de decisión de calidad y robustez.

Referencias:

Simulation Model of Traffic in Smart Cities for Decision-Making Support: Case Study in Tudela (Navarre, Spain)

https://link.springer.com/chapter/10.1007/978-3-319-59513-9_15

Simheuristics-based selection of the optimal production strategy for a manufacturing facility under the influence of corrective maintenance operations

https://www.researchgate.net/publication/318325312_Simheuristics-based_selection_of_the_optimal_production_strategy_for_a_manufacturing_facility_under_the_influence_of_corrective_maintenance_operations

Enriching Simheuristics with Petri Net Models: Potential Applications to Logistics and Supply Chain Management

http://ieeexplore.ieee.org/document/7822286/?reload=true

Modeling, Simulation, and Optimization with Petri Nets as Disjunctive Constraints for Decision-Making Support. An Overview

https://www.sne-journal.org/fileadmin/user_upload_sne/SNE_Issues_OA/SNE_26_2/articles/sne.26.2.10333.on.OA.pdf



INSTITUTE OF SMART CITIES
Centro Jerónimo de Ayanz
Campus Arrosadia
31006 Pamplona-Iruña
Tel. 948169512
Contacto por email
@SmartCity_Upna