Un algoritmo genético para el diseño de una red de logística integrada directa e inversa

Simple item page
dc.contributor.advisorLamos Díaz, Henry
dc.contributor.authorHernández Herrera, Edwing Duván
dc.contributor.authorTorres Fernández, Jerson Alexander
dc.date.accessioned2024-03-04T01:14:09Z
dc.date.available2021
dc.date.available2024-03-04T01:14:09Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractEl problema de diseño de la red logística abordado desde el enfoque de la integración de la red directa e inversa, con el fin de consolidar cadenas de suministro de circuito cerrado (CLSC), es la clave para enfrentar los desafíos emergentes de la transición de las empresas hacia la economía circular y el desarrollo sostenible. Este tipo de red integrada permite una mayor eficiencia y ofrece ventajas en costos e impacto ambiental durante la operación de recolección, reutilización y reciclaje de residuos. En este contexto, el presente proyecto propone un diseño de red logística integrada directa e inversa para la recolección de residuos electicos y electrónicos (RAEE), con el fin d apoyar las decisiones de nivel estratégicos de las empresas del país. La configuración de la red está basada en el trabajo de Pishvaee, quien resalta el aporte novedoso de la inclusión de plantas hibridas de distribución y recolección/inspección. El problema de asignación de recursos y aperturas de instalaciones se resuelve mediante un modelo de programación lineal entera mixta (MILP) con dos funciones objetivo: maximización de los costos totales y minimización del impacto ambiental, mediante la metodología de valoración del ciclo de vida del producto (LCA). Para la resolución del modelo se propone un algoritmo genético con codificación basada en la prioridad, función de aptitud basada en pesos aleatorios, método de selección por torneo y operadores de cruce y mutación basados en segmento. Para medir el rendimiento del algoritmo, se realiza un diseño de experimentos factorial de la forma 3 4 para tres tamaños de problema (pequeño, mediano y grande) y un contraste con el algoritmo mimético multiobjetivo (MOMA) desarrollado por Pishvaee. Los resultados muestran que, para cualquier tamaño de problema, el mejor desempeño del algoritmo se obtiene con una combinación de 500 iteraciones y 100 individuos en la población inicial. Finalmente, la prueba de contraste entre el AG y el MOMA reveló que el algoritmo genético propuesto es inferior en la cantidad de soluciones no dominadas encontradas. Es posible que esto se deba a las estrategias de búsqueda intensificada incorporadas en el MOMA. Sin embargo, esta diferencia de capacidad de búsqueda está justificada por el ahorro de tiempo de ejecución que presenta el AG.
dc.description.abstractenglishThe logistics network design problem approached from the approach of direct and reverse network integration, in order to consolidate closed loop supply chains (CLSC), is the key to face the emerging challenges of the transition of the companies towards the circular economy and sustainable development. This type of integrated network allows greater efficiency and offers advantages in costs and environmental impact during the waste collection, reuse and recycling operation. In this context, this project proposes a direct and inverse integrated logistics network design for the collection of electrical and electronic waste (WEEE), in order to support the strategic level decisions of the country's companies. The configuration of the network is based on the work of Pishvaee, who highlights the novel contribution of the inclusion of hybrid plants for distribution and collection / inspection. The problem of resource allocation and facility openings is solved using a mixed integer linear programming model (MILP) with two objective functions: maximization of total costs and minimization of environmental impact, through the product life cycle assessment methodology. (LCA). For the resolution of the model, a genetic algorithm with priority-based coding, fitness function based on random weights, tournament selection method and segment-based crossover and mutation operators is proposed. To measure the performance of the algorithm, a factorial design of experiments of the form 3 ^ 4 is performed for three problem sizes (small, medium and large) and a contrast with the multiobjective mimetic algorithm (MOMA) developed by Pishvaee. The results show that, for any size of problem, the best performance of the algorithm is obtained with a combination of 500 iterations and 100 individuals in the initial population. Finally, the contrast test between the GA and the MOMA revealed that the proposed genetic algorithm is inferior in the amount of non-dominated solutions found. This may be due to the intensified search strategies built into the MOMA. However, this difference in search capacity is justified by the execution time savings that the AG presents.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Industrial
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/41271
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería Industrial
dc.publisher.schoolEscuela de Estudios Industriales y Empresariales
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectCadenas de suministro
dc.subjectMultiobjetivo
dc.subjectAlgoritmo genético
dc.subjectProgramación entera
dc.subjectOptimización
dc.subjectlogística
dc.subjectcostos
dc.subjectlocalización
dc.subjecttoma de decisiones
dc.subjectlogística inversa.
dc.subject.keywordSupply chains
dc.subject.keywordMultiobjective
dc.subject.keywordGenetic algorithm
dc.subject.keywordInteger programming
dc.subject.keywordOptimization
dc.subject.keywordLogistics
dc.subject.keywordcosts
dc.subject.keywordLocation
dc.subject.keywordDecision making
dc.subject.keywordReverse logistics.
dc.titleUn algoritmo genético para el diseño de una red de logística integrada directa e inversa
dc.title.englishA genetic algorithm for integrated forward / reverse logistics network design
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
121.34 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.28 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
217.97 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Industrial