23 Sep

SIMULADOS: Simulación basada en agentes para enteneder mejor el pasado

simulados_poster

El siguiente video fue creado por el equipo de visualización del centro nacional de supercomputación (Barcelona supercomputing center) BSC-CNS. En él se describe cómo la simulación basada en agentes es utilizada para modelar el comportamiento de las sociedades primitivas, su relación con el entorno, el clima, la disponibilidad de alimentos, la rivalidad con otras tribus y la consecuente evolución en la zona de Gujarat (India) 10,000 años atrás.

Múltiples experimentos fueron realizados implementando además algoritmos de inteligencia artificial, lo que combinado con el paradigma de simulación permite que los agentes interactúen, aprendan y perfeccionen sus decisiones a partir de la experiencia y su visión (limitada) del entorno. Las simulaciones fueron realizadas en el supercomputador MareNostrum del BSC. Esta investigación se enmarca dentro del proyecto Simulpast, una iniciativa del programa Consolider liderada por el investigador ICREA Marco Madella.

Mayor información sobre este proyecto en el siguiente link.

Los invito a ver este excelente video:

02 Sep

Flow Shop Scheduling

Flow Shop Scheduling

Recientemente trabajé en un proyecto con estudiantes de la universidad de Seúl (Korea) para desarrollar un simulador que pudiese implementar diferentes algoritmos de organización de la producción en un taller tipo Flow-Shop.

El modelo fue desarrollado en AnyLogic utilizando simulación a base de agentes. Los trabajos y las máquinas se representan por agentes y deben organizar la producción (secuencia de trabajos) según la metodología previamente definida. Estas metodologías pueden ser:

  • Alocación aleatoria
  • Organizado en forma ascendente por tiempo total de ciclo
  • Organizado en forma descendente por tiempo total de ciclo
  • NEH: Llamado así por sus autores Nawaz, Enscore y Ham, es tal vez el algoritmo mas eficiente par organizar talleres tipo flow shop. Parte de la organización iterativa de los trabajos comenzando por los tiempos de ciclo mayor, evaluando a cada iteración el makespan esperado y eligiendo el menor. Puede encontrar una explicación con ejemplos en el siguiente link
  • Secuenciación multi-etapa: Algoritmo propuesto por Modrák y Pandian (ver link) el cuál es una adaptación del famoso algoritmo de Johnson (1954) considerado como el mejor método de organización de 2 máquinas y n trabajos. Este algoritmo agrupa las m máquinas en dos grupos transformando el tiempo de trabajo de cada  unidad y a continuación aplica el método Johnson tradicional.

El modelo permite agregar variabilidad al tiempo de trabajo, lo que repercute en la organización original requiriendo que periódicamente los algoritmos deban ser re-ejecutados para evaluar el plan de trabajo.

Una etapa futura de este proyecto consiste en agregar múltiples máquinas por estación, almacenamientos temporales (buffers) y estratégias de re-organización que combinen las heurísticas descritas arriba con mecanismos de negociación entre los agentes de manera que las estaciones resuelvan horizontes relativamente cortos de planificación de manera autónoma.

Un video de este modelo se presenta a continuación.

%d bloggers like this: