Jadán Avilés, Diana CarolinaBerrezueta Guamán, Nelson Bladimiro2020-02-282020-02-282020-02-28http://dspace.ucuenca.edu.ec/handle/123456789/34050Esta investigación propone k-NSGA-II, un algoritmo basado en computación evolutiva que mezcla propiedades de micro algoritmos y fundamentos de inteligencia artificial como la clusterización. El objetivo de k-NSGA-II es optimizar procesos en entornos reales y apoyar eficientemente a la toma de decisiones en organizaciones. Los cambios desarrollados se realizaron en NSGA-II, un algoritmo genético multiobjetivo basado en la no dominancia de sus resultados. La funcionalidad de k-NSGA-II se verificó mediante pruebas de rendimiento comparándolo con NSGA-II y µ-NSGA-II. Estas pruebas se realizaron en distintas funciones objetivo y en un caso de estudio, el mismo que se fundamentó en la optimización de la producción y distribución de productos. Los objetivos fueron la minimización de residuos y maximización del beneficio obtenido mediante las ventas. k-NSGA-II se utilizó para optimizar las funciones generando resultados interesantes para la empresa. También fue más útil con respecto a NSGA-II ya que generó un número reducido de soluciones precisas que el analista pudo revisar rápidamente antes de tomar una decisión, en comparación con NSGA-II que trabaja con conjuntos de 200 soluciones o µ-NSGA-II que no presentó soluciones que puedan ser útiles para la empresa. El algoritmo k-NSGA-II presenta una innovación con respecto a NSGA-II al ser un micro algoritmo preciso cuyas soluciones son de gran utilidad para la toma de decisiones en entornos de problemas reales. Mejora el tiempo de evaluación y evita la fatiga del analista al no presentar una gran cantidad de resultados que muchas veces no son revisados.This research proposes k-NSGA-II, an algorithm based on evolutionary computing that mixes properties of micro-algorithms and artificial intelligence fundamentals such as clustering. The objective of k-NSGA-II is to optimize processes in real environments and to efficiently support decision making in organizations. The changes developed were made in NSGA-II, a multiobjective genetic algorithm based on the non-dominance of its results. The functionality of k-NSGA-II was verified by performance tests comparing it with NSGA-II and µ-NSGA-II. These tests were performed on different objective functions and on a case study, which was based on the optimization of product production and distribution. The objectives were to minimize waste and maximize profit through sales. k-NSGA-II was used to optimize the functions generating interesting results for the company. It was also more useful with respect to NSGA-II as it generated a small number of accurate solutions that the analyst could review quickly before making a decision, compared to NSGA-II which works with sets of 200 solutions or µ-NSGA-II which did not present solutions that could be useful to the company. The k-NSGA-II algorithm presents an innovation with respect to NSGA-II as it is a precise micro algorithm whose solutions are very useful for decision making in real problem environments. It improves the evaluation time and avoids the analyst's fatigue because it does not present a great amount of results that many times are not analysed.application/pdfspaIngeniería IndustrialInteligencia artificialIngeniería de producciónTécnica de producciónbachelorThesis