REVISTA CIENTIFICA CIENCIA Y TECNOLOGIA// (VOL.19, NUM. 22)
Volumen: 19, Numero: 22, Páginas: 117-132 pp.
The estimation of costs a vital process in the planning of industrial production, guaranteeing greater accuracy. A product in its life cycle starts from the estimation of costs, achieving in this way to establish the elements of design, viability and profit margins. The metaheuristic population algorithm Optimization of Particulate Swarm (PSO) since its appearance has proven to be efficient in solving optimization problems, the variation of its parameters has allowed to improve its efficiency. Among the configuration parameters are the acceleration coefficients c1 and c2. The present work is focused in carrying out a study of the parametric adjustment of c1 and c2 in the performance of PSO to solve a problem of estimation of costs in the manufacture of pipes. Given that designers are prone to make mistakes, and in the search for models that represent the phenomenon studied, it has been demonstrated that the modeling of nonlinear problems, based on Artificial Neural Networks (ANNs), provides approximations with a low margin of error. Consequently, this article shows the implementation of an Artificial Neural Network (ANN) type sigmoidal feedforward with PSO learning to improve the accuracy of cost estimation. The case study used to evaluate the model corresponds to data from the pipeline production for the transfer of fluids in the mining industry with information related to the weight, welding type, diameter and the corresponding cost. The values evaluated as coefficients of acceleration were in the range 0 to 10, the other parameters, in this case inertial factor and the size of swarm were worked with fixed values. The objective function used is the Mean Square Error (MSE), calculated between the observed values and the values estimated by the ANN. From the results it can be seen that very small values of c1 and c2 obtain low accuracy in the estimation of pipe manufacturing costs, while the best accuracy is achieved by means of an ANN with PSO learning, whose acceleration coefficients they are greater than or equal to 0.5.
La estimación de costos un proceso vital en la planificación de la producción industrial, garantizando una mayor exactitud. Un producto en su ciclo de vida parte de la estimación de costos, logrando con ello establecer los elementos de diseño, viabilidad y márgenes de utilidad. El algoritmo metaheurístico poblacional Optimización de Enjambre de Partículas (PSO) desde su aparición ha demostrado ser eficiente en la solución de problemas de optimización, la variación de sus parámetros ha permitido mejorar su eficiencia. Entre los parámetros de configuración se encuentran los coeficientes de aceleración c1 y c2. El presente trabajo está centrado en realizar un estudio del ajuste paramétrico de c1 y c2 en el desempeño de PSO para resolver un problema de estimación de costos en la fabricación de tuberías. Dado que los diseñadores son propensos a cometer errores, y en la búsqueda de modelos que representen al fenómeno estudiado, se ha demostrado que la modelación de problemas no lineales, basada en Redes Neuronales Artificiales (ANNs) provee aproximaciones con bajo margen de error. En consecuencia, en este artículo es mostrada la implementación de una Red Neuronal Artificial (ANN) tipo feedforward sigmoidal con aprendizaje PSO para lograr mejorar la exactitud en la estimación de costos. El estudio de caso utilizado para evaluar el modelo, corresponde a datos provenientes de la producción de tubería para la transferencia de fluidos en la industria minera con información relacionada al peso, tipo de soldadura, diámetro y el correspondiente costo. Los valores evaluados como coeficientes de aceleración estuvieron en el rango 0 a 10, los demás parámetros, en este caso factor inercial y el tamaño de enjambre se trabajaron con valores fijos. La función objetivo utilizada es el Error Cuadrático Medio (MSE), calculado entre los valores observados y los valores estimados por la ANN. A partir de los resultados se puede observar que valores muy pequeños de c1 y c2 obtienen baja exactitud en la estimación de costos de fabricación de tubería, en tanto que la mejor exactitud es lograda por medio de una ANN con aprendizaje PSO, cuyos coeficientes de aceleración son mayores o iguales a 0.5.