Optimización del diseño de parámetros: método forest-genetic univariante

  • Adriana Villa Murillo Universidad Centroccidental Lisandro Alvarado, Venezuela
  • Andrés Carrión García Universidad Politécnica de Valencia. España
  • Antonio Sozzi Rodriguez Universidad Centroccidental Lisandro Alvarado, Venezuela
Palabras clave: Taguchi, árboles de regresión y clasificación, random forest, algoritmos genéticos, redes neuronales artificiales

Resumen

El Dr Genichi Taguchi desarrolló en los años 80 una metodología para la mejora del diseño de parámetros de productos y procesos, conocida como metodología Taguchi. Diversas propuestas han surgido en las que se mezclan técnicas de inteligencia artificial.  Proponemos la creación de un híbrido entre Random Forest (RF) y los Algoritmos Genéticos (GA) en 3 fases; normalización, modelización y optimización. La primera fase corresponde a la preparación previa del conjunto de datos mediante funciones de normalización. En la modelización se determina la función objetivo utilizando estrategias basadas en RF para predecir el valor de la respuesta en un conjunto de parámetros dado. Finalmente, en la fase de optimización se obtiene la combinación óptima de los niveles de los parámetros mediante la integración de propiedades dadas por nuestro esquema de modelización en el establecimiento del correspondiente GA. Se comparan los resultados de forma numérica con aportes recientemente encontrados en la literatura. Nuestra propuesta metodológica se concentra en las variables de mayor importancia producto del proceso de modelización con RF, lo que permite desarrollar y dirigir de manera más eficiente las nuevas generaciones en la fase de optimización y en consecuencia, alcanzar significativas mejoras en cuanto al objetivo de calidad considerado.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Andrés Carrión García, Universidad Politécnica de Valencia. España

Profesor del Departamento de Estadística e Investigación Operativa Aplicadas y Calidad de la Universidad Politécnica de Valencia. España. correo: acarrion@eio.upv.es

 

Referencias

[1] G. E. P. Box y R. D. Meyer. Dispersion effects from fractional designs. Technometrics, 28(1):19-27, 1986.
[2] T. P. Ryan. Statistical methods from quality improvement. Jhon Wiley Sons, 1989.
[3] S. Maghsoodloo, G. Ozdemir, V. Jordan y C.-H. Huang. Strengths and limitations of Taguchi’s contributions to quality, manufacturing and process engineering. Journal of Manufacturing Systems, 2(23):73-126, 2004.
[4] K. Tsui. A critical look at Taguchi’s modeling approach for robust design. Journal of Applied Statistics, 1(26):81-98, 1996.
[5] G. E. P. Box y R. D. Meyer. Introduction to statistical quality control. Wiley Sons, 2001.
[6] A. Miller y C.F.Wu. Manufacturing Quality Control By Means Of A Fuzzy ART Network Trained On Natural Process Data, Statistical Science, 11(2):122-136, 1996.
[7] C.-T. Su y H.-H. Chang. Optimization of parameter design: an intelligent approach using neural network and simulated annealing. International Journal of Systems Science, 31(12):1543-1549, 2000.
[8] C. Zang,M.I. Friswell y J.E.Mottershead. A review of robust optimal design and its application in dynamics. Computer and Structures, 8(3):315-326, 2005.
[9] C.-C. Chiu, C.-T. Su, G-H Yang, J.-S. Huang , S.-C. Chen y N.-T. Cheng. Selection of optimal parameter in gas-assisted injection moulding using a neural network model and the Taguchi method. International Journal of Quality Science, 2:106-120, 1997.
[10] K.M. Tay y C. Butler. Modeling and optimizing of a mig welding process-A case study using experimental designs and neural networks. Quality and Reliability Engineering International, 13:61-70, 1997
[11] H.-H. Chang. Applications of neural networks and genetic algorithms to Taguchi’s. International journal of electronic business management, 3(2):90-96, 2005.
[12] M. R Segal. Machine Learning Benchmarks and Random Forest Regression. Center for Bioinformatics and Molecular Biostatistics. University of California, San Francisco, 2003.
[13] H. Trevor, R. Tibshirani y J. Friedman. The elements of statistical learning. Data mining, inference and prediction. Springer series in statistic, 2009.
[14] D. S. Siroky. Navigation random Forest and related advances in algorithmic modeling. Statistic Surveys, 3:147-163, 2005.
[15] L. Breiman. Random Forest. Machine Learning, 45:5-32, 2001.
[16] A. Villa-Murillo, A. Carrión y S. San Matías. Modeling response variables in Taguchi design parameter using CART and Random Forest based system. Communications in dependability and quality management. An international journal, 15(4):5-15, 2012.
[17] F. Hillier y G. Lieberman. Introducción a la investigación de operaciones. McGraw Hill, 2006.
Publicado
2018-06-01
Cómo citar
Villa Murillo, A., Carrión García, A., & Sozzi Rodriguez, A. (2018). Optimización del diseño de parámetros: método forest-genetic univariante. Publicaciones En Ciencias Y Tecnología, 10(1), 12-24. Recuperado a partir de https://revistas.ucla.edu.ve/index.php/pcyt/article/view/206
Sección
Artículo de Investigación