Término:   Tipo de documento:     Página Principal
Consulta por: Publicación seriada
Autor: Carrión García, Andrés (Comienzo)
Sólo un registro cumplió la condición especificada en la base de información PCYT. ()
Portada
Artículos de éste númeroArtículos de éste número
Autor: Villa Murillo, Adriana avilla@ucla.edu.ve
Oprima aquí para enviar un correo electrónico a esta dirección; Carrión García, Andrés ; Sozzi Rodrigez, Antonio José ; Carrión García, Andrés ; Sozzi Rodrigez, Antonio José
Título: OPTIMIZACIÓN DEL DISEÑO DE PARÁMETROS: MÉTODO FOREST-GENETIC UNIVARIANTE
OPTIMIZING PARAMETER DESIGN: THE UNIVARIATE FOREST-GENETIC METHOD
ISSN: 1856-8890
Fecha: 2016
Páginas/Colación: pp. 12-24
En:/ Publicaciones en Ciencias y Tecnología Vol.10 Nro. 1 Enero-Junio 2016
Información de existenciaInformación de existencia
Categoría Temática: Palabras: DCYT01 DCYT01
Palabras Claves del Autor: Palabras: ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS, Palabras: ARBOLES DE REGRESION Y CLASIFICACION ARBOLES DE REGRESION Y CLASIFICACION, Palabras: RANDOM FORREST RANDOM FORREST, Palabras: REDES NEURONALES ARTIFICIALES REDES NEURONALES ARTIFICIALES, Palabras: TAGUCHI TAGUCHI
Documentos asociados
Oprima aquí para visualizar el documento PDF:Documento a texto completo pdf Documento a texto completo pdf

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.

Palabras clave: Taguchi, árboles de regresión y clasificación, random forest, algoritmos genéticos, redes neuronales artificiales.

ABSTRACT

In the 80's, Dr Genichi Taguchi developed a methodology for processes and product parameters design improvement known as the Taguchi methodology. Different proposals have emerged involving artificial intelligence techniques. Our proposal consists of a hybrid methodology that combines Random Forest (RF) and Genetic Algorithms (GA) in three phases: normalization, modeling and optimization. The first phase corresponds to the previous preparation of the data set by using normalization functions. In the modeling, the objective function is determined using strategies based on RF to predict the value of the response in a given set of parameters. Finally, in the optimization phase, the optimal combination of the parameter levels is obtained by integrating properties given by our modeling scheme into the corresponding GA. The results are compared numerically with the contributions recently found in the literature. Our methodological proposal focuses on the most important variables resulting from the RF modeling process, which allows to develop and direct more efficiently the new generations in the optimization phase, and consequently, achieve significant improvements in the quality objective considered.

Keywords: Taguchi, classification and regression trees, random forest, genetic algorithm, artificial Neural Networks.

REFERENCIAS BIBLIOGRAFICAS
[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.


 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

** Back-end Alejandría BE 7.3.0b3 *