000076257 001__ 76257 000076257 005__ 20190115134115.0 000076257 037__ $$aTAZ-TFM-2018-757 000076257 041__ $$aeng 000076257 1001_ $$aSández García, Carlos 000076257 24200 $$aA Multi-Period Facility Location Problem 000076257 24500 $$aUn problema de localización de instalaciones multiperiodo 000076257 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2018 000076257 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000076257 520__ $$aEn este trabajo se presenta un novedoso algoritmo evolutivo para resolver el Problema Multi-Periodo de Localización de Instalaciones con Oferta Incremental (Multi-Period Incremental Service Facility Lo- cation Problem). Tras un estudio computacional detallado, se demuestra que la calidad de los resultados es suficiente para justificar el uso de este método heurístico. Esto es significativo porque no parece haber artículos sobre la resolución de problemas multi-periodo similares con algoritmos genéticos o evolutivos. La estructura del trabajo se muestra a continuación: En el capítulo 1 se introduce el campo de la Ciencia de Localización (Location Science) con ejem- plos de problemas de localización de instalaciones. Esto culmina con el Problema Multi-Periodo de Localización de Instalaciones con Oferta Incremental, un modelo dependiente del tiempo para cubrir incrementalmente la demanda de servicios no esenciales. El capítulo 2 trata sobre los algoritmos genéticos y evolutivos. Se repasan los mecanismos para problemas de localización de instalaciones de un solo periodo que aparecen en la literatura. En el capítulo 3 se presenta el algoritmo evolutivo desarrollado para resolver el Problema Multi- Periodo de Localización de Instalaciones con Oferta Incremental. Se explican los operadores que forman el algoritmo y se dan algunos ejemplos. También está disponible el pseudocódigo. En el capítulo 4 se resumen los resultados de dos estudios computacionales, mostrando la eficacia del algoritmo en un abanico de problemas. También se comparan con la resolución exacta del modelo y el obtenido al optimizar periodo a periodo. En el apéndice A está el código del algoritmo implementado en R. 000076257 521__ $$aMáster Universitario en Modelización e Investigación Matemática, Estadística y Computación 000076257 540__ $$aDerechos regulados por licencia Creative Commons 000076257 700__ $$aCalvete Fernández, Herminia I.$$edir. 000076257 700__ $$aMateo Collazos, Pedro$$edir. 000076257 7102_ $$aUniversidad de Zaragoza$$bMétodos Estadísticos$$cEstadística e Investigación Operativa 000076257 8560_ $$f692039@celes.unizar.es 000076257 8564_ $$s317979$$uhttps://zaguan.unizar.es/record/76257/files/TAZ-TFM-2018-757.pdf$$yMemoria (eng) 000076257 909CO $$ooai:zaguan.unizar.es:76257$$pdriver$$ptrabajos-fin-master 000076257 950__ $$a 000076257 951__ $$adeposita:2019-01-15 000076257 980__ $$aTAZ$$bTFM$$cCIEN 000076257 999__ $$a20180914103356.CREATION_DATE