Problema de la mochila irrestricta bidimensional guillotinada1
Unconstrained Two-Dimensional Knapsack Problem2
Problema da mochila irrestrita bidimensional guilhotinada3
1 Este artículo es resultado del proyecto de investigación Solución del problema de empaquetamiento óptimo de contenedores, financiado por Colciencias y la Universidad Tecnológica de Pereira, Colombia, a través del convenio Jóvenes Investigadores, con código de radicación CIEC 859-2009. ]]>
2 Submitted on: April 24, 2010. Accepted on: August 12, 2010. This article results from the research project Solution of the Tridimensional Bin Packing Problem, financed by Colciencias and the Universidad Tecnológica de Pereira, Colombia, agreement Jovenes Investigadores, registration CIEC 859-2009.Fecha de recepción: 24 de abril de 2010. Fecha de aceptación para publicación: 12 de agosto de 2010.
Resumen
Los problemas de empaquetamiento y corte óptimo son considerados clásicos dentro de la investigación de operaciones, debido a su gran espectro de aplicación en la industria y su alta complejidad tanto matemática como computacional. En este trabajo se presenta el problema de empaquetamiento óptimo bidimensional irrestricto de piezas rectangulares en una sola placa, con pesos asociados a las piezas y sin estos, al tiempo que se considera la posibilidad de rotar 90° las piezas y con restricciones de corte tipo guillotina (problema de la mochila bidimensional irrestricta guillotinada). Se describe el modelo matemático aplicado por diferentes grupos de investigación que estudian esta temática. Se propone, además, un tipo de codificación para aplicarla en este problema y se resuelve mediante un algoritmo de optimización que combina las principales características de cúmulo de partículas, recocido simulado y algoritmos genéticos. Para comprobar la eficiencia de la metodología presentada se tomaron casos de prueba de la literatura especializada, se analizan y comparan los métodos de solución presentados con los últimos avances del problema y se obtienen resultados de excelente calidad y nunca antes reportados en la literatura especializada.
Palabras clave: Mochila bidimensional irrestricta, cúmulo de partículas, recocido simulado.
Cutting and packing problems are common in operations research, due to their big spectrum of application in the industry and its highly mathematical and computational complexity for the academy. In this study we present the unconstrained twodimensional cutting stock problem of rectangular items, with and without weights associated to the items, bearing in mind the possibility to rotate items at 90°, and with guillotine cuts (also known as unconstrained two-dimensional guillotineable single knapsack problem). For this problem, we describe the mathematical model recognized by the academic community. We develop an appropriate encoding of the problem so it is possible to work on it using metaheuristic hybrid algorithm particle swarm optimization and simulated annealing. To check the efficiency of this methodology, case studies were taken from specialized literature, where the presented solution method could be analyzed and compared with current problems. The results obtained had an excellent quality and had never been reported.
Key words: Unconstrained two-dimensional knapsack problem, particle swarm optimization, simulated annealing.
Resumo
Os problemas de empacotamento e corte ótimo são considerados clássicos dentro da pesquisa de operações, devido a seu grande espectro de aplicação na indústria e sua alta complexidade tanto matemática como computacional. Neste trabalho apresenta-se o problema de empacotamento ótimo bidimensional irrestrito de peças retangulares em uma só placa, com pesos associados às peças e sem estes, ao mesmo tempo em que se considera a possibilidade de rotar 90° as peças e com restrições de corte tipo guilhotina (problema da mochila bidimensional irrestrita guilhotinada). Descreve-se o modelo matemático aplicado por diferentes grupos de pesquisa que estudam esta temática. Além disso, propõe-se também um tipo de codificação para aplicá-la neste problema e se resolve mediante um algoritmo de otimização que combina as principais características de cúmulo de partículas, recozimento simulado e algoritmos genéticos. Para comprovar a eficiência da metodologia apresentada se tomaram casos de prova da literatura especializada, analisam-se e comparam-se os métodos de solução apresentados com os últimos avanços do problema e se obtêm resultados de excelente qualidade e nunca antes relatados na literatura especializada.
Palavras-Chave: Mochila bidimensional irrestrita, particle swarm optimization, simulated annealing.
Introducción
El problema de la mochila irrestricta bidimensional guillotinada se usa para resolver problemas de corte que se presentan cuando el material es una pieza rectangular donde se deben ubicar piezas rectangulares más pequeñas de las que se conoce el tamaño y un costo asociado. El objetivo es maximizar el valor de las piezas cortadas. Las características de este problema son las siguientes:
Gilmore y Gomory (1965 y 1966) proponen un algoritmo recursivo exacto sobre la base de la programación dinámica para resolver el problema. Este algoritmo es aplicable a las versiones con y sin pesos. Herz (1972) propone un método de búsqueda recursiva de árbol, que es más eficaz que el algoritmo de Gilmore y Gomory para el problema sin pesos, pero no se aplica a los casos con pesos. Entre tanto, Beasley (1985) plantea un algoritmo que es una versión modificada del algoritmo de Gilmore y Gomory. Hifi y Zissimopoulos (1996) sugieren un algoritmo recursivo exacto que use programación dinámica basada en eficientes límites inferiores y superiores para resolver el problema irrestricto. Por último, G y Kang (2002) proponen una mejora al algoritmo de Hifi y Zissimopoulos usando una cota superior más eficiente. Este es actualmente uno de los algoritmos exactos con mejor desempeño para resolver el problema irrestricto.
Por último, G y Kang (2002) proponen una mejora al algoritmo de Hifi y Zissimopoulos usando una cota superior más eficiente. Este es actualmente uno de los algoritmos exactos con mejor desempeño para resolver el problema irrestricto.
Existen dos técnicas generales usadas para resolver los problemas restrictos: top-down y bottom-up. Christofides y Whitlock (1977) propusieron originalmente el enfoque de top-down; el otro requiere una gran cantidad de memoria, razón por la cual la implementación de un algoritmo de este tipo es poco atractivo. Sin embargo, G, Kang y Seong (2003) plantearon un algoritmo que parte de una solución inicial de buena calidad y utiliza el algoritmo constructivo bottom-up como estrategia para generar las ramas y así disminuir el número de nodos por explorar.
En este artículo se utiliza una codificación en árbol binario, llamado árbol de cortes, que convierte el problema de empaquetamiento en uno de optimización irrestricta y se resuelve mediante dos algoritmos. El primero es una búsqueda exhaustiva sobre el árbol para encontrar los tipos de corte (horizontal o vertical); el segundo, un algoritmo metaheurístico híbrido que combina las principales características de cúmulo de partículas, recocido simulado y algoritmos genéticos para determinar las distancias de corte óptimas.
Para comprobar la eficiencia y la calidad de las respuestas de la metodología propuesta se usaron casos de prueba de la literatura especializada, de donde se obtuvieron resultados de excelente calidad y de los cuales no se conoce reporte. La estructura de este artículo es la siguiente: descripción del problema, modelo matemático, metodología de solución, análisis de resultados y conclusiones.
1. Descripción del problema
El problema de la mochila irrestricta tiene dos variantes: sin pesos y con estos (unweighted version y weighted version). La primera instancia del problema (weighted version with rotation) se define como: cortar de un rectángulo que se denomina placa (objeto) de alto h y ancho w un conjunto de rectángulos de cardinalidad n que se denominan piezas (ítems) de alto hi, ancho wi y costo asociado ci (donde i=1,..., n). Una pieza (h, w) es equivalente a una pieza (w, h). Aquí el objetivo está dado por la ecuación (1) y consiste en maximizar el costo asociado del conjunto de piezas cortadas. Así, zi es una variable binaria que indica si la pieza i fue o no cortada.
]]>Sujeto a:
La segunda instancia del problema (weighted version without rotation) sólo difiere en la definición anterior por la condición de orientación de la piezas; por lo tanto, una pieza (h, w) no es equivalente a una pieza (w, h).
La tercera instancia del problema (unweighted version with rotation) únicamente difiere de la primera en que el costo asociado ci es igual al alto hi por el ancho wi. De este modo, la función objetivo de la ecuación (2) consiste en maximizar el área del conjunto de piezas cortadas.
]]>
La cuarta instancia del problema (unweighted version without rotation) sólo difiere de la definición anterior por la condición de orientación de la piezas; por lo tanto, una pieza (h, w) no es equivalente a una pieza (w, h).
2. Modelo matemático
Se presenta un modelo de programación lineal entera mixta para el problema de empaquetamiento óptimo de la mochila bidimensional irrestricta basado en la caracterización de los patrones de corte tipo guillotina y el uso de coordenadas donde pueden ser ubicadas las piezas (Figura 1). Esta es una adaptación del modelo presentado por (Ben, Chu y Espinouse, 2008) para el problema de empaquetamiento óptimo guillotinado en rollos infinitos (guillotinable strip packing problem).
A fin de obtener un modelo lineal entero, se usa el siguiente conjunto de variables binarias que representan la ubicación de las piezas en la placa:
Las siguientes variables de decisión intermedia también son necesarias para garantizar que no existan traslapes entre piezas:
]]>
Los siguientes tres conjuntos de variables binarias son necesarios para garantizar las restricciones guillotina:
La formulación completa del problema de empaquetamiento óptimo guillotinado de la mochila bidimensional irrestricta (weight version without rotation) es la siguiente:
Maximizar 
sujeto a 
En la formulación anterior, las restricciones (6)-(8) aseguran que cada posición horizontal o vertical sea ocupada exactamente por una pieza, y cada pieza es empacada exactamente una vez.
Las restricciones (9)-(12) garantizan que no existan traslapes entre piezas. Las restricciones (13)-(20) son para cada área rectangular. Si las restricciones de guillotina son satisfechas para cada área rectangular, también se cumple para todo el patrón de corte. Finalmente, las restricciones (21) y (22) garantizan que ninguna pieza exceda horizontalmente el ancho w y que ninguna pieza exceda verticalmente la altura h, considerando que la función objetivo es maximizar la sumatoria del costo asociado de las piezas empacadas en la placa (véase ecuación [3]).
El modelo que representa la versión sin pesos (unweight version) del problema es igual al anterior, modificado únicamente en la función objetivo, es decir, la ecuación (3) es reemplazada por la ecuación (27).
En este modelo existen muchas restricciones y variables binarias (cerca de 3n4/4 variables binarias y cerca de 2n4 restricciones). Por otra parte, un grupo grande de restricciones presenta un comportamiento donde sólo una restricción está activa y las otras son redundantes (por ejemplo, existe siempre una restricción redundante entre (9) y (10)).
]]> Por esta razón, la relajación de la programación lineal (PL) del modelo obtiene un límite inferior de mala calidad. El modelo presenta una alta complejidad matemática que en la práctica lo hace inexplotable mediante el software y el hardware actual disponible para la programación entera mixta (más detalle de este modelo en [Ben, Chu y Espinouse, 2008]).3. Metodología de solución
3.1 Codificación
Wong, Leong y Liu (1988) presentan una estructura de codificación de datos para el problema de empaquetamiento, denominada árbol de cortes. Una de las grandes ventajas de la representación en árbol de cortes es la generación de patrones de corte tipo guillotina. Diferentes metodologías propuestas han corroborado la efectividad de la codificación en árbol de cortes, en especial la presentada por (Cui, 2007 y Toro, Garcés y Ruiz, 2008).
Un árbol de cortes se define como un árbol con raíz, donde cada nodo interno (padre) representa la posición y la forma como se realiza el corte sobre el material (horizontal o vertical); mientras los nodos hoja (nodos terminales) representan las dimensiones de los subespacios generados para cortar las piezas agrupadas.
Diferentes propuestas que usan la codificación en árbol de cortes sugieren encontrar el árbol óptimo, que es de difícil solución, a diferencia de (Toro, Garcés y Ruiz, 2008), que delimitan y reducen el número de árboles en el proceso de optimización. A la vez, Toro, Garcés y Ruiz (2008) sugieren, después de realizar un estudio estadístico, delimitar el árbol de cortes al uso de árboles binarios completos con tres niveles.
La Figura 2 ilustra un árbol para el problema de empaquetamiento. En este, el nodo raíz establece un corte vertical sobre la placa de material. La jerarquía del árbol indica que el hijo izquierdo efectúa un corte horizontal sobre el rectángulo izquierdo, mientras el hijo derecho realiza un nuevo corte vertical sobre el rectángulo derecho; esto para el primer nivel. En el segundo nivel se realiza un corte horizontal al rectángulo inferior izquierdo y se obtienen para el tercer nivel dos subespacios 1 y 2, mientras que en el rectángulo superior izquierdo se efectúa un corte vertical y se logran en el tercer nivel los subespacios 3 y 4. De la misma forma, los subespacios 5, 6, 7 y 8 son el resultado de los cortes realizados en el segundo nivel. En cada subespacio generado se ubican las piezas con igual forma que generen mayor rentabilidad.
3.2 Cálculo de la función objetivo
]]> Luego de obtener los subespacios, se deben ubicar las piezas. Este proceso se realiza mediante el algoritmo constructivo de mejor ajuste (best-fit), conservando las restricciones tipo guillotina y embalando la mayor cantidad de piezas por subespacio.El algoritmo constructivo best-fit consiste en encontrar el conjunto de piezas idénticas que maximice el área del subespacio j y, a su vez, genere la mayor rentabilidad, sujeto a la restricción del número de piezas i disponibles. La ecuación (28) expresa formalmente el algoritmo best-fit. El cálculo de la función objetivo consiste en calcular la ecuación (28) para cada subespacio.
3.3 Metodología de optimización
La codificación propuesta en este estudio garantiza la factibilidad, en cuanto a las restricciones de corte tipo guillotina. El árbol de orientación de cortes y el árbol de distancias de los cortes son independientes entre sí (representados por las variables O y D). Esto significa que para cada conjunto de valores de O existe una solución óptima D*. El esquema de optimización para los problemas de mochila se ilustra en la Figura 3. El algoritmo I realiza una búsqueda exhaustiva sobre el árbol O, mientras que el algoritmo II recibe todos árboles O posibles, donde debe encontrar las distancias óptimas para cada uno de estos. El algoritmo II corresponde al escenario de las técnicas metaheurísticas.
El algoritmo I genera los posibles árboles de orientación de los cortes. Los problemas de la mochila se restringen a sólo árboles completos de tres niveles. El resultado de este algoritmo siempre dará como resultado 128 diferentes árboles de orientación, y cada uno de éstos se usa como dato de entrada para el algoritmo II.
En el algoritmo II se usan las técnicas metaheurísticas de optimización. Este combina las principales características de cúmulo de partículas, recocido simulado y algoritmos genéticos. El primero es el algoritmo principal, el segundo y tercero se utilizan como mecanismo de perturbación especializado para realizar búsquedas locales, a fin de efectuar cambios en las posiciones de las partículas usando la filosofía de la mutación de los genéticos y la temperatura del recocido simulado.
]]> Así mismo, en este algoritmo se incluye el operador de mutación propio de los algoritmos genéticos (Gallego, Escobar y Toro, 2008) en el algoritmo de cúmulo de partículas, donde la mutación se define como la modificación del valor de un nodo del árbol de distancias a través del mecanismo de transición de la ecuación (29).
El mecanismo de transición consiste en permitir grandes cambios en las distancias de los cortes durante las primeras iteraciones, al igual que el recocido simulado permite empeoramientos de la función objetivo al comienzo del proceso. A medida que avanzan las iteraciones, los cambios se vuelven más sensibles y determinísticos. La ecuación (29) está compuesta por el valor actual del nodo i del árbol de distancias, el número de iteración actual, el número de iteraciones totales y un épsilon (donde ε es el mínimo porcentaje para generar un cambio en la distancias) y donde, ε = 100/max(L,W).
La Figura 4 ilustra el diagrama de flujo de datos del algoritmo de cúmulo de partículas más el recocido simulado (APSO+SA). El nombre de este algoritmo está dado, ya que utiliza el mecanismo de transición inspirado en la técnica de recocido simulado.
3.4 Calibración de parámetros
En general, no existe un método exacto y eficiente para calibrar parámetros de las diferentes técnicas metaheurísticas. Comúnmente estos algoritmos son parametrizados combinando una búsqueda exhaustiva y un análisis estadístico de la calidad de los resultados. Zhi-Hui, Jun y Yun (2009) presentan un rango de valores reducido para los parámetros del algoritmo de cúmulo de partículas. Teniendo como base los rangos presentados por los anteriores autores, el tamaño de la malla se reduce considerablemente.
En este estudio se conserva la filosofía de los operadores de mutación de los algoritmos genéticos, donde la probabilidad de que ocurra una mutación en la población es muy baja. Entonces se realizó el mismo proceso de calibración para los rangos propuestos del parámetro de mutación en (Gallego, Escobar y Toro, 2008). Los valores resultantes de la calibración de parámetros son ilustrados en la Tabla 1.
]]>
4. Análisis de resultados
Los sistemas de prueba usados en este estudio se tomaron de la literatura especializada, pues metodologías aproximadas y exactas se emplean en la solución de dichos problemas. Los problemas seleccionados son variados, en cuanto a la complejidad matemática y son diseñados especialmente para cada tipo de problema.
Fueron seleccionados 30 casos de prueba para el problema de la mochila bidimensional guillotinada, 15 para la versión con pesos ([UW1-UW11] y [UWL1- UWL4]) y 15 para la versión sin pesos ([UU1-UU11] y [UUL1-UUL4]). Estos casos presentan 30 tipos de mochilas diferentes con distribuciones entre 25 y 200 piezas. La base de datos es presentada por (Hifi, 2001) y disponible en línea en (Hifi, 1997). De la totalidad de casos, 22 ([UW1-UW11] y [UU1-UU11]) pertenecen a la categoría de problemas de empaquetamiento de mediana complejidad matemática, y ocho ([UWL1-UWL4] y [UUL1-UUL4]), a la de alta complejidad matemática. Diferentes estudios han utilizado estos casos de prueba para realizar una especie de benchmark de las metodologías propuestas.
Todos los algoritmos fueron desarrollados en Delphi 7.0® y ejecutados en un computador con un procesador Pentium IV de 3 GHz y una memoria RAM de una giga. Se presentan a continuación para todos los casos de prueba de cada tipo de problema la mejor solución reportada en la literatura especializada (best known solution). Los resultados de (Hifi, 1998) presentan las mejores soluciones, aunque trabajos como los de (G, Kang y Seong, 2003) alcanzan buenos resultados.
Casos como UWL1, UWL2, UWL3, UWL4, UUL1, UUL2, UUL3 y UUL4 para el problema de la mochila sin rotación no tienen respuesta reportada, debido a que la mayoría de aproximaciones a estos casos de gran complejidad matemática se hicieron mediante el uso de técnicas exactas (Gallego, Escobar y Romero, 2007), donde el esfuerzo computacional es demasiado alto para su solución. Por lo tanto, algunos autores omiten reportarlas. Las tablas 2 y 3 presentan los resultados obtenidos por el algoritmo propuesto en este estudio y los tiempos empleados para alcanzar estas respuestas.
]]>
Cuando se soluciona el problema de la mochila irrestricta con pesos, con rotación de piezas y sin estas para instancias de mediana complejidad matemática usando el algoritmo propuesto, se alcanzan respuestas de excelente calidad y en tiempos computacionalmente razonables. Para problemas de gran complejidad se mejoran ostensiblemente las respuestas reportadas en la literatura. Sin embargo, cuando se soluciona el problema de la mochila irrestricta sin pesos usando el algoritmo propuesto, se obtiene un comportamiento regular, en cuanto a las respuestas encontradas por la literatura para instancias de mediana complejidad; entre tanto, para problemas de gran complejidad las repuestas son de mejor calidad respecto a las reportadas en la literatura (Tabla 4).
5. Conclusiones
Se resolvió el problema de empaquetamiento óptimo bidimensional guillotinado irrestricto con pesos y sin estos, con rotación de las piezas y sin esta mediante un algoritmo híbrido de cúmulo de partículas, recocido simulado y algoritmo genético, y con ello se obtuvieron excelentes resultados.
Se utilizó un tipo de codificación en árbol, llamada árbol de cortes, que combina un árbol de valores binarios, en el cual se orientan los cortes, con un árbol de valores reales y el cual determina las distancias de los cortes. Esto presenta un gran desempeño para este tipo de problemas.
Además, se implementó un algoritmo de optimización que combina las principales características de cúmulo de partículas, recocido simulado y algoritmos genéticos. El primero se considera el algoritmo principal y el segundo y tercero se usan como mecanismo de perturbación especializado para realizar búsquedas locales, a fin de efectuar cambios en las posiciones de las partículas usando la filosofía de la mutación de los genéticos y la temperatura del recocido simulado.
El método de solución usado presentó un gran desempeño en la solución del problema que asume pesos en la función objetivo y que considera dos variantes en la orientación de las piezas. En la primera instancia no permite rotación de piezas y en la segunda permite su rotación. En la solución del problema que no asume pesos en la función objetivo, su desempeño es aceptable, ya que la tercera parte de las instancias no fueron igualadas o superadas.
Los tiempos de cómputo son menores a los reportados en la literatura especializada; pero debido a las diferencias entre las arquitecturas de cómputo y lenguajes de programación, no se puede concluir entre metodologías. En particular, los tiempos de cómputo utilizados por la metodología propuesta son razonables.
]]> Este problema es aplicable en diversos sectores de la economía, entre los que destacan los sectores de industria, transporte y comercio. Así, por ejemplo, su aplicación se presenta en las industrias textil, metalmecánica, papelera, vidriera, transporte y almacenaje de mercancías.La metodología propuesta es aplicable a problemas como la mochila restricta, bin packing, strip packing, entre otros. También puede ser extendible a problemas de empaquetamiento en tres dimensiones.
Referencias
BEASLEY, J. E. Algorithms for unconstrained two-dimensional guillotine cutting. Journal of the Operational Research Society, 1985, vol. 36, pp. 297-306. [ Links ]
BEN, S.; CHU, C. y ESPINOUSE, M. L. Characterization and modelling of guillotine constraints. European Journal of Operational Research, 2008, vol. 191, pp. 112-126. [ Links ]
CHRISTOFIDES, N. y WHITLOCK, C. An algorithm for two-dimensional cutting problems. Operations Research, 1977, vol. 25, pp. 30-44. [ Links ]
CUI, Y. An exact algorithm for generating homogenous T-shape cutting patterns. Computers & Operations Research, 2007, vol. 34, pp. 1107-1120. [ Links ]
GALLEGO, R.; ESCOBAR, A. H. y ROMERO, R. A. Programación lineal entera. Pereira: Universidad Tecnológica de Pereira, 2007. [ Links ]
GALLEGO, R.; ESCOBAR, A. H. y TORO, E. M. Técnicas metaheurísticas de optimización. Pereira: Universidad Tecnológica de Pereira, 2008. [ Links ]
G, Y.-G. y KANG, M.-K. A new upper bound for unconstrained two-dimensional cutting and packing. Journal of the Operational Research Society, 2002, vol. 53, pp. 587-591. [ Links ]
G, Y.-G.; KANG, M.-K. y SEONG, J. A best-first branch and bound algorithm for unconstrained two-dimensional cutting problems. Operations Research Letters, 2003, vol. 31, pp. 301-307. [ Links ]
GILMORE, P. C. y GOMORY, R. E. Multistage cutting problems of two and more dimensions. Operations Research, 1965, vol. 13, pp. 94-120. [ Links ]
GILMORE, P. C. y GOMORY, R. E. The theory and computation of knapsack functions. Operational Research, 1966, vol. 14, pp. 1045-1074. [ Links ]
HERZ, J. C. A recursive computing procedure for two-dimensional stock cutting. IBM Journal of Research and Development, 1972, vol. 16, pp. 462-469. [ Links ]
HIFI, M. Exact algorithms for the guillotine strip cutting/packing problem. Computers & Operations Research, 1998, vol. 25, pp. 925-940. [ Links ]
HIFI, M. Exact algorithms for large-scale unconstrained two and three staged cutting problems. Computational Optimization and Applications, 2001, vol. 18, pp. 63-88. [ Links ]
HIFI, M. Problem instances for the 2D Cutting/Packing Problems [web en línea], 1997. <ftp://cermsem.univ-paris1.fr/pub/CERMSEM/hifi/2Dcutting/> [Consultado 07-09-010]. [ Links ]
HIFI, M y ZISSIMOPOULOS, V. A recursive exact algorithm for weighted two-dimensional cutting. European Journal of Operational Research, 1996, vol. 91, pp. 553-564. [ Links ]
TORO, E.; GARCÉS, A. y RUIZ, H. Solución al problema de empaquetamiento bidimensional usando un algoritmo híbrido constructivo de búsqueda en vecindad variable y recocido simulado. Revista Facultad de Ingeniería de la Universidad de Antioquia, 2008, vol. 46, pp. 119-131. [ Links ]
WONG, D. F.; LEONG, H. W. y LIU, C. L. Simulated annealing for VLSI design. New York: Kluwer Academic Publishers, 1988. [ Links ]
ZHI-HUI, Z.; JUN, Z.; YUN, L. y HENRY, S. Adaptive Particle swarm optimization. IEEE Transactions on Systems, Man and Cybernetics, 2009, vol. 39, pp. 1362-1381. [ Links ] ]]>