USO DE REDES NEURONALES PARA

OPTIMIZAR SIMULACIONES EN UN MODELO

DE FLUJO DE PASAJEROS EN AEROPUERTOS

ALBERTO ARAGN

,



SILVIA CASADO Y JOAQUN PACHECO
Dpto.Economa Aplicada. Univ.Burgos. Fac. C EE y EE.
Pza.Infanta Elena s/n BURGOS 09001
aaragon{scasado,jpacheco}@ubu.es
TELFONO 947 25 90 24/21; FAX: 947 25 89 56



Resumen.- Uno de nuestros principales objetivos es el diseo de mtodos
de aprendizaje de redes neuronales que sean rpidos a la vez que den buenas
soluciones o vectores de pesos. Una de las aplicaciones donde se necesita un
mtodo rpido (on-line) de aprendizaje de las redes neuronales es en la
optimizacin de simulaciones. En este informe se proponen un sencillo
algoritmo de bsqueda local para optimizar simulaciones, con una
aplicacin a un interesante modelo de flujo de pasajeros en un aeropuerto.
En este problema se contemplan la minimizacin del tiempo de recorrido de
los pasajeros con una adecuada distribucin de los recursos. Este mtodo
incorpora el uso de una red neuronal para acelerar la optimizacin. Se va a
comparar el efecto del uso de los pesos obtenidos por diferentes mtodos de
aprendizaje de la red neuronal, propuestos recientemente para este fin.
Palabras Clave: Flujo de Pasajeros, Optimizacin de Simulaciones,
Redes Neuronales, Algoritmos Evolutivos


1.- INTRODUCCION

El empleo de modelos de simulacin ha sido una tcnica muy utilizada para
aproximarnos a problemas muy complicados de tratar analticamente. Sin embargo
determinar los valores ptimos de los parmetros de una simulacin puede requerir un
tiempo de computacin excesivo por dos razones: el nmero de combinaciones posibles
puede ser muy alto; por otra parte, habitualmente, no se puede obtener la funcin
objetivo en funcin de los parmetros de entrada de forma explcita, lo que obliga a
ejecutar la simulacin para obtener este valor.

Muchos investigadores en los ltimos aos han desarrollado diferentes mtodos para
optimizar simulaciones, es decir buscar valores ptimos o cercanos al ptimo de los
parmetros de entrada. Algunas recientes recopilaciones de estos mtodos se pueden
encontrar en Azadivar, (1999), Andradttir (1998), Carson and Maria, (1997) o Fu and
Healy, (1997). Recientes aplicaciones se pueden encontrar en Brady and McGarvey,
(1998), Kleinma, Hill and Ilenda, (1.998). En los ltimos aos la tendencia es aplicar las
tcnicas de bsqueda metaheurstica. Incluso existen varios programas informticos
para optimizar simulaciones que usan estas estrategias; por ejemplo: AutoStat que usa
una variante de las estrategias evolutivas de Bck, (1996) Bck y Schwefel (1993);
OptQest usa Scatter Search, Bsqueda Tabu y Redes Neuronales, (ver Glover y Laguna,
(1997) y Glover, Kelly y Laguna (1996), (1999a) y (1999b)); SimRunner2 usa
algoritmos genticos (ver PROMODEL (1998)) y WITNESS usa Temple Simulado y
Bsqueda Tabu, (ver Lanner, (1998)).

En este trabajo se propone un algoritmo de bsqueda local para determinar los
valores ptimos de una simulacin, concretamente un interesante modelo de flujo de
pasajeros en un aeropuerto, en el que se trata de minimizar el tiempo total de recorrido
medio por pasajero dentro del aeropuerto, (Tiempo_Total).

Adems siguiendo la idea de Laguna y Mart, (2002), se incorpora en nuestro
algoritmo una red neuronal para acelerar la optimizacin de simulaciones. Ms
concretamente la red predecir el Tiempo_Total de las diferentes soluciones y evitar (o
filtrar) ejecutar las simulaciones de aquellas soluciones con malos valores en la
prediccin de su Tiempo_Total.

Por tanto, la red neuronal debe tener un mtodo de aprendizaje que adems de ser
fiable (es decir, dar lugar a buenas predicciones) sea rpido para poder ser usado como
mtodo on-line, como en este caso, insertado en una optimizacin de simulaciones. En
este documento se van a analizar y comparar los resultados obtenidos para este fin, por
diferentes mtodos de aprendizaje propuestos por Pacheco y Aragn, (2001). Por tanto
en este trabajo se extienden las pruebas realizadas en Aragn y Casado, (2002), a un
modelo ms complejo que en esta referencia.

El trabajo se estructura de la siguiente manera: en la siguiente seccin se describe el
modelo de simulacin de Flujo de Pasajeros en Aeropuertos que se va a emplear; en la
tercera seccin se describe un sencillo procedimiento de bsqueda o mejora local de los
parmetros de este modelo; en la cuarta se describe la forma en que se incorpora la red
neuronal a nuestra optimizacin de simulaciones; en la quinta se muestran los resultados
de una serie de experiencias computacionales para comparar diferentes mtodos de
aprendizaje de la red en la optimizacin de simulaciones.

2.- UN MODELO DE SIMULACIN DE FLUJO DE PASAJEROS
1


Se van a considerar los siguientes elementos en un aeropuerto: Mostradores de
Facturacin (MF), agrupados en Puntos de Facturacin (PF) conjunto de mostradores
de cada compaa; Puntos de Seguridad de Acceso a la zona de embarque o de salida,
(CS); Puntos de Seguridad de llegada (CL); Puertas de Embarque (EM); Puertas de
Llegada de los vuelos (PL); Cintas de Recogida de Maletas (RM); Puertas de Entrada
a la terminal (PE) y Puertas de Salida de la terminal (PS). Cada punto de seguridad
tendr varias puertas de seguridad (PCS, PCL).

Los viajeros que se encuentran en el aeropuerto se pueden clasificar claramente en 4
grandes tipos: Los que llegan de un vuelo y finalizan su itinerario; los que salen, es
decir, inician con su itinerario; los pasajeros en transito con maletas, es decir, deben

1
Ms detalles sobre el modelo y los datos usados se puede encontrar en Casado y Pacheco, (2002).
pasar por el mostrador de facturacin para tomar el siguiente vuelo y los pasajeros en
transito sin maletas, es decir, no deben pasar por el mostrador de facturacin.

En funcin del tipo al que pertenezcan, los posibles recorridos de los pasajeros
dentro del aeropuerto son los siguientes:

Llegan: PL RM CL PS
Salen: PE MF CS EM
En trnsito con maletas: PL RM CL PF CS EM
En trnsito sin maletas : PL CS EM


PE
PS
PF MF
CS
EM
CL
RM
PL
PCS
PCL

Representacin esquematizada de un sistema aeroportuario


Segn se ha comentado anteriormente nos centraremos en el problema de minimizar
tiempo de recorrido de los pasajeros, (es decir, maximizar la fluidez) sujeto a un
presupuesto dado de coste de personal o recursos. Se trata de decidir, en un determinado
horizonte de tiempo cuantos recursos se usan en cada punto de seguridad (CL y CS) y
cada punto de facturacin, (PF). Por tanto cada soluciones se va a denotar por

X = (X
1
,, X
ncomp
, X
ncomp+1
, , X
ncomp+ncs
, X
ncomp+ncs+1
,, X
ncomp+ncs+ncl
)

donde X
i
, para i=1..ncomp, es el n de mostradores que se abren de la compaa i; para
i= ncomp+1 .. ncomp+ncs es el n de puertas de seguridad que se abre en el control de
llegada i-ncomp; para i= ncomp+ncs+1 .. ncomp+ncs+ncl es el n de puertas de
seguridad que se abre en el control de salida i-ncomp+ncs. Respectivamente ncomp, ncs
y ncl indican el n de campaas, puntos de seguridad de salida y puntos de seguridad de
llegada. Denotamos recurso tanto a cada una de las puertas de seguridad (de llegada o
salida) como a los mostradores de facturacin que se abren. Sin perdida de generalidad
las restricciones presupuestarias se traducen en un mximo nmero de recursos
disponibles, (max_recursos). Adems, en cada punto de facturacin o de seguridad slo
se podrn abrir un mximo nmero de recursos, (indicado por el vector MaxX). De esta
forma

recursos max X
ncl ncs ncomp
i
i
_
1

+ +
=
(1)

i i
MaxX X 1 ; i = 1.. ncomp+ncs+ncl. (2)

Evaluar una solucin factible, a partir de ahora, significa ejecutar la simulacin con
los parmetros (recursos) correspondientes y determinar el valor de Tiempo_Total.

Para las diferentes pruebas que se realizan en este trabajo, se consideran datos
ficticios, pero con magnitudes reales. Las correspondientes al aeropuerto de Barajas son
ms de 80000 pasajeros al da (en media), 300 mostradores en total disponibles y 18
controles de seguridad. Ms concretamente se ha tomado un horizonte temporal de 8
horas, con unos 200 vuelos, casi 1500 enlaces posibles, unos 25000 pasajeros en total,
que realizan ms de 1600 recorridos diferentes. Se consideran 50 puntos de facturacin
con un mximo de 6 mostradores cada uno; 9 puntos o controles de seguridad de salida,
con un mximo de 8 puertas disponibles en cada uno de ellos, y 9 puntos de seguridad
de llegada, con un mximo de 10 puertas en cada uno de ellos.

3.- PROCEDIMIENTO DE BSQUEDA LOCAL

A continuacin se describe un sencillo procedimiento de mejora o bsqueda local
para mejorar una determinada solucin X. Es claro, que la mxima fluidez se va a
conseguir con el mximo de recursos posibles; por tanto consideraremos las soluciones
X tales que

recursos max X
ncl ncs ncomp
i
i
_
1
=

+ +
=
.

Sea X una solucin, con un Tiempo_Total T_Tot(X) se define el vecindario de X,
N(X) como sigue

N(X) = {X/ X verifica (1) y (2) y j, j {1,..,

ncomp+ncs+ncl} j j /
X
j
= X
j
1, X
j
= X
j
+ 1, X
k
= X
k
, k j, j}.

Es decir, la soluciones vecinas de X, son todas aquellas que se obtienen quitando una
recurso a un punto y aadindosela a otro diferente. De esta forma el procedimiento de
mejora queda de la forma siguiente


Procedimiento Bsqueda_Local (var X, T_Tot(X) )
Repetir
Hacer min_T_Tot := T_Tot(X ) y ant_ T_Tot:= T_Tot(X)
X N(X) : evaluar X
Si T_Tot(X ') < min_T_Tot hacer: Xm := X;
min_T_Tot := T_Tot(Xm)
Si min_T_Tot < T_Tot(X) entonces hacer X := Xm
hasta ant_ T_Tot = min_T_Tot .



4.- INCORPORACIN DE UNA RED NEURONAL

La evaluacin de una solucin para obtener el correspondiente Tiempo_Total puede
suponer un tiempo de clculo excesivo.

En esta seccin se describe la incorporacin de un modelo de red neuronal para
acelerar el procedimiento anterior. Concretamente la red neuronal estimar el
Tiempo_Total de las diferentes soluciones que se vayan generando, para evitar realizar
las evaluaciones de aquellas con un valor alto en dicha estimacin.

Para ello hace falta una adecuada arquitectura de red neuronal y, sobretodo, un
mtodo de aprendizaje rpido y eficaz. La red una vez entrenada va a ser insertada en el
procedimiento de bsqueda local descrito anteriormente y nos va a servir de filtro para
evitar evaluaciones que se puedan considerar innecesarias, es decir de soluciones cuyas
estimaciones del Tiempo_Total indiquen que sean malas soluciones. Ms
concretamente, sea x una solucin determinada, sea est(x) la estimacin de T_Tot(x)
hecha por la red y un determinado valor critico Val, si est(x) < Val la solucin x es
evaluada, sino no. Si introducimos la red neuronal en el procedimiento de mejora
descrito en la seccin 3; el nuevo procedimiento queda como sigue:


Procedimiento Bsqueda_Local_Red (var x, Mksp(x));
Repetir
Hacer min_ T_Tot:= T_Tot(x) y ant_ T_Tot:= T_Tot(x)
x N(x) : Determinar est(x)
Si est(x) < min_ T_Tot + entonces:
evaluar x
si T_Tot(x) < min_ T_Tot hacer:
xm := x;
min_ T_Tot := T_Tot(xm)
Si min_ T_Tot < T_Tot(x) entonces hacer x := xm
hasta ant_ T_Tot = min_ T_Tot.


donde es la raz del error cuadrtico medio obtenido durante el proceso de
entrenamiento, y un parmetro que indica el grado de agresividad del uso de la red.

5.- RESULTADOS COMPUTACIONALES

En la siguiente seccin se muestran los resultados de una serie de experiencias para
comparar los resultados que obtiene el algoritmo para optimizar simulaciones cuando la
red neuronal que utiliza emplea diferentes mtodos de aprendizaje. Es decir se trata de
analizar y comparar diferentes mtodos de aprendizaje de la red neuronal cuando esta se
usan en este contexto.

En todos los casos previamente se han generado y evaluado 100 soluciones aleatorias
con las que se ha entrenado la red. Todas las pruebas se realizan para max_recursos =
231.

Se van a considerar 3 mtodos de aprendizaje: el algoritmo de propagacin hacia
atrs, (Back Propagation, BP), que es el mtodo ms extendido; el algoritmo gentico
(GE), presentado por Sexton y otros, (1999), que ha demostrado un comportamiento
mejor entre las estrategias ms recientes, como se aprecia en el trabajo de Sexton y
otros, (1999), y Laguna y Mart, (2002); y el algoritmo Memtico
2
(ME) propuesto en
los trabajos de Pacheco y Aragn, (2001) y Aragn y Casado, (2002)
3
.

El error cuadrtico medio, E, obtenido en el aprendizaje ha sido el siguiente

Error cuadrtico en el proceso de aprendizaje
BP GE ME
E 6,25 3,47 2,96

Como se observa el error cuadrtico obtenido por nuestro mtodo, ME, resulta ser
ligeramente mejor que el obtenido por GE y significativamente mejor que BP.

A continuacin se muestran los resultados del uso de la red en el procedimiento de
mejora descrito en la seccin 3 con los vectores de pesos obtenidos por los mtodos
analizados. Se han generado y evaluado 10 soluciones iniciales aleatorias a partir de las
cuales se ejecuta el procedimiento Bsqueda_Local_Red. Se muestran los resultados
medios de Tiempo_Total para diferentes valores de . (En todos los casos se toma =
4,06, correspondiente al aprendizaje de ME).

Resultados de Bsqueda_Local_Red
= 0 = 1 = 2 = 3
BP 64,94 59,55 58,02 57,15
GE 62,11 57,15 57,15 57,15
ME 61,19 57,15 57,15 57,15


Con el vector de pesos obtenido por el algoritmo Memtico (ME) se consiguen
claramente mejores resultados que con el mtodo de propagacin hacia atrs, (BP), y
ligeramente mejor que con el algoritmo Gentico, (GE). Ms concretamente, para que la

2
Un reciente tutorial sobre algoritmos memticos en general se puede encontrar en Moscato, (2002)
3
Para evitar tiempos de computacin excesivos se ha limitado el nmero de vectores de peso w generados
a 100000 para GE y ME, y a 500000 para BP.
solucin final no degenere excesivamente, con BP, habra que tomar valores de ms
altos, ( = 2, 3), lo que apenas supone ahorro en el tiempo de computacin; sin embargo
con GE y sobretodo con ME se pueden usar valores ms agresivos de sin que suponga
apenas deterioro en la solucin final obtenida.

REFERENCIAS BIBLIOGRFICAS

ANDRADTTIR,S. (1998) A Review of Simulation Optimization Techniques.
Proc. 1998 Winter Simulation Conference, Washington D.C., pp. 151-158.

ARAGN,A. y CASADO,S (2002) Uso de redes neuronales para optimizar
simulaciones. Anlisis de diferentes mtodos. Documento de Trabajo 02/02. Facultad
de Ciencias Econmicas y Empresariales. Universidad de Burgos.

AZADIVAR,F. (1999) Simulation Optimization Methodologies. Proc. 1999
Winter Simulation Conference, Phoenix, pp. 93-100.

BCK,T. (1996) Evolutionary Algorithms in Theory and Practice: Evolution
Strategies, Evolutionary Programming ,and Genetic Algorithms, Oxford University
Press, New York, 1.

BCK,T., and H.P. SCHWEFEL (1993) An Overview of Evolutionary Algorithms
for Parameter Optimization. Evolutionary Computation, 1, pp.1-23.

BRADY,T. and McGARVEY,B. (1998): Heuristic Optimization using Computer
Simulation: A Study of Staffy Levels in a Pharmaceutical Manufacturing Laboratory.
Proc. 1998 Winter Simulation Conference, Washington D.C., pp. 1423-1428.

CARSON,Y. and MARIA,A. (1997): Simulation Optimization: Methods and
Applicattions. Proc. 1997 Winter Simulation Conference, Atlanta, pp. 118-126.

CASADO,S. y PACHECO,J. (2002) Simulacin y optimizacin de un modelo de
flujo de pasajeros en un aeropuerto. Comunicacin presentada al XVI Congreso
ASEPELT. Madrid, Junio 2002.

FU,M.C. and HEALY,K.J. (1997): Techniques for Optimization via Simulation: An
Experimental Study on an (s, S) Inventory System. IIE Transactions, 29, 191-199.

GLOVER, F., J.P. KELLY, AND M. LAGUNA (1996) New Advances and
Applications of Combining Simulation and Optimization, Proc. 1996 Winter
Simulation Conference, San Diego, pp.144-152.

GLOVER, F., J.P. KELLY, AND M. LAGUNA (1999a) New Advances for
Wedding Optimization and Simulation, Proc. 1999 Winter Simulation Conference,
Phoenix.

GLOVER, F., J.P. KELLY, AND M. LAGUNA (1999b) The OpQuest Callable
Library User's Documentation, Optimization Technologies, Inc., Boulder, Colorado.

GLOVER, F. and M. LAGUNA (1997) Tabu Search, Kluwer Academic Publishers,
New York.

KLEINMAN,N.L., HILL,S.D. and ILENDA,V.A. (1998): Simulation Optimization
of Air Traffic Delay Cost. Proc. 1998 Winter Simulation Conference, Washington
D.C., pp. 1177-1181.

LAGUNA,M. and R.MART (2002) Neural Network Prediction in a System for
Optimizing Simulations. IIE Transactions 34 (3): 273-282.

LANNER GROUP, INC. (1998) WITNESS Version 9 User Manual, Houston.

MOSCATO P. (2002). Variable Neighborhood Search, in Handbook of Applied
Optimization, P. M. Pardalos and M. G. C. Resende (Eds.), Oxford University Press, pp.
221-234.

PACHECO,J. y ARAGON,A. (2001) Anlisis de algoritmos evolutivos en el
aprendizaje de redes neuronales. IX Jornadas ASEPUMA, Las Palmas, Julio 2001.

PROMODEL CORPORATION (1998) SimRunner2 User's Guide , Orem, Utah.

SEXTON, R. S., R. E. DORSEY and J. D. JOHNSON (1999) Optimization of
Neural Networks: A Comparative Analysis of the Genetic Algorithm and Simulated
Annealing, European Journal of Operational Research, vol. 114, pp. 589-601.