Estudio comparativo de técnicas de optimización multirespuesta en diseños experimentales

Abstract

En este trabajo se desarrolla una propuesta para comparar diferentes metodologías de optimización multirespuesta aplicadas a superficies de respuesta (RSM) en diseños experimentales, como herramientas de solución a problemas presentes principalmente en el área industrial. Se estudian las siguientes metodologías: función de deseabilidad (DES), MOORA (MOO), TOPSIS (TOP), MULTIMOORA (MMO), MOORA AD (MAD), TOPSIS AD (TAD) y redes neuronales multicapa (con los paquetes Neuralnet (NEU) y Nnet (NET)). Cada una de estas técnicas se aplican a tres casos de interés comercial o industrial con diferentes diseños experimentales (Taguchi, Box-Behnken y Diseño Central Compuesto), en un estudio de simulación Monte Carlo donde se considera como factores las diferentes técnicas comparadas, el tipo de diseño experimental y diferentes escenarios de correlaciones. Se comparan las técnicas por medio de una métrica que evalúa la distancia de cada respuesta estimada respecto a su valor ideal o deseado, con el fin de analizar las ventajas y desventajas de cada método. Los resultados obtenidos son consistentes en cada uno de los casos abordados y se concluye que las redes neuronales Neuralnet (NEU) son el mejor método, en segundo lugar, la función de deseabilidad (DES) y las redes neuronales Nnet (NET). Además, se encontró que el método MOORA AD (MAD) propuesto, tiene un excelente desempeño en un caso de estudio particular. Se recomienda en estudios comparativos futuros, emplear más tipos de diseños experimentales y aplicar más técnicas de optimización multirespuesta disponibles, con el fin de obtener mayor información sobre los escenarios y condiciones que muestren mejor desempeño y realizar sugerencias de implementación más puntuales. Todo el desarrollo se realizó en R (R Core Team, 2019) con el fin de promover el uso de software libre con fines de investigación o desarrollo comercial.