La combinación del control de calidad y los algoritmos genéticos ha dado lugar a soluciones novedosas para problemas complejos de diseño y optimización del control de calidad . La calidad es el grado en el que un conjunto de características inherentes a una entidad satisface una necesidad o expectativa declarada, implícita u obligatoria. [1] La norma ISO 9000 define el control de calidad como "una parte de la gestión de la calidad centrada en el cumplimiento de los requisitos de calidad". [2] Los algoritmos genéticos son algoritmos de búsqueda basados en la mecánica de la selección natural y la genética natural. [3]
Los procedimientos alternativos de control de calidad [4] (CC) se pueden aplicar a un proceso para probar estadísticamente la hipótesis nula de que el proceso cumple con las especificaciones de calidad y, en consecuencia, está bajo control, frente a la alternativa de que el proceso está fuera de control. Cuando se rechaza una hipótesis nula verdadera , se comete un error estadístico de tipo I. Tenemos entonces un rechazo falso de una ejecución del proceso. La probabilidad de un error de tipo I se denomina probabilidad de rechazo falso. Cuando se acepta una hipótesis nula falsa, se comete un error estadístico de tipo II. Entonces no detectamos un cambio significativo en la función de densidad de probabilidad de una característica de calidad del proceso. La probabilidad de rechazo de una hipótesis nula falsa es igual a la probabilidad de detección de la no conformidad del proceso con las especificaciones de calidad.
El procedimiento de control de calidad que se debe diseñar u optimizar se puede formular de la siguiente manera:
donde denota una regla de decisión estadística, n i denota el tamaño de la muestra S i , es decir, el número de muestras sobre las que se aplica la regla, y denota el vector de los parámetros específicos de la regla, incluidos los límites de decisión. Cada símbolo # denota el operador booleano AND o el operador OR. Obviamente, para # que denota AND, y para n 1 < n 2 <...< n q , es decir, para S 1 ⊂ S 2 ⊂ .... ⊂ S q , (1) denota un procedimiento de control de calidad de muestreo q .
Cada regla de decisión estadística se evalúa calculando la estadística respectiva de la característica de calidad medida de la muestra. Luego, si la estadística está fuera del intervalo entre los límites de decisión, la regla de decisión se considera verdadera. Se pueden utilizar muchas estadísticas, incluidas las siguientes: un valor único de la variable de una muestra, el rango , la media y la desviación estándar de los valores de la variable de las muestras, la suma acumulada, la media suavizada y la desviación estándar suavizada. Finalmente, el procedimiento de control de calidad se evalúa como una proposición booleana. Si es verdadera, entonces la hipótesis nula se considera falsa, el proceso se considera fuera de control y la ejecución se rechaza.
Un procedimiento de control de calidad se considera óptimo cuando minimiza (o maximiza) una función objetivo específica del contexto. La función objetivo depende de las probabilidades de detección de la no conformidad del proceso y de un falso rechazo. Estas probabilidades dependen de los parámetros del procedimiento de control de calidad (1) y de las funciones de densidad de probabilidad (véase función de densidad de probabilidad ) de las variables monitorizadas del proceso.
Los algoritmos genéticos [5] [6] [7] son algoritmos de búsqueda robustos , que no requieren conocimiento de la función objetivo para ser optimizados y buscan a través de grandes espacios rápidamente. Los algoritmos genéticos se han derivado de los procesos de la biología molecular del gen y la evolución de la vida. Sus operadores, cross-over, mutación y reproducción , son isomorfos con los procesos biológicos sinónimos. Los algoritmos genéticos se han utilizado para resolver una variedad de problemas complejos de optimización . Adicionalmente los sistemas clasificadores y el paradigma de programación genética nos han demostrado que los algoritmos genéticos pueden ser utilizados para tareas tan complejas como la inducción de programas.
En general, no podemos utilizar métodos algebraicos para optimizar los procedimientos de control de calidad . El uso de métodos enumerativos sería muy tedioso, especialmente con procedimientos con múltiples reglas, ya que el número de puntos del espacio de parámetros a buscar crece exponencialmente con el número de parámetros a optimizar. Los métodos de optimización basados en algoritmos genéticos ofrecen una alternativa atractiva.
Además, la complejidad del proceso de diseño de nuevos procedimientos de control de calidad es obviamente mayor que la complejidad de la optimización de los predefinidos.
De hecho, desde 1993, los algoritmos genéticos se han utilizado con éxito para optimizar y diseñar nuevos procedimientos de control de calidad . [8] [9] [10]
