Gonzalez Gonzalez Chantal Zuleima 2021

APLICACIÓN DE LA TEORÍA DE COLAS Y ANFIS PARA UN SISTEMA DE
REDES DE LÍNEAS DE ESPERA CON BLOQUEOS Y REPROCESOS
CHANTAL ZULEIMA GONZALEZ GONZALEZ
Cod. 20141015234
Proyecto de Grado
Director
Ing. Eduyn Ramiro López Santana, PhD.
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD DE INGENIERIA
PROYECTO CURRICULAR DE INGENIERÍA INDUSTRIAL
BOGOTÁ D.C
2021
1
Contenido
INTRODUCCIÓN ............................................................................................................................. 6
CAPITULO I: PROBLEMA DE INVESTIGACIÒN ................................................................................ 7
1.1 Antecedentes ................................................................................................................ 7
1.2 Planteamiento del problema ........................................................................................ 9
1.3. Objetivos de la investigación............................................................................................ 10
1.3.1 Objetivo General ........................................................................................................ 10
1.3.2. Objetivos Específicos ................................................................................................. 10
1.4 Marco Metodológico ..................................................................................................... 10
CAPITULO II: MARCO REFERENCIAL ............................................................................................ 13
2.1 Marco teórico .................................................................................................................... 13
2.1.1 Sistemas de Colas ........................................................................................................... 13
2.1.2. Redes de Colas .............................................................................................................. 17
2.1.3 ANFIS .............................................................................................................................. 19
2.2 Estado del arte .................................................................................................................. 22
CAPITULO III: MODELO PROPUESTO ........................................................................................... 34
CAPITULO IV: DESCRIPCIÓN GENERAL DEL CASO DE ESTUDIO ................................................... 38
Modelación de sistema de inferencia difusa Mamdani FIS .................................................... 39
CAPITULO V: RESULTADOS Y ANALISIS........................................................................................ 50
5.1 Modelo sistema de colas ................................................................................................... 50
5.2 Modelo red de colas .......................................................................................................... 64
CAPITULO VI: CONCLUSIONES Y RECOMENDACIONES ............................................................... 90
BIBLIOGRAFIA .............................................................................................................................. 92
ANEXOS ....................................................................................................................................... 96
2
Lista de tablas
Tabla 1 Resumen del alcance de las investigaciones de los antecedentes del estudio ................. 8
Tabla 2 Actividades metodológicas, resultados y recursos a emplear en el estudio de
investigación ............................................................................................................................... 11
Tabla 3 Estado del arte ............................................................................................................... 23
Tabla 4. Parámetros funciones de pertenencia Fuzzy Inference System (FIS) .......................... 40
Tabla 5 Resumen de los resultados de aplicación de las políticas de secuenciación en el sistema
de colas ........................................................................................................................................ 64
Tabla 6 Resumen de los resultados de aplicación de las políticas de secuenciación en la red de
colas............................................................................................................................................. 84
Lista de figuras
Figura 1 Sistema de Colas .......................................................................................................... 14
Figura 2 Red de Colas ................................................................................................................ 17
Figura 3 Sistema de Inferencia difusa ........................................................................................ 19
Figura 4 Arquitectura de ANFIS con nueve reglas .................................................................... 20
Figura 5 Diseño metodológico del ANFIS................................................................................. 35
Figura 6 Selección de método FIS Neuro Fuzzy Designer ........................................................ 36
Figura 7 Funciones de pertenencia, Mamdani. .......................................................................... 37
Figura 8 Mamdani, Controlador difuso ...................................................................................... 39
Figura 9 Reglas controlador difuso Mamdani ............................................................................ 41
Figura 10 Grafica Longitud de fila vs utilización vs tiempo de flujo ........................................ 41
Figura 11 Grafica Bloqueo vs utilización vs tiempo de flujo .................................................... 42
Figura 12 Grafica Bloqueo vs Longitud de cola vs tiempo de flujo .......................................... 42
Figura 13 Diseño del ANFIS (training data) .............................................................................. 43
Figura 14 Variables de entrada y salida ANFIS ......................................................................... 44
Figura 15 Estructura del ANFIS ................................................................................................ 44
Figura 16 Modelo del Sistema de colas ..................................................................................... 47
Figura 17 Modelo de la Red de colas ......................................................................................... 48
Figura 18 Resultados entrenamiento de error escenario 1 sistema de colas en 100 épocas (I)
método hibrido y (II) retropropagación ....................................................................................... 51
Figura 21 Resultados ANFIS propuesto para el escenario 1 del sistema de colas (I)Reglas de
decisión y (II) Grafica de superficie. ........................................................................................... 52
Figura 22 Resultados Escenario 1 del bloqueo del modelo de colas para: (I) sin controlador, (II)
ANFIS, (III) Round robín y (IV) Equiprobable .......................................................................... 53
Figura 23 Resultados Escenario 1 de utilización del modelo de colas para: (I) sin controlador,
(II) ANFIS, (III) Round robín y (IV) Equiprobable .................................................................... 54
Figura 24 Resultados Escenario 1 de longitud de cola del modelo de colas para: (I) sin
controlador, (II) ANFIS, (III) Round robín y (IV) Equiprobable................................................ 54
3
Figura 26 Resultados entrenamiento de error escenario 2 en 500 épocas (I) método hibrido y
(II) retropropagación ................................................................................................................... 56
Figura 29 Resultados escenario 2 del bloqueo del modelo de colas para: (I) sin controlador, (II)
Figura 30 Resultados escenario 2 de utilización del modelo de colas para: (I) sin controlador,
Figura 31 Resultados escenario 2 de Longitud de cola del modelo de colas para: (I) sin
Figura 36 Resultados escenario 3 de bloqueo del modelo de colas para: (I) sin controlador, (II)
Figura 37 Resultados escenario 3 de utilización del modelo de colas para: (I) sin controlador,
Figura 38 Resultados escenario 3 de longitud de cola del modelo de colas para: (I) sin
Figura 39 Resultados de bloqueo escenario 1, estación 1 del modelo de red para: (I) sin
Figura 40 Resultados de utilización escenario 1, estación 1 del modelo de red para: (I) sin
Figura 41 Resultados de longitud de cola escenario 1, estación 1 del modelo de red para: (I) sin
4
Figura 66 Modelo sistema de caso de estudio de un proceso hospitalario ................................. 85
Figura 67 Resultados de la generación del ANFIS en el entrenamiento de error con 1000 épocas
con el método de optimización (I) hibrido (II) Retropropagación. ............................................. 86
Figura 68 Resultados del sistema de caso de estudio del indicador de bloqueo para la estación
de radicación (I) sin controlador y (II) ANFIS............................................................................ 86
Figura 69 Resultados del sistema del caso de estudio del indicador de utilización para la
estación de radicación (I) sin controlador y (II) ANFIS. ............................................................ 87
Figura 70 Resultados del sistema del caso de estudio del indicador de longitud de cola para la
estación de radicación (I) sin controlador y (II) caso de estudio ANFIS. ................................... 87
Figura 71 Resultados del sistema del caso de estudio del indicador de bloqueo para la estación
de pertenencia (I) sin controlador y (II) caso de estudio ANFIS. ............................................... 88
estación de pertenencia (I) sin controlador y (II) caso de estudio ANFIS. ................................. 88
estación de pertenencia (I) sin controlador y (II) caso de estudio ANFIS. ................................. 89
5
INTRODUCCIÓN
En la actualidad continuamente se evidencia la necesidad de aumentar la capacidad de

respuesta de los sistemas de colas o redes desde la atención de servicio al cliente hasta la
línea de producción, teniendo en cuenta los diferentes factores que generan una parada
para el sistema lo que conlleva a un mayor uso de los recursos y en consecuencia aumento
de los gastos en las organizaciones. Desde la teoría de colas se analiza cómo influyen las
variables o factores sobre el rendimiento de un sistema y a su vez se realizan estudios que
mejoren el desempeño general de cada uno, por esta razón este documento se desarrolla
con el objetivo de analizar el comportamiento y desempeño del sistema de colas que
presenta casos de bloqueos y reprocesos empleando un modelo combinado de líneas de
espera y ANFIS (Adaptive Neuro-Fuzzy Inference System).
En este caso se desarrolla una caracterización de las variables donde se establecen las
reglas difusas por medio de etiquetas lingüísticas como bajo, medio y alto este es un nivel
para cada variable y al combinarlos varia el tiempo de flujo estableciendo 27 reglas en
total, a partir de estas reglas se crea el controlador difuso y el ANFIS se crea con la
información extraída de una simulación discreta del modelo de sistema básico con
distribución uniforme de la secuenciación de las entidades, por medio del software Matlab
se crea un sistema de inferencia difusa para cada escenario establecido que se encarga de
ubicar las entidades de arribo hacia los servidores con base en tres variables de entrada
(utilización, longitud de cola y bloqueo) las cuales influyen de manera determinante en el
comportamiento de la variable de salida el tiempo de flujo.
El documento se investiga en el primer capítulo cual es la problemática a tratar además
de los antecedentes de este tipo de sistemas de colas, el siguiente capítulo se realiza una
identificación de los estudios que se han desarrollado desde el año 2010 hasta la fecha
que involucren variables o factores que intervienen en el funcionamiento del sistema y
por otra parte las características de un sistema de inferencia difusa, en el otro capítulo se
realiza la descripción del sistema generado en el estudio y cuál es su estructura de modelo,
para finalmente en el capítulo 4 analizar el comportamiento del sistema de acuerdo con
el rendimiento de las variables en los diferentes escenarios establecidos donde se
evidencia una mejora notable del sistema en algunos de los casos en comparación con los
métodos tradicionales de la teoría.
6
CAPITULO I: PROBLEMA DE INVESTIGACIÒN
1.1 Antecedentes
Para el desarrollo de esta investigación es necesario contar con un punto válido de partida,
en el cual se presenten trabajos previos y aceptados ante la comunidad académica, de tal
forma que le generen robustez, validez y una fuente confiable de información a la misma.
Al explorar en la bibliografía se han encontrado diferentes autores que han trabajado de
forma directa o indirecta acerca del tema de la presente investigación, algunos de ellos
merecen una mención especial, ya que pueden servir en gran medida como sustento para
el desarrollo de este trabajo.
Los principales autores que referencian un antecedente en este tema de investigación son:
Inicialmente se tienen a (López-Santana et al., 2017). con su articulo “A fuzzy inference
system to scheduling tasks in queueing systems”, en el cual se propone utilizar un sistema
de inferencia difusa para determinar el estado de las variables de estado en un sistema de
colas que evidencia la mejora del rendimiento en comparación con la programación
tradicional.
Por otro lado, este estudio contribuye en gran medida a la investigación debido a que
presenta un análisis enfocado hacia los sistemas de colas y logra caracterizar algunos
factores de éxito en esta área. Es posible que parte de esta investigación sea extrapolable
para la identificación de las características que busca el presente estudio.
En segundo lugar, se tienen a (Sanga & Jain, 2019) quienes a través de “Cost optimization
and ANFIS computing for admission control of M/M/1/K queue with general retrial times
and discouragement ”, buscaron determinar los factores de control para un modelo de
colas con procesos de arribo que tienen tiempos desanimados y de reintento por medio de
los enfoques de ANFIS donde se evidencia la implementación con éxito del modelo para
sistemas complejos.
Estos autores desarrollaron un análisis cuantitativo por medio del indicador de costos
mínimo que se genera en el sistema de colas a través de las funciones del software Matlab
en donde mostraron la diferencia de los resultados entre cada modelo, y como el ANFIS
se adapta en mayor medida a los requerimientos del sistema.
Por su parte, (Joseph, 2020) a través de “Queuing Theory and Modeling Emergency
Department Resource Utilization”, analizan la eficiencia del sistema de colas en un
departamento de emergencias teniendo en cuenta la teoría de colas como modelo de
simulación, donde se evidencia la diferencia que presentan los tiempos de llegada como
los tiempos de servicios dependiendo el tipo de paciente que asista al lugar, con este
análisis se identifican los objetivos a administrar para mejorar la respuesta del sistema.
7
Los autores Korenevskaya, M., Zayats, O., Ilyashenko, A., & Muliukha, V c en “Retrial
Queuing System with Randomized Push-Out Mechanism and Non-Preemptive Priority”
del 2019 buscaron determinar si la gestión de un sistema que presenta dos tipos de clientes
con un mecanismo de gestión de búferes push-out aleatorio, es decir, se establece un
bloqueo de ingreso para los clientes secundarios en el sistema, lo que permite reducir la
cola que se genera y aumentar el rendimiento del modelo.
En otro contexto,(Li et al., 2018) con su trabajo sobre “Network-based queuing model for
simulating passenger throughput at an airport security checkpoint” de 2018 describen
distintos modelo con una combinación de estrategias para el sistema en las filas y el
servicio que se presta donde se determina que dividir el sistema y generar una red abierta
al dividir los procesos, mejora el rendimiento del mismo.
Los autores realizaron un analisis con el modelo ANFIS (Mucsi et al., 2011) en “An
Adaptive Neuro-Fuzzy Inference System for estimating the number of vehicles for queue
management at signalized intersections.” Por medio de la información que se recolecta
de una intersección señalizada, en el cual se describe la aplicación del método de lógica
difusa en conjunto con el NVDZ (programa para estimar la cantidad de autos en una zona)
para contribuir con la gestión de las colas e identificar los cuellos de botella, se demostró
que es factible.
Finalmente, (Chude-Olisah et al., 2013) en “Fuzzy-based dynamic distributed queue
scheduling for packet switched networks”, Aborda la lógica difusa para la programación
de colas para establecer un análisis del control para el tráfico de internet, con base en tres
estacionalidades alta, media y baja, teniendo en cuenta variaciones como posible caída
del paquete y límite de la cola. En los resultados se demuestra que la estrategia se adapta
a los requerimientos del sistema y proporciona una buena utilización además de
minimizar el retraso de la cola en comparación con las otras estrategias.
Como resultado de este análisis de las investigaciones que anteceden al presente estudio
se estructura una tabla en la cual se resume el alcance de cada uno:
Tabla 1 Resumen del alcance de las investigaciones de los antecedentes del estudio
Autores Alcance
(López-Santana et al., 2017) Se evidencia la mejora en la respuesta de un sistema al
secuenciar los servidores en un sistema de colas y una
red de colas con un ANFIS.
(Sanga & Jain, 2019) Se determina la efectividad en la integración de los
enfoques de la teoría de colas y ANFIS en un sistema
de colas que optimiza el costo en los procesos.
(Joseph, 2020) Se establece la importancia de la teoría de colas ya que
proporciona las bases del conocimiento que permiten
analizar los factores determinantes en el rendimiento de
un sistema de colas y generar mejoras.
8
(Li et al., 2018) Se analiza el comportamiento de la red de colas en
diferentes configuraciones según las características de
las estaciones o puntos de atención que mejora su
rendimiento de atención.
(Mucsi et al., 2011) Se demuestra como el modelo del ANFIS permite
aumentar la respuesta de un sistema de colas, al
modificar su configuración y tiempos según lo
requieren los agentes del sistema (cuellos de botella).
(Chude-Olisah et al., 2013) Se compara el rendimiento del sistema al implementar
la lógica difusa en su proceso y atender las limitaciones
del sistema.
Fuente: Elaboración propia
En conclusión, los ANFIS que se aplican en sistemas de colas o redes permiten mejorar
la capacidad de respuesta del sistema, al tener en cuenta las características que los
diferencian como la atención de los clientes / su limitación en capacidad, o las variables
que intervienen en el funcionamiento del mismo de manera directa como la utilización y
tiempo de espera de los clientes/agentes, por lo cual se evidencia el potencial de integrar
estos dos campos de investigación en sistemas productivos o de atención al cliente.
1.2 Planteamiento del problema
En la actualidad se está empezando a ver la alta aplicabilidad que tienen los procesos de
simulación de las situaciones que se presentan en las organizaciones como alternativa de
solución a diferentes problemas, tales como lo sería responder a los requerimientos del
sistema que generan mayor tiempo de espera para los clientes para este caso se presenta
un bloqueo sea por una parada programada o imprevista de las actividades además de los
reprocesos sea por una inconformidad o una falla que inciden de manera directa en los
resultados de las organizaciones y a lo mejor aún no han sido exploradas pero que generan
una complejidad al sistema y una variación en su nivel de desempeño, por lo que, este es
el momento para analizar la capacidad de respuesta del sistema, según los indicadores de
la teoría de los tiempos de servicio y el tiempo medio en cola de acuerdo con el tipo de
modelo que se aplique de acuerdo con el estudio desarrollado en el documento de los
ingenieros.(López-Santana et al., 2019) donde se analiza un sistema de colas y una red de
colas con unas características establecidas en el estudio.
¿Cómo secuenciar las actividades de un sistema de colas que presenta bloqueos y
reprocesos teniendo en cuenta los indicadores de desempeño de utilización, longitud de
cola y bloqueo?
9
1.3. Objetivos de la investigación
1.3.1 Objetivo General
Analizar el comportamiento y desempeño del sistema de colas que presenta casos de

bloqueos y reprocesos empleando un modelo combinado de líneas de espera y ANFIS.
1.3.2. Objetivos Específicos
• Identificar los conceptos necesarios del bloqueo y reproceso en un sistema, en

conjunto con la programación de cada modelo necesario para comprender el
comportamiento del mismo.
• Establecer las reglas y componentes del modelo de ANFIS y teoría de colas
aplicable a la programación de trabajos en el sistema de redes de colas.
• Evaluar el comportamiento del modelo planteado en diferentes escenarios de
simulación.
1.4 Marco Metodológico
Como ya se ha dicho, la finalidad de este trabajo investigativo es la de establecer el

comportamiento y desempeño del sistema de colas. Por lo cual, el tipo de estudio más
adecuado para esto es uno de carácter analítico, en el cual se pretende a través de la
simulación del modelo, hacer un análisis de los comportamientos del sistema y la
comparación con los marcos de referencia de la investigación por esta razón se realiza
una recolección de información con los antecedentes del estudio.
Inicialmente se busca el desarrollo de un marco referencial sólido, que permita identificar
los factores a analizar en el modelo y el procedimiento adecuado para simularlo en el
software Matlab, posteriormente se pretende realizar la recolección y análisis de los datos
e información asociada a los modelos de programación seleccionados, generando una
comparación de la eficiencia de los indicadores de desempeño para el sistema.
Finalmente, se realizará una explicación clara de cómo influye el modelo en el sistema y
como se convierte en un factor diferencial para el objeto de estudio.
10
Tabla 2 Actividades metodológicas, resultados y recursos a emplear en el estudio de
investigación
Objetivo especifico Actividades Resultados Recursos

empleados
Identificar los Establecer las Características Fuentes
conceptos necesarios características de del sistema a secundarias de
del bloqueo y programación de las modelar información
reproceso en un variables de estudio Formulación el (Bases de datos
sistema, en conjunto problema de científicos)
con la programación Identificación de la estudio
de cada modelo metodología de Modelo de
necesario para sistemas de colas programación
comprender el para el caso de
comportamiento del estudio
mismo
Establecer las reglas Revisión bibliográfica Selección de las Fuentes
y componentes del en las bases de reglas de decisión secundarias de
modelo de ANFIS y artículos publicados a implementar en información
teoría de colas acerca de la temática el sistema de (Bases de datos
aplicable a la Desarrollar el modelo estudio. científicos)
programación de de reglas para aplicar a Modelo de reglas
trabajos en el sistema los escenarios para los
de redes de colas. Diseñar y estructurar el escenarios.
modelo ANFIS de
acuerdo con las Modelo ANFIS
características del para el caso.
caso.
Evaluar el Implementar el modelo Establecer los Matlab

comportamiento del de Simulación de indicadores de
modelo planteado en teoría de colas con las desempeño de los
diferentes escenarios reglas establecidas. modelos
de simulación. Identificar y generar simulados.
datos para pruebas.
Establecer los Datos de pruebas.
escenarios de Escenarios de
simulación simulación
Ejecutar y analizar el Análisis de los
comportamiento de los escenarios
escenarios
11
1.5 Justificación
Por medio de los avances que se han generado en la ingeniera se destaca la simulación de
procesos como un sistema de colas con los cuales analizar el comportamiento de los
indicadores de desempeño del sistema de acuerdo con el tipo de modelo que se aplique
es importante porque en la actualidad se requieren de estrategias que aporten una
alternativa de solución a diferentes necesidades de las organizaciones para satisfacer los
requerimientos de los clientes.
Las investigaciones que se ha desarrollado en los últimos años en ocasiones no tienen en
cuenta las variables de los bloqueos y reprocesos en el sistema, por lo cual con base en
estudios realizados por los autores al analizar un sistema de colas por medio de unas reglas
de decisión al combinar la teoría de líneas de espera con la lógica difusa ANFIS (Adaptive
Neuro-Fuzzy Inference System). Es prudente hacer este tipo de estudio al ver
oportunidades de mejora en los sistemas que cumplan con estas características tal como
se ha nombrado en la definición del problema, aunque se encuentran más factores que
inciden en el sistema, siempre es necesario aprovechar las nuevas metodologías para
beneficiar los procesos en las organizaciones y apoyar la toma de decisiones.
Las posibles aplicaciones prácticas del sistema de inferencia difusa se presenta de la mano
de los avances tecnológicos en este caso con los sensores como por ejemplo para
maquinas automatizadas de acuerdo con unas especificaciones de los productos o
artículos que se fabrican en una línea de producción se puede lograr una maximización
del rendimiento por medio del análisis de los factores que inciden directamente en el
sistema como puede ser la velocidad de la línea, la tasa de atención entre otros que
ocasionan paradas o reprocesos en una operación.
12
CAPITULO II: MARCO REFERENCIAL
En el siguiente capítulo se realiza una investigación de los campos de la ingeniería que

tratan sobre la teoría de colas y la lógica difusa en este caso ANFIS (Adaptive Neuro-
Fuzzy Inference System) en los sistemas, para establecer cuáles son los conceptos que
preceden en estas áreas y su aplicación en diferentes áreas. Inicialmente se relaciona el
marco teórico en el que se sustentan las teorías que se implementaran en el trabajo y el
estado del arte donde se identifican cuáles han sido los estudios realizados en estos
campos de acción hasta la fecha desde las bases de datos como Scopus y IEEE.
2.1 Marco teórico
2.1.1 Sistemas de Colas
Un sistema de colas hace referencia a un modelo de un sistema que presta una servicio
sea para un cliente, producto o máquina que tienen unas propiedades de arribo para ser
atendidos lo cual puede generar una cola en el proceso de espera de esta atención
(Baldwin et al., 2003), en estos sistemas se destaca la capacidad de servicio que tiene una
organización en alguno de sus procesos para generar un menor tiempo de espera. Es
necesario conocer algunas medidas de desempeño con las cuales se estudian estos
sistemas:
Para el análisis de estos sistemas se implementa la teoría de colas que se encarga de la
simulación por medio de modelos matemáticos establecidos en los últimos años con unas
propiedades específicas como lo determina el autor (Little & Graves, 2008) que establece
una ley para el cálculo de una medida de desempeño del sistema de colas muy importante:
el número promedio de clientes en un sistema (L) el cual se determina con la
multiplicación entre la tasa promedio de llegada de los clientes al sistema (λ) por el tiempo
promedio que el cliente está en el sistema (W). Con esta permite analizar cuál es el
rendimiento de la cola de acuerdo con la información suministrada y de esta forma
establecer las posibles acciones de mejora.
𝐿 = 𝜆∗𝑊 (1)
Como también es la utilización del sistema la cual se determina con la tasa de servicio del
sistema (µ) y la tasa de llegada de los clientes (λ), para determinar cuál es la capacidad
de respuesta a los requerimientos de las operaciones en los procesos.
Como se identifica en la figura 1 las principales variables que se analizan en un sistema
con la teoría de colas es el ingreso o tasa de llegada de los clientes, la longitud de la cola
que se genera para esperar por un servicio y la capacidad de la estación de servicio que
en conjunto determinan la utilización para las organizaciones o entidades que tienen
procesos con estas características.
13
Figura 1 Sistema de Colas
Como la ecuación de Little se encuentra otra que permite identificar la utilización de un
sistema de colas y analiza más factores que influyen en la espera de un cliente o agente
para recibir un servicio. La ecuación de Kingman (Kingman, 1961). Esta tiene en cuenta
tres variables esenciales en la teoría de colas donde interrelaciona los tiempos en los
procesos de llegada y servicio, la utilización del sistema y la variación del mismo, con el
objetivo de cuantificar la cantidad de tiempo que dura el cliente, producto o agente en la
cola.
𝑊 = 𝑉∗𝑈∗𝑇 (2)
En esta ecuación (2) la V hace referencia a la variabilidad del sistema, U es la utilización

y T es el tiempo. Existen diferentes eventos que pueden generar una variación en los
sistemas dependiendo sus características: En la realidad los sistemas no son perfectos por
lo cual presentan paradas, reprocesos, bloqueos y estos se ocasionan según los
requerimientos del proceso, como por ejemplo la compra de un medicamento el usuario
debe dirigirse a la caja para pagar y enseguida al almacén para recibir su compra, si en
este proceso ocurre una falla se debe reprocesar la actividad o iniciar de nuevo.
(Korenevskaya et al., 2019).
Además del autor (Kendall, 1953) con su notación (A/S/c/X/v) que permite identificar las
características principales del sistema, donde (A) es el proceso de arribo al sistema, (S)
la distribución del tiempo del servicio y finalmente (c) la cantidad de servidores que
prestan el servicio que pueden ser desde maquinas o personas, mientras (X) hace
referencia a la capacidad del sistema es la suma de la cola y los servidores del mismo
además del (v) que es la disciplina de la cola.
En estos casos los procesos de arribo determinan el patrón de llegada de los clientes y el
proceso de servicio como se presta el servicio en la estación, estos se clasifican en
diferentes tipos de distribuciones estadísticas de acuerdo con las particularidades del
mismo pueden ser exponenciales, poisson, uniformes, normales, entre otras. De la misma
forma la disciplina de la cola puede ser FIFO (First in, - first out) en donde el cliente que
primero llegue a la fila ingresa a la estación, en cambio LIFO (Last in, first out) establece
un orden de atención primero para la última persona en llegar al sistema, aunque este tipo
de disciplina es poco utilizada, otra conocida es el RR (Round robin) que establece un
servicio equitativo para los clientes y por último el equiprobable que determina un
ponderado de la cantidad de servidores para atender a los requerimientos del cliente en el
sistema.
14
Variabilidad en el sistema
Partiendo de la notación de Kendall se logran establecer algunas características únicas de
cada sistema a estudiar por medio de la teoría de colas como es el caso de los bloqueos y
los reprocesos como se especifica (Spearman, M. L., & Hopp, 1996), a continuación:
Bloqueos:
De acuerdo con los estudios previos a esta investigación se evidencia la necesidad de
cuantificar el impacto o efecto que genera un bloqueo en una cola y desde la notación
anterior se puede establecer con la letra X, donde la fila tiene una capacidad limitada de
usuarios tanto en proceso como en cola que le permite tener un control del mismo que
puede estar dado por políticas de la producción o por la utilización de las maquinas en los
procesos. Por ejemplo: actualmente las empresas por la situación de emergencia que
genera la pandemia no pueden recibir más de 20 personas en una oficina con ciertas
características, esto representa un bloqueo para el sistema.
Este se puede establecer el efecto que tiene en un sistema G/G/1 se implementan las
siguientes ecuaciones considerando las variables de desempeño de la teoría de colas,
teniendo en cuenta la ecuación (2) y (1):
𝒄𝟐𝒂 +𝒄𝟐𝒆 𝑢
𝐶𝑇𝑞 (𝐺/𝐺/1) = ( ) (1−𝑢) 𝑡𝑒 (3)
𝟐
La 𝒄𝟐𝒂 es el coeficiente de variabilidad de la tasa de arribos al sistema, 𝒄𝟐𝒆 es el coeficiente

de variabilidad de la tasa efectiva de proceso en el sistema, la u representa la utilización
y 𝑡𝑒 tiempo efectivo del modelo.
Para el caso de un sistema de colas en donde la utilización es menor que 1 y con un
bloqueo se tiene en cuenta la siguiente formula (Spearman, M. L., & Hopp, 1996):
𝒄𝟐𝒂 +𝒄𝟐𝒆 𝑢2
𝑊𝐼𝑃𝑛𝑏 = ( ) (1−𝑢) + 𝑢 (4)
𝟐
Y se calcula el rendimiento del sistema:
𝟏−𝒖 𝝆𝒃−𝟏
𝑇𝐻 ≈ ( ) 𝑟𝑎 (5)
𝟏−𝒖𝟐 𝝆𝒃−𝟏
Donde el ρ se determina con la fórmula:

𝑊𝐼𝑃𝑛𝑏 −𝒖
𝜌=( ) (6)
𝑊𝐼𝑃𝑛𝑏
Con base en estas fórmulas se determina el rendimiento de un sistema que presenta un

bloqueo en la capacidad de la atención para el usuario.
Reprocesos:
Otro factor que incide en el rendimiento de un sistema de colas son las
retroalimentaciones o reprocesos, esto ocurre generalmente en una etapa de gestión de
calidad o por fallas en las operaciones. Para las organizaciones es necesario cuantificar el
efecto que genera esta actividad para los sistemas de colas como se evidencia en la figura
15
2, esta se puede establecer por medio de una probabilidad de evento como es el caso que
se tendrá en cuenta en este estudio.
De acuerdo con investigaciones (Spearman, M. L., & Hopp, 1996), el reproceso influye
directamente en la utilización de los modelos dado que incrementa la cantidad de tiempo
de los procesos, donde se debe tener en cuenta en el cálculo del desempeño del sistema
para identificar el efecto directo que genera. Como se establece en la siguiente
formulación matemática basada en la ecuación de Kingman, partiendo de supuestos
valores para 𝒄𝟐𝒂 de 1, y de 𝑡𝑜 de 1 y 𝑐𝑜 de 0 para lograr evidenciar como se realiza la
formulación de manera teórica:
𝒄𝟐𝒂 + 𝒄𝟐𝒆 𝑢
𝐶𝑇 = ( )( ) 𝑡 + 𝑡𝑒
𝟐 1−𝑢 𝑒
𝟏+𝒑 (1/(3(1−𝑝)) 1 1
=( ) (1−(1/(3(1−𝑝))) 1−𝑝 + 1−𝑝 (7)
𝟐
Por otra parte los autores (Chen & Ye, 2016) estableces las leyes de la variabilidad,
utilización y reproceso de una línea de espera, especificando el impacto directo en la
desviación estándar y media de los sistemas de cola. Sin embargo, generalmente se realiza
el cálculo de este factor en software de simulación dada su complejidad de cálculo para
un sistema con una gran cantidad de variables.
Variables de decisión
Las variables de decisión en este caso hacen referencia a los indicadores de desempeño,
con base en el rendimiento de cada uno de estos se realiza la toma de decisiones en las
organizaciones con el objetivo de optimizar los costos, tiempos y efectividad en los
procesos que sean necesarios. En la presente investigación se establecen como variables
principales la utilización, la longitud de cola, el bloqueo y el tiempo en espera, los cuales
se explicarán enseguida (Singer, M., Donoso, P., & Scheller-Wolf, n.d.):
Utilización: Hace referencia a la razón entre la cantidad de servidores (cajeros, estaciones,
etc.) ocupados y la cantidad disponible en un sistema. Por ejemplo, en un sistema bancario
se cuenta con tres cajeros de atención al cliente y al medio día se encuentran los tres
ocupados esto quiere decir que el sistema presenta un 100% de ocupación de su capacidad
de atención.
Longitud de cola: Hace referencia al promedio de la cantidad de agentes en cola de espera
de recibir un determinado servicio como son las colas que se generan en los parques de
diversiones para ingresar a una atracción mecánica, puede ser de 3, 6 o más usuarios
dependiendo de las características de la atención, por otra parte, también puede ser la
cantidad de productos en espera de ser procesados, o llamadas en espera en un call center.
Bloqueo: De acuerdo con la definición anterior, el bloqueo representa la cantidad de
unidades en el sistema de acuerdo con la capacidad limitante del mismo, por ejemplo, el
control de la cantidad de agentes que se encuentran en un sistema en un lapso de tiempo
como en un sistema bancario en la actualidad por las restricciones sanitarias de todos los
países se permite el ingreso de máximo 20 personas.
16
Reproceso: Son las actividades o productos inconformes que requieren de la integración
nuevamente al sistema por un error, por ejemplo, en un proceso administrativo de una
autorización de un procedimiento el hecho de que falte un documento genera una
devolución de la documentación hasta que cumpla con todo lo establecido, esto es un
reproceso dado que requiere de una segunda revisión en la misma área. Este reproceso se
establece por medio de valores de probabilidad.
Tiempo de espera: Como su nombre lo indica es el tiempo total que requiere un agente
en un sistema para recibir un servicio y este varia dependiendo de la cantidad de
servidores que tenga el sistema además de la cantidad de agentes en espera, entre otras
variables que influyen en este. Por ejemplo, se continua con el ejemplo del sistema
bancario si una persona ingresa al sistema a las 11.30 am y se retira del mismo a las
12.40pm, quiere decir que invirtió 1 hora y 10 minutos en obtener el servicio requerido.
2.1.2. Redes de Colas
Una red de colas es un entorno que se constituye de dos o más sistemas de colas los cuales
tienen sus propias características y se interrelacionan entre sí por medio de los agentes
que se encuentran en mismo que pueden ser desde redes abiertas (los clientes no tienen
restricción de ingreso ni salida) o redes cerradas que tiene unos límites. (Baldwin et al.,
2003).
Figura 2 Red de Colas

En las redes de colas se presenta una combinación de servidores y longitud de la cola que
puede ocasionar una congestión en algunas de las zonas al presentarse situaciones de
parada, por lo cual es necesario analizarlo como una unidad compuesta de estaciones,
estas se analizan por medio de la teoría de colas de acuerdo con sus propiedades como
pueden ser redes cerradas, abiertas o mixtas. Esta característica de las redes tiene en
cuenta el tipo de llegada de los clientes y la salida, para ser especifico en la red cerrada
los clientes realizan sus procesos por etapas según los requerimientos y no tienen salida,
ni llegada de otras fuentes, mientras las redes abiertas permiten el ingreso de clientes de
diferentes fuentes y pueden abandonar la red en el momento que adquieran el servicio
teniendo en cuenta unas probabilidades por estación (Baldwin et al., 2003).
17
Por medio de esta disciplina de la teoría de colas se desarrolla un análisis a los agentes y
su comportamiento en las colas subyacentes como cuellos de botella en estaciones o una
mayor cantidad de reprocesos que dependen de una probabilidad en el sistema y varía
según las consideraciones de enrutamiento del proceso, en estas redes se analiza
individualmente cada estación de servicio según la notación de Kendall, con el objetivo
de simplificar el estudio de observación e integración del conjunto de la red.
Además de identificar los efectos del cambio, sus parámetros, pero sin que sea necesario
que el usuario realice los cálculos por sí mismo para mejorar la respuesta satisfactoria
tanto para el cliente como para el personal encargado de la entidad o servicio que se
presta, dado que esto generaría mayores tiempos de análisis. La teoría de colas permite
identificar las características que ralentizan las operaciones para que las organizaciones
tomen decisiones con base en un análisis matemático por medio de los softwares de
simulación que generan graficas de los indicadores de rendimiento.
Redes de Jackson
Estas redes pueden ser de dos tipos cerradas o abiertas, y cumplen con las siguientes
condiciones para ser catalogadas como red de Jackson: Existe solo un tipo de trabajo en
la red, el enrutamiento de los clientes es probabilístico, cada estación tiene una cola, una
cantidad constante de trabajos en la red y se pueden analizar individualmente las
estaciones para conocer el desempeño del sistema en total. Y se diferencia de otros tipos
de redes porque permite el enrutamiento de los clientes o productos hacia estaciones
anteriores a la que se encuentran como se evidencia en la figura 2, en este caso solo
ingresan nuevamente a la estación, esto permite realizar un análisis con base en los
sistemas de colas con tasas de arribo generales (Melamed, 1979).
Ecuaciones de trafico
Como primera medida es necesario recordar la propiedad de equilibrio o ecuación de
balance de las redes de colas que establece que todo lo que ingresa al sistema debe salir
en la misma cantidad, es decir la tasa de arribo y la tasa de salda de la cola es igual:
𝜇1 𝑝1 = 𝜆0 𝑝0 (8)
El arribo de los clientes en la fila de una estación j es equivalente a la suma de todo lo

que ingresa a la estación sea de una nueva fuente o una estación anterior, como se
establece en la siguiente formulación(Hum et al., 2018):
𝜆𝑗 = 𝜆0 𝑝0,𝑗 + ∑𝑖=1 𝜆𝑖 𝑝𝑖,𝑗 ; para los j = 1,2, 3,…,M (9)
Donde p𝑖,𝑗 representa la probabilidad de que un cliente o producto pase de la cola i y se

dirija a la cola j, y se entiende p0,𝑗 indica la distribución de los arribos a la cola, en cambio
p𝑖,0 indica las salidas de la estación, incluyendo la propiedad de las probabilidades que
especifica que la suma de todas las probabilidades de una cola debe sumar.
∑𝑛𝑖=0 𝑝𝑖 = 1 ; para los i = 0,1,2, 3,…,n (10)
18
2.1.3 ANFIS
ANFIS (Adaptive Neuro-Fuzzy Inference System) Es un sistema adaptativo de inferencia

difusa basado en red es un tipo de red neuronal que aprende con la experiencia y tiene la
característica de generalización con los principios de lógica difusa que establece un
conjunto de reglas difusas IF-THEN. (Jung Bok Jo, Y. Tsujimura, 1994) dentro de estas
reglas se tiene en cuenta la incertidumbre de los sistemas de acuerdo con la variabilidad
que se presenta según las reglas establecidas de determinadas variables. Una característica
principal del sistema es su enfoque de ampliar las opciones que se pueden obtener de un
proceso entre los dos extremos de las posibles situaciones como se plantea en los ejemplos
de la verdad absoluta o la falsedad total en las variables de salida, de acuerdo con las
reglas que se establecen en las operaciones de entrada.
Figura 3 Sistema de Inferencia difusa

Fuente: Elaboración propia, basado en (Jang, 1993)
Según lo establecen los autores que han trabajado con el sistema de inferencia difusa en
la figura 3 se evidencian cuáles son los elementos principales para el desarrollo del
modelo y se destaca la toma de decisiones con base en las reglas definidas para los datos
que ingresan al proceso con el objetivo de comprar según las premisas establecidas
inicialmente, donde:
1. Interfaz Fuzzification: Establece una escala entre los valores nítidos de las
variables de entrada al sistema y los transfiere a la lingüística determinada en los
conjuntos difusos.
2. Bases de conocimiento: Es la base central de las reglas lingüísticas que establecen
el control de las variables sean de entrada o salida, generalmente estas reglas son
formuladas con base en políticas de operación definidas para el controlador.
3. Lógica de decisiones: Se encuentra dentro de las reglas del modelo en el
controlador, que hace referencia a la toma de decisiones según los parámetros
establecidos que se basa en las condiciones lógicas.
4. Interfaz Defuzzification: Decodifica la escala de valores universales del modelo
difuso en modo nítido para obtener la acción de control pertinente, como puede
ser por medio del método de izquierda máxima y derecha máxima.
A partir de los planteamientos del autor (Zadeh, 1965) acerca de los conjuntos difusos,
en los cuales establece las clasificaciones de pertenencia de las variables de un sistema
19
que se pueden encontrar entre el 0 y el 1, especificando las posibles aproximaciones a
cada uno de los límites del sistema. Hacen parte esencial del proceso elementos como
premisas y consecuencias de los parámetros que tiene en cuenta las variables de entrada
y salida del proceso.
Uno de los autores que aportan a los sistemas de lógica difusa es (Mamdani, 1975) con el
diseño de los controladores de reglas para el modelo (FIS) Sistema de inferencia difusa,
el cual involucra variables reales en la entrada y salida del sistema, con condicionales de
decisión, con la siguiente estructura de reglas: “Si X1 es A1 y Xn es An entonces Y es B”
en este caso las variables del modelo son X y Y. La cantidad de reglas que se establezcan
dependen del autor que construya el modelo, y este valor se duplica al realizar la
combinación de las mismas, como se evidencia en la figura 4 la variable x tiene 3 reglas
y la misma cantidad la variable y, lo que genera 9 reglas en general para el modelo.
Figura 4 Arquitectura de ANFIS con nueve reglas

Fuente: (Correa-Henao, G. J., & Montoya-Suárez, 2013)
En la figura anterior se identifica como se interconectan las premisas y el conjunto de
reglas de difusión en cada una de las 5 capas del sistema ANFIS en este caso se generan
9 combinaciones de las reglas del sistema como se evidencia con las variables X y Y.
Capas del ANFIS

El modelo inicial establece 5 capas en el sistema de inferencia difuso teniendo en cuanta
las reglas anteriormente mencionadas, las cuales se describen a continuación (Jang,
1993):
1. “Cada nodo i en esta capa es un nodo cuadrado que se asocia con una función de
nodo”
𝑂𝑖1 = 𝜇𝐴𝑖 (𝑥) (11)
20
En este caso x es la variable de entrada al sistema, A es la etiqueta asignada en la
función, 𝑂𝑖1 la es la función de membresía de A y especifica en que grado se
cumple con el cuantificador A, generalmente μ𝐴 (𝑥) se encuentra en un rango
𝑖
del [0,1].
2. “Cada nodo de esta capa es un nodo circular Π que se encarga de multiplicar las
señales entrantes y remitir el producto” por ejemplo la ecuación 12 representa la
multiplicación de las dos variables que ingresan a la capa y esta salida representa
la fuerza de disparo de una regla.
𝑤𝑖 = 𝜇𝐴𝑖 (𝑥) ∗ 𝜇𝐵𝑖 (𝑦) ; para los i = 1,2. (12)
3. “Cada nodo de esta capa es un nodo circular N” como se identifica en la figura 4

hacia cada nodo se dirigen todos los salientes de la capa 2 donde se calcula el nodo
i-esimo calcula la razón del nodo i-esimo con la fuerza del disparo de las reglas a
la suma del disparo de todas las reglas.
𝑤𝑖
𝑤𝑖 =
̅̅̅ ; para los i = 1,2. (13)
𝑤1 +𝑤2
4. “Cada nodo i en esta capa es un nodo cuadrado con una función de nodo”
𝑂𝑖4 = ̅̅̅𝑓
𝑤𝑖 𝑖 = ̅̅̅(𝑝
𝑤𝑖 𝑖 𝑥 + 𝑞𝑖 𝑦 + 𝑟𝑖 ) (14)
Donde ̅̅̅
𝑤𝑖 es la salida de la capa anterior y las letras (p, q, r) son parámetros
consecuentes.
5. Esta capa solo cuenta con un nodo circular ⅀ que se encarga del cálculo de la
salida general como suma de todas las señales entrantes
∑𝑖 ̅̅
𝑤̅̅𝑓
𝑂𝑖5 = ∑𝑖 ̅̅̅𝑓
𝑤𝑖 𝑖 = ∑𝑖 ̅̅
𝑖 𝑖
(15)
𝑤̅̅𝑖
En conjunto con estas capaz se forma el sistema adaptativo difuso por medio de la red
difusa establecida en cada nodo.
En los siguientes años se propone otro diseño del controlador de reglas difusas por
(Takagi, T., & Sugeno, 1985) en este caso el controlador no requiere de una interfaz de
defuzzification para la salida de las variables, dado que se calcula con la media ponderada
de la salida de cada una de las reglas. Y si tiene en cuenta la linealidad de las reglas en su
combinación e incluye unos parámetros reales en la ecuación de condicionalidad.
Métodos de optimización del ANFIS
El sistema de inferencia difusa cuenta con dos tipos de métodos de optimización de los
parámetros tanto de salida como de entrada para la ejecución del algoritmo de
21
aprendizaje, utilizados en la generación de la estructura del ANFIS donde se determinan
las funciones de membresía de las variables de entrada y la variable de salida con base en
el error del entrenamiento, lo cual determina la capacidad del modelo para ajustarse al
comportamiento de las variables analizadas. Para este caso se analizan dos métodos:
Retropropagación
Este método consiste en integrar los parámetros de la lógica difusa hacia atrás, es decir,
desde las variables de salida a través de las capas del sistema difuso hasta las variables de
entrada, basada en una combinación de tácticas de aprendizaje. En este método se analiza
la interacción de las variables de acuerdo con su comportamiento en la red y de esta forma
comprender la respuesta del sistema ante estas situaciones, con el objetivo de optimizar
las actividades, este procedimiento de aprendizaje es repetitivo para buscar una respuesta
a las variaciones en la ejecución que sean correspondientes a la realidad del sistema que
se desea estudiar. (Lalis J.T, 2014)
Hibrido
En el sistema de lógica difusa este método se identifica por un algoritmo de aprendizaje
híbrido que radica en un arreglo automático de Sugeno-ANFIS teniendo en cuenta cada
tipo y formación de salidas de una composición lineal promediada de los consecuentes.
Este método de aprendizaje híbrido se caracteriza por las dos fases que se ejecutan,
primero la identificación del consecuente parámetros (feed forward) por medio de la
utilización del componente de aprendizaje de FIS estructurado de acuerdo con la
arquitectura neural integrado con el estimador de cuadrados, además del pase hacia atrás
en donde se reestablecen los parámetros de la proposición que se genera en el error del
algoritmo de retropropagación. (Joelianto, E., & Rahmat, 2008)
2.2 Estado del arte
A continuación, en la tabla 2 se identifican cuáles son los estudios que se han realizado
de teoría de colas y lógica difusa en los últimos años a partir del 2010 desde las bases de
datos especializadas “Scopus” e “IEEE”, con el objetivo de analizar las metodologías
implementadas y los resultados obtenidos en las investigaciones, así como los modelos
estructurados.
22
Tabla 3 Estado del arte
N° Titulo / Autor/ Año Objetivo Variables Descripción del modelo Resultados

1 An Adaptive Neuro-Fuzzy Estimar el número de [V1] Tasa de arribo Análisis de la intersección, se recolecta Se reconoce la capacidad del
Inference System for vehículos que se [V2] Tasa de servicio la información. Teniendo en cuenta sistema vehicular al mejorar
estimating the number of encuentran en la [V3] Capacidad de la lógica difusa, se implementa el ANFIS los indicadores de las colas
vehicles for queue cola
intersección señalizada con las reglas en conjunto con el NVDZ de espera que se generan en
management at signalized
intersections. por medio de la gestión (programa para estimar la cantidad de la intersección analizada con
de la teoría de colas. autos en una zona) para contribuir con la el modelo, con respecto a
(Mucsi et al., 2011) gestión de las colas e identificar los modelos tradicionales de la
cuellos de botella. teoría de colas.
2 An integrated artificial Describir un entorno de [V1] Tasa de arribo. La estructura se trabaja integra en el El modelo integrado de ANN
neural network-computer simulación de una red [V2] Tasa de servicio. modelo el ANN (Red neuronal y simulación de un sistema
simulation for de sistemas de colas en [V3] Número máximo Artificial) y la simulación de sistemas, de colas es capaz de mejorar
optimization of complex de servidores.
tándem G/G/K con para un sistema de colas tándem G/G/K el desempeño de un sistema
tandem queue systems. [V4] Tiempo de espera
(Azadeh, A., Faiz, Z.S., redes neuronales para promedio. se analizan 63 distribuciones de teniendo en cuenta las
Asadzadeh, S.M., optimizar el probabilidad para las tasas de entrada y restricciones, limitaciones
Tavakkoli-Moghaddam, rendimiento de los salida, y se seleccionan 30 muestras para del sistema y los objetivos,
2011) sistemas. validar la efectividad del sistema según generando un ahorro en los
el rendimiento del mismo, por medio del tiempos de ejecución y
software de simulación Matlab. análisis de los escenarios.
3 Fuzzy-based dynamic Aborda la lógica difusa [V1] Naturaleza de la Programación difusa En los resultados se
distributed queue para la programación de Tasa de arribo. Se desarrolla un modelo difuso teniendo demuestra que la estrategia
scheduling for packet colas por medio de un [V2] Tasa de servicio. en cuenta la naturaleza de las llegadas al se adapta a los
switched networks. [V3] Utilización del
análisis del control del sistema y estableciendo tres tipos de requerimientos del sistema y
sistema.
(Chude-Olisah et al., tráfico de internet, con [V4] Política de colas de priorización baja, media, alta. proporciona una buena
2013) base en tres servicio. utilización además de
23
estacionalidades alta, Se realiza una comparación con las minimizar el retraso de la
media y baja, teniendo estrategias tradicionales de servicio. cola en comparación con las
en cuenta variaciones otras estrategias.
como posible caída del
paquete y límite de la
cola.
4 A fuzzy inference system Se estudia el [V1] Tasa de arribo Se caracteriza una red de colas con una Se evidencia la mejora del
to scheduling tasks in rendimiento de un [V2] Tasa de servicio notación M/M/4 en la cual se formula e desempeño del sistema al
queueing systems. sistema de colas con [V3] Utilización del implementa un sistema de inferencia implementar el sistema de
(López-Santana et al., sistema
unas características difuso teniendo cuenta la teoría de colas inferencia difusa para
2017) [V4] Reproceso
generales con un en conjunto factores de variabilidad aumentar la utilización del
sistema de inferencia como la retroalimentación de trabajos y mismo y la longitud de la
difuso. en un segundo modelo sin esta, en cola, en comparación con las
comparación con reglas como Robin diferentes reglas o políticas
round y equiprobable, identificando con de programación.
los indicadores de desempeño del
sistema la efectividad de la aplicación.
5 Performance modeling Se analiza el [V1] Promedio de Se integran la política de servicio F, el Se demuestra que el modelo
and ANFIS computing for rendimiento de un máquinas en el sistema. enfoque de ANFIS y el problema de implementado con el
finite buffer retrial queue sistema de máquinas [V2] Promedio de nuevos intentos de nuevo juicio (cola) enfoque ANFIS permite
under F-policy máquinas averiadas.
que puede fallar para un sistema de máquinas que pueden identificar la viabilidad del
(Jain & Sanga, 2017) [V3] Probabilidad de
independientemente ocupación del servidor. fallar e ingresar al sistema de alcance y utilidad del
para ingresar al servicio [V4] Costo de mantenimiento y reparación, enfoque para la predicción
de reparación. operación. estableciendo 6 membresías de del desempeño de un sistema
pertenencia. complejo.
24
6 Modeling assignment of El objetivo del modelo [V1] Tasa de arribo deCon base en la teoría de colas que La investigación en este
quay cranes using propuesto es minimizar las grúas de muelle modela el comportamiento de espera de artículo determina que el
queueing theory for la emisión de CO 2 [V2] Tasa de servicio los AGV frente a las grúas de muelle número óptimo de grúas
minimizing CO2 emission los vehículos
durante un proceso de teniendo en cuenta la cantidad de grúas aumenta con la tasa de
at a container terminal [V3] Longitud de la
(Liu & Ge, 2018) descarga de línea de espera en servicio, se comparan los sistemas llegada esperada de AGV y
contenedores de grúas [V4] Utilización del M/M/1 y M/M/3. el consumo medio de
de muelle a AGV sistema Se propone un modelo de programación combustible por AGV por
optimizando el número matemática convexa para minimizar la hora, pero disminuye con la
de grúas por medio de emisión de CO 2 en el proceso de tasa media de servicio de
la teoría de colas. descarga y traslado de contenedores cola.
desde un barco a AGV en una terminal
de contenedores cuando el número de
grúas de muelle es la variable de
decisión.
7 Measurement and Se analiza la cadena de [V1] Servidores Se realiza una formulación matemática Se evidencia que la
optimization of suministro como una [V2] Capacidad finita que optimice las variables de la capacidad de respuesta del
responsiveness in supply red de colas de tipo [V3] Tasa de servicio capacidad de respuesta del sistema de sistema de colas de la cadena
chain networks with [V4]Probabilidades de
Jackson para optimizar colas como variables de decisión, de suministro depende de las
queueing structures enrutamiento
(Hum et al., 2018) la capacidad de teniendo en cuenta los costos en la tasas de servicio de las etapas
respuesta e índices de aceleración de las operaciones en cada del sistema, donde se
efectividad de las etapa y la tasa de servicio, en conjunto optimiza los costos
etapas del proceso. con las restricciones con base en los asociados a la operación.
teoremas de redes de colas.
8 Heterogeneous two-server Evaluar los efectos que [V1] Probabilidad de Se considera un sistema de colas con dos De acuerdo con los
queueing system with genera en el sistema de ocupación servidores que presentan unas resultados obtenidos por las
reverse balking and las variaciones de las [V2] Regeneración condiciones de bloqueo, regeneración y propuestas del modelo los
reneging [V3] Bloqueo
25
(Bouchentouf & probabilidades de [V4] Tasa de servicio retención de clientes por medio de efectos del bloqueo de
Messabihi, 2018) regeneración, de [V5] Tasa de arribo probabilidades para medir el efecto que acceso a los clientes generan
bloqueo y de retención genera a nivel general en el modelo del un impacto negativo, en
de clientes con respecto sistema teniendo en cuenta los cambio la retención de
al modelo económico indicadores de desempeño. clientes mejora el sistema y
del sistema. su capacidad de respuesta.
9 for simulating passenger Establecen modelos de [V1] Servidores Técnica de análisis de simulación Se determina que dividir el
throughput at an airport estructura de cola por [V2] Tasa de arribo Con los procesos del control de sistema y generar una red
security Network-based los procesos que debe [V3] Tasa de servicio seguridad se implementa la teoría de abierta con cada uno de los
queuing model [V4] Redes de colas
realizar un pasajero en colas al establecer un modelo procesos a ejecutar en el
checkpoint.
(Li et al., 2018) puesto de control de matemático para las estrategias que control de seguridad es el
seguridad en un realizan los pasajeros en este puesto. modelo que optimiza la
aeropuerto combinando Se analizan los sistemas M/M/1 y operación del aeropuerto,
estrategias para conocer M/M/n. Se determinan 3 tipos de dado que mejora el
cual aumenta el servidores con diferentes distribuciones rendimiento del mismo con
rendimiento de la red de que respondan a la necesidad del sistema la configuración y red
colas. y se evalúa su efectividad por medio de M/M/1 con n sistemas.
la simulación.
10 An analysis of queues with Se realiza un análisis [V1] Longitud de la cola El modelo de elección se basa en un En el caso de la llegada
delayed information and del comportamiento de [V2] Tiempo de espera Modelo logit multinomial (MNL) y constante de ambos modelos,
time-varying arrival rates. decisión de los clientes en cola ecuaciones diferenciales lineales de es posible derivar un umbral
[V3] Servidores
que arriban al sistema retardo para determinar los indicadores explícito viejo para el retraso
(Pender et al., 2018) [V4]Llegadas no
de colas con dos tipos estacionarias de desempeño de cada modelo en el crítico donde por debajo del
de informaciones de la sistema de colas M/M/inf. umbral las dos colas están
longitud de la cola o la El primer modelo de fluido con retraso equilibradas. Cuando la
constante y el segundo con llegadas variación de tiempo es
26
información del tiempo variables en el tiempo en los dos se pequeña, por medio de
de espera. integra numéricamente la teoría de colas técnicas asintóticas
en las ecuaciones diferenciales para demostraron que el nuevo
comparar los resultados. umbral cambia cuando la
frecuencia de la tasa de
llegada es el doble que la
frecuencia de retardo.
11 Scheduling in queueing Propone utilizar un [V1] Tasa de arribo Se establece un modelo con un sistema En la simulación realizada se
systems and networks sistema de inferencia [V2] Tasa de servicio de colas con la configuración G/G/4 el evidencia que el modelo
using ANFIS difusa para determinar [V3]Utilización del cual se corre con 1000 unidades de ANFIS genera una
(López-Santana et al., sistema
el estado de las variables tiempos. Parámetros de las variables: optimización de los
2019)
de tasa de arribo, tasa de Tasa de arribo: Distribución uniforme resultados de los indicadores
servicio y utilización del entre [0.5 min y 1 min]. de desempeño de los
sistema, en un sistema Tasa de servicio: Distribución uniforme modelos analizados desde la
de colas y una red de entre [1.5 min y 3 min]. utilización hasta la longitud
colas por medio de los Reproceso: Probabilidad e un 20% de cola para los clientes y se
modelos tradicionales Se realiza una simulación con cuatro evidencia el rendimiento del
de la disciplina y el métodos: Round Robin (RR), sistema y la red de colas en
ANFIS. Equiprobable, FIS y ANFIS para comparación con la
determinar cuál mejora el rendimiento programación tradicional.
del sistema con valores de pertenencia
bajo, medio y alto.
12 Cost optimization and Investigaron como [V1] Tasa de arribo Se realiza una integración de los cálculos Se evidencia la
ANFIS computing for determinar los factores [V2]Capacidad del de los costos con respecto a la teoría de implementación con éxito
admission control of de control para un sistema colas para identificar el impacto de la del modelo para sistemas
M/M/1/K queue with [V3] Tasa de servicio
27
general retrial times and modelo de colas con [V4] Indicador de lógica difusa en el proceso de monitoreo complejos, demostraron la
discouragement. procesos de arribo que costos mínimo. de la cola de espera. diferencia de los resultados
tienen tiempos Analizando el costo optimo y el control entre cada modelo, y como el
(Sanga & Jain, 2019)
desanimados y de de admisión al sistema por medio de ANFIS se adapta en mayor
reintento por medio de ANFIS. medida a los requerimientos
los enfoques de ANFIS. del sistema.
13 Retrial Queuing System Analizar la gestión de [V1] Tasa de arribo Se establecen los dos tipos de clientes La simulación del sistema en
with Randomized Push- un sistema que presenta [V2] Tipo de clientes con un mecanismo de gestión de búferes el modelo de prioridad de los
Out Mechanism and Non- dos tipos de clientes [V3] Bloqueo de ingreso push-out aleatorio, es decir, un bloqueo clientes permite reducir la
Preemptive Priority.
con un mecanismo de de ingreso para los clientes secundarios cola que se genera y
(Korenevskaya et al., gestión de búferes en el sistema, con respecto a los aumentar el rendimiento del
2019) push-out aleatorio para primarios que tienen prioridad de sistema para maximizar los
los clientes secundarios atención por medio de una formulación beneficios de la
en el sistema por medio matemática que se modela en un organización. De acuerdo
de la teoría de colas. software. con los resultados obtenidos
en la investigación este
modelo incrementa la
efectividad y respuesta de un
sistema con estas
características.
14 Analysis of a single server Analizar el [V1] Probabilidad de un Se implementa un modelo con el método Se evidencia que el modelo
batch arrival unreliable comportamiento de un sistema vacío. de la función generadora de de la función generadora
queue with balking and sistema con una cola de [V2] probabilidad de un probabilidad, donde se establecen las permite identificar cuáles
general retrial time. servidor inactivo.
reintentos, de un solo fórmulas de probabilidad para las son las probabilidades de
(Zirem et al., 2019) [V3] Probabilidad de un
servidor que este sujeto servidor ocupado. situaciones que se pueden presentar en el ocurrencia de las situaciones
28
a averías y tiempo [V4] probabilidad de sistema definido del número de clientes que influyen en el sistema,
reservado, identificando falla en el servidor. en el sistema cuando está inactivo, como pueden ser las averías,
el desempeño del ocupado, en reparación y reservado se reparaciones y reservas que
sistema en situaciones encuentra utilizando la técnica de paran el proceso.
de congestión. variable suplementaria, además que la
estabilidad se alcanza cuando la
utilización es menor que 1.
15 Ships shore service Este documento analiza [V1] Tasa de arribo Teniendo en cuenta la información real Los resultados generados por
optimization using the el uso de la plantilla de [V2] Utilización del que es almacenada en el sistema de la plantilla de Excel
queueing theory. Excel simplificada para sistema mantenimiento, se confirma que es un formulada por los
(Bebic et al., 2019) [V3] Tasa de servicio
la teoría de colas como proceso markoviano y se formula la investigadores permiten la
[V4] Costos de
solución de resolución operación. plantilla con la teoría de colas evaluando optimización de las
de problemas para los indicadores de desempeño partiendo operaciones y costos para
organizar el horario de de las características específicas del este tipo de empresas
los equipos de servicio caso, dado el hecho de que los equipos marítimas con características
internos de de servicio están llegando a el barco similares lo que permite
mantenimiento para (cliente), no al revés. aumentar el nivel de servicio
diésel revisión del a un 96% y apoyar los
generador en un barco. procesos de toma de decisión
con base en el costo de
mantenimiento interno y
externo.
16 Optimisation of service La investigación se [V1]Capacidad de La aplicación de la teoría de colas en el De acuerdo con los
capacity based on centra en la servicio estudio se basa en el sistema de resultados de la simulación
queueing theory. optimización de la [V2] Reparadores mantenimiento de máquinas por parte de del caso se evidencia que la
(Dorda et al., 2019) (servidor)
capacidad de servicio en los reparadores teniendo en cuenta el diferencia entre 9 y 8
29
el área de ingeniería [V3]Costos de costo que genera la operación y las reparadores en el sistema es
mecánica con base en la operación. variables de tiempo de reparación, bajo, mientras que con un
teoría de colas. [V4]Tiempo entre fallas cantidad de máquinas (clientes) y reparador se obtiene una
[V5]Tiempo de
reparadores con una variación en la utilización de
reparación
simulación, el caso se formula con estas aproximadamente el 100% y
características y se basa en redes de Petri con 8 reparadores seria de
como un modelo de cola de fuente 21% cada uno, es decir que
infinita, este modelo se simula en el los tiempos de subutilización
software CPN para realizar el análisis aumentan en este caso.
transitorio y de estado estable de los Además los costos de
indicadores de desempeño. operación se optimizan con 3
reparadores en la empresa.
17 Nonlinear dynamics in Se evalúa el [V1] Longitud de la cola Se describe el comportamiento Se evidencia que el modelo
queueing theory: comportamiento de la [V2] Tiempo en cola cualitativo de las longitudes de la cola y función pendiente presenta
Determining the size of amplitud del retraso de [V3] Información real luego aproximan la amplitud de un menor error en el
oscillations in queues with [V4] Amplitud del
la cola por medio de los oscilaciones mediante el método de resultado, lo cual indica que
delay retraso de la cola
(Novitzky et al., 2019) dos métodos Lindstedt de ecuaciones diferenciales y es óptima la utilización la
establecidos en la el método de función pendiente basado función de pendiente para
investigación con teoría en la teoría de bifurcación, teniendo en predecir la amplitud cuando
de colas de acuerdo con cuenta las variables de decisión de la el retraso es suficientemente
el error en la amplitud teoría de colas en este caso longitud de la mayor que el valor crítico,
de la respuesta al cosa y las tasas de arribo en conjunto con mientras que el método de
sistema. la tasa de servicio. Donde se compara el Lindstedt es preferible
desempeño de las dos técnicas para cuando la demora está cerca
evaluar la estimación de la longitud de la del límite.
cola con el menor error absoluto.
30
18 Queuing Theory and Analizan la eficiencia [V1] Tasa de arribo Teoría de colas Se evidencia la diferencia
Modeling Emergency del sistema de colas en [V2] Capacidad del Establece cuales son las características que presentan los tiempos de
Department Resource un departamento de sistema del sistema en el departamento de llegada como los tiempos de
Utilization. [V3] Tasa de servicio
emergencias teniendo urgencias desde la fuente de llegada de servicios dependiendo el tipo
(Joseph, 2020) en cuenta la teoría de los usuarios al triaje y la tasa de servicio de paciente que asista al
colas como modelo de de las enfermeras encargadas, lugar, con este análisis se
simulación. analizando como la cantidad de identifican los objetivos a
servidores incide en la capacidad del administrar para mejorar la
sistema. respuesta del sistema.
19 Retrial queue with Se analiza el [V1] Proceso de llegada El modelo analiza un sistema de salud de Se evidencia que la longitud
multiple repairs, multiple rendimiento de un [V2]Prioridad de nuevo juicio basado en una cola de de la cola para los dos tipos
services and non sistema que presenta clientes llegada no confiable, para pacientes de cliente aumenta
preemptive priority. [V3] Proceso de avería y
prioridad en la atención prioritarios y ordinarios que pueden proporcionalmente con la
(Bhagat & Jain, 2020) reparación.
y una confiabilidad baja [V4] Rechazo ingresar a la cola de reintentos, por tasa de llegada, mientras el
del servidor por medio [V5] Proceso de servicio medio de la función generadora de número de clientes
de un modelo probabilidad se analizan los estados del disminuye al aumentar la
matemático. sistema. tasa de reparación. En
conjunto estos elementos
permitirían mejorar la
respuesta del sistema de
salud.
20 Transient solution of a Se analiza el [V1]Múltiples Se establece un modelo de análisis Se evidencia que el sistema
heterogeneous queuing comportamiento de un Servidores basado en la función de generación de de colas con servidores
system with balking and sistema de colas con heterogéneos probabilidad técnica, donde se heterogéneos presenta una
catastrophes. [V2] Tasa de arribo
servidores heterogéneos identifican las variaciones que de los menor tasa de regeneración y
(Kumar et al., 2020) [V3] Tasa de servicio
en comparación de un sistemas que tienen retención de clientes se evidencia un mayor
31
sistema con servidores [V4]Probabilidades de acuerdo con sus medidas de desempeño en comparación
homogéneos. estacionarias. desempeño, al analizar la heterogeneidad a los servidores
del sistema y cuál es el efecto de la homogéneos.
modificación de las probabilidades
estacionarias.
32
A partir de esta investigación realizada en el estado del arte, se analizan los estudios
desarrollados recientemente acerca de la integración de sistemas de colas con factores de
variabilidad y un sistema de inferencia difusa, los diferentes autores se enfocan en
realizar un análisis de sistemas simulados por medio de softwares que permitan
identificar el comportamiento de las medidas de desempeño del sistema total, en donde
se identifica la aplicación y optimización de los sistemas con estos modelos en
comparación con modelos tradicionales de la teoría de colas. En la mayoría de los estudios
se analizan con datos aleatorios de los programas, mientras la aplicación en datos reales
es baja dada la caracterización que se debe realizar para clasificar cada una de estas. Sin
embargo, se evidencian pocos artículos de investigación que analicen estos sistemas en
conjunto y en el mayor de los casos se desarrolla el estudio con información real de
sistemas o redes de colas por el requerimiento de una mejora en los procesos o estaciones
de servicio de una organización.
Conviene destacar las variables que son más utilizadas en los estudios como la tasa de
arribo, tasa de servicio y la utilización, las cuales son básicas en los estudios de teorías de
colas para el análisis de los sistemas en conjunto con el desempeño de la capacidad o
rendimiento de los mismos que permite evaluar las mejoras en cada caso. Por esta razón
son pocos los que implementan variables como el reproceso de las entidades en el sistema
o los bloqueos de los servidores, los cuales no se tienen cuenta dad la variabilidad que le
generan a los modelos en la simulación, dado que en la realidad estas situaciones se
presentan cuando falla una máquina, se terminan los insumos de producción o por
diferentes causas lo que incide directamente en la capacidad de respuesta y
comportamiento de estos sistemas. Además, los modelos utilizados en los artículos
referenciados se basan en la mayoría de casos de una programación matemática por medio
de programación lineal, ecuaciones diferenciales, la función generadora de probabilidad
y los modelos de simulación y softwares especializados en la teoría de colas como Matlab
y CPN. Se evidencia la escasa aplicación de la lógica difusa y el Sistema de inferencia
neuro-difuso adaptativo en estos casos de estudio para mejorar el comportamiento de los
sistemas modelado.
Finalmente, se identifican los artículos con mayor relevancia en las bases de datos que
evalúan los sistemas de colas teniendo en cuenta factores de incertidumbre como el
bloqueo, una falla, los reprocesos, la regeneración de clientes y demás actividades que
inciden directamente en el rendimiento de un proceso de manufactura o servicio al cliente.
33
CAPITULO III: MODELO PROPUESTO
En este capítulo se describe el modelo a implementar para el estudio de un problema de

secuenciación de sistemas de colas con el enfoque de la lógica difusa en comparación con
las políticas tradicionales de la teoría, especificando las características de las variables
del sistema de colas y de la red de colas para el análisis.
Como primera medida se establece como ecuación principal del proceso la ecuación de
Kingman con la salida del tiempo de ciclo en el sistema (W) y la entrada de la longitud
de la cola (Ql) en esta variable se tiene en cuenta el bloqueo de las líneas de espera de
acuerdo con la capacidad asignada a cada unidad y la utilización (u):
𝑊 = 𝑉𝑈𝑇 (16)
En conjunto con la ley de Little y su ecuación (1) donde L es el promedio de unidades

que pasan por el sistema y W el tiempo promedio de una entidad en el sistema integrado
teniendo en cuenta también el tiempo de espera, son los indicadores de desempeño más
empleados en el estudio de sistemas de colas, por lo que permiten realizar un análisis
cuantitativo de las variables que intervienen en los procesos, que a su vez son
determinantes para determinar el comportamiento de un sistema de colas y la base
fundamental en este estudio de investigación con la propuesta de establecer la estructura
del Mamdani FIS en la fuzzification y defuzzification de las interfaces, además de
suministrar los datos para la generación del ANFIS con la aplicación del software de
Matlab.
Diseño metodológico
El diseño metodológico del ANFIS que busca dar respuesta al planteamiento del
problema del caso de estudio, se estructura un diagrama de acción para la creación del
Sistema de inferencia neuro-difuso adaptativo, como se evidencia en la figura 5. Teniendo
en cuenta la premisa de realizar el estudio con base en información recolectada de la
simulación discreta de un modelo de colas sin controladores en la cual se identifica la
interacción de las variables en un sistema convencional.
34
Figura 5 Diseño metodológico del ANFIS
En la etapa 1, como primera actividad se estructura el modelo de colas en la herramienta
de SimEvents del entorno de Simulink, Matlab; en el cual se incluye un generador de
entidades conectado con el interruptor de selección de uno de los cuatro servidores los
cuales tienen entidades de colas y una programación de los reprocesos de las entidades
que salen del sistema, el diseño del sistema de colas se realiza sin condicionales en la
selección de los servidores, es decir, no se tiene en cuenta el comportamiento de las
variables objetivo. Enseguida se designan los tres escenarios de análisis del sistema
teniendo en cuenta la variabilidad de la tasa entre llegadas de las entidades al sistema
(baja, media, alta), donde se ejecuta el modelo con 1000 unidades de tiempo en cada uno
de los escenarios para la generación de los datos de los indicadores de desempeño. Con
base en los resultados de la simulación del modelo se forman los conjuntos difusos y
funciones de membresía que correspondan para cada servidor i en la fase j, con un
comportamiento coherente de las variables:
• Utilización (𝑈𝑖,𝑗 )
• Bloqueo de la cola (𝑏𝑖,𝑗 )
• Tiempo de ciclo en el sistema (𝑊𝑖,𝑗 )
• Longitud promedio de la cola (𝑄𝑙𝑖,𝑗 )
En la etapa 2, partiendo de la premisa que no se cuenta con información real de algún

sistema de colas es necesario ejecutar simulaciones con diferentes escenarios, con el
objetivo de recopilar la información y comportamiento de cada una de las variables en
una configuración G/G/4/40, a partir de estos datos se emplea la aplicación Neuro Fuzzy
Designer de Matlab para la generación del ANFIS de las tres variables, se precisa realizar
35
el entrenamiento de error del sistema por medio de dos enfoques de optimización primero
con el método hibrido y enseguida retropropagación como se evidencia en la figura 6, se
realiza la modificación de la cantidad de épocas del entrenamiento del modelo difuso
entre 100, 500 y 1000 para identificar cual es respuesta del sistema generado a partir de
la información.
Figura 6 Selección de método FIS Neuro Fuzzy Designer

Fuente: Elaboración propia entorno Matlab.
Y como complemento de este se formulan las reglas de difusión con el enfoque
recolectada Mamdani el sistema de inferencia difusa (FIS) implementando la aplicación
Fuzzy Logic Designer del mismo software de acuerdo con la figura 7, se establecen las
etiquetas lingüísticas base como “bajo”, “medio” y “alto” en las que se tiene en cuenta el
comportamiento de las variables de entrada y la influencia en la variable de salida, con
los enfoques de los conjuntos difusos como es el triangular, trapezoidal, sigmoidea, entre
otros en el que se establecen los parámetros de la integración de cada una de las variables
y su inferencia en el tiempo de flujo en el sistema, un ejemplo de las reglas de lingüísticas
del tipo condicional si, entonces: “ Si el nivel de utilización del servidor el medio, la
longitud promedio de la cola es media y el nivel de bloqueo del servidor es alto, entonces
el tiempo de flujo es medio”. Este sistema de inferencia difusa se selecciona como un
controlador difuso para el sistema con el objeto de crear un control en las variables
establecidas que sea abierto y discreto.
36
Figura 7 Funciones de pertenencia, Mamdani.
Finalmente, en la etapa 3 se integra al modelo de colas el Sistema de inferencia neuro-
difuso adaptativo y el Controlador difuso Mamdani en la formulación matemática de la
función Matlab que permite realizar la selección del servidor en el ingreso de nuevos
usuarios, con el objetivo de analizar la respuesta del sistema de colas con lógica difusa en
comparación de un sistema libre de controladores.
En el capítulo 3, se describe la generación de los sistemas difusos para un sistema de colas
y la red de colas de acuerdo con la investigación de operaciones y la lógica difusa según
estudios recientes como se evidencia en el diseño metodológico las etapas que establecen
la secuencia de actividades a desarrollar con la aplicación del software Matlab y su
aplicación de diseño de sistemas de lógica difusa, en la cual se determinan los conjuntos
difusos y las funciones de pertenencia de cada una de las variables asociadas al modelo,
en conjunto con el controlador difuso que permite establecer de manera gráfica y
cuantitativa el comportamiento sistemático de los parámetros que compone el modelo
desarrollado.
37
CAPITULO IV: DESCRIPCIÓN GENERAL DEL CASO DE ESTUDIO
En este capítulo se desarrolla el modelo de colas como parte de una continuación o estudio
futuro del artículo de investigación “Scheduling in queueing systems and networks using
ANFIS” realizado por los autores López-Santana, Méndez-Giraldo, & Figueroa-García en
el año 2019 quienes plantean como estudio futuro la integración de nuevas variables y
mas replicas de la simulacion del sistema y red de colas para analizar el comportamiento
de los indicadores de desempeño de cada uno de estos. Por esta razon se continua la
investigacion con las caracteristicas establecidas en este caso de éxito de la aplicación e
integracion de un ANFIS con la teoria de colas. El prototipo modelado inicialmente es un
sistema de colas con una configuración G/G/4/40 sin controladores (distribución
uniforme) un sistema de colas conformado por cuatro servidores con sus correspondientes
filas de espera los cuales cuentan con unas características limitadas de capacidad de
atención según la tasa de arribo general de los clientes o de los productos que ingresan al
sistema para recibir un servicio determinado que cuenta con una tasa de servicio general.
Con el objetivo de generar los datos e información necesaria acerca del comportamiento
de las variables del sistema como primera parte del diseño metodológico del proyecto, se
realiza una réplica del sistema con 1000 unidades de tiempo para cada uno de los tres
escenarios establecidos tanto para el sistema de colas como para la red de colas.
Enseguida se utiliza la aplicación del software Matlab en la creación del ANFIS (con los
datos simulados anteriormente) donde se establecen la cantidad de etiquetas lingüísticas
para las variables en este caso tres: alto, medio y bajo. En conjunto con el análisis del
entrenamiento de error del ANFIS creado donde se busca maximizar la efectividad del
modelo creado, por lo cual se tienen en cuenta dos métodos de optimización del
entrenamiento del error y se analizan tres épocas (100, 500 y 1000). Además de configurar
las reglas difusas para el controlador FIS con base en la estructura fundamental de estos
según las bases teóricas de cada metodología se tiene en cuenta la combinación de las tres
variables con sus etiquetas, lo cual genera 27 reglas para el sistema del ANFIS y el FIS.
Para este caso de estudio se determinan tres variables básicas para analizar en el sistema
las cuales influyen directamente en el funcionamiento de las actividades en todos los
sistemas además de una cuarta que se tiene en cuenta en el modelo sin tener una
información cuantitativa que la represente. Con base en los estudios que se describen en
el marco de referencia se analizan como variables principales: la utilización, la longitud
promedio de la cola y el bloqueo del sistema estas en conjunto generan el tiempo de flujo
en el sistema cada una cuenta con sus indicadores de desempeño que permiten estudiar la
variación que ejercen en el modelo de colas. Por otra parte, la cuarta variable que está
implícita en el sistema es el reproceso de las tareas en el sistema con una probabilidad
asignada por los autores del estudio, teniendo en cuenta que es una actividad que se
realizar constantemente en los sistemas independiente del tipo de tareas se analiza de esta
forma generando una influencia en el modelo.
38
Modelación de sistema de inferencia difusa Mamdani FIS
Como se determinó anteriormente, las variables a evaluar en esta investigación son la

utilización (ρ𝑖,𝑗 ), la longitud promedio de la cola (L𝑖,𝑗 ),, el bloqueo (b𝑖,𝑗 ), y el tiempo de
flujo del sistema (W𝑖,𝑗 ) teniendo en cuenta los índices empleados para la red de colas en
donde se establece la i como el escenario que se analiza y la j establece la estación, así
por medio de conjuntos difusos que permitan corresponder a los requerimientos
eventuales del sistema de colas o red de colas, en este caso se requiere de un controlador
difuso que complemente la función del ANFIS en la respuesta a la capacidad del sistema
para responder a una nueva variación de su comportamiento de acuerdo con la tasa de
arribo de los clientes. Para establecer este controlador se utiliza la aplicación de lógica
difusa del programa Matlab en el cual se crean las tres variables de entrada y la variable
de salida que interactúan en el sistema de estudio como se evidencia en la figura 8, cada
una de estas se integran con el controlador difuso para establecer unos parámetros de
comportamiento entre las posibles situaciones que se presenten en una corrida del modelo.
Figura 8 Mamdani, Controlador difuso

Por esta razón es necesario establecer tres etiquetas lingüísticas para los conjuntos difusos
que determinan un nivel de comportamiento de cada variable que tengan en cuenta las
variaciones del sistema en general, por ejemplo, cuando la capacidad de la cola de los
servidores está al límite se puede decir que se genera un bloqueo alto y de esta forma
establecer una etiqueta cualitativa a una condición que es cuantitativa con base en los
indicadores de desempeño. En esta investigación se seleccionan tres posibles
comportamientos “Bajo”, “Medio” y “Alto” se establecen las posibles combinaciones que
se pueden presentar por etiqueta en el sistema, con las cuales se determina un
comportamiento de la variable de salida que sea coherente con la realidad de los sistemas
de colas y sus teorías básicas en estos casos como se evidencia en la Tabla 3 se genera
una combinación tres por tres con un total de veintisiete reglas difusas en el controlador.
39
Tabla 4. Parámetros funciones de pertenencia Fuzzy Inference System (FIS)
Regla de Longitud Tiempo de
lógica difusa Nivel de Bloqueo del flujo (Variable
promedio de
utilización sistema de salida)
la cola
1 Bajo Bajo Bajo Bajo
2 Bajo Bajo Medio Medio
3 Bajo Bajo Alto Medio
4 Bajo Medio Bajo Bajo
5 Bajo Medio Medio Medio
6 Bajo Medio Alto Alto
7 Bajo Alto Bajo Alto
8 Bajo Alto Medio Alto
9 Bajo Alto Alto Alto
10 Medio Bajo Bajo Bajo
11 Medio Bajo Medio Medio
12 Medio Bajo Alto Medio
13 Medio Medio Bajo Medio
14 Medio Medio Medio Medio
15 Medio Medio Alto Alto
16 Medio Alto Bajo Alto
17 Medio Alto Medio Alto
18 Medio Alto Alto Alto
19 Alto Bajo Bajo Medio
20 Alto Bajo Medio Medio
21 Alto Bajo Alto Alto
22 Alto Medio Bajo Medio
23 Alto Medio Medio Medio
24 Alto Medio Alto Alto
25 Alto Alto Bajo Alto
26 Alto Alto Medio Alto
27 Alto Alto Alto Alto
Las reglas difusas de las variables de entrada permiten parametrizar la conducta de estas
en el modelo establecido, con el objetivo de ampliar las respuestas del sistema ante
situación de este tipo cuantificadas por medio de los indicadores estadísticos
seleccionados en el software. Es necesario resaltar que no todas estas combinaciones
pueden presentarse en la realidad como cuando la utilización tiene un nivel bajo, el
bloqueo del sistema presenta un nivel alto y el promedio de la longitud de cola un nivel
medio.
Estas se grafican por la aplicación como se evidencia en la figura 9. (Se adjunta el
correspondiente archivo del aplicativo nombrado como Anexo 1 Mamdani).
40
Figura 9 Reglas controlador difuso Mamdani
Además, se generan unas graficas de desempeño de las variables en conjunto en este caso
se limita a un plano cartesiano de tres ejes por las características del software las cuales
se asemejan a un comportamiento real en un sistema de colas con estas variaciones como
se evidencia de la figura 10 a la 12, representan la interacción entre los parámetros
analizados de manera coherente.
Figura 10 Grafica Longitud de fila vs utilización vs tiempo de flujo

La figura 10 representa la interacción entre la longitud de la cola y la utilización hacia el
tiempo de flujo en el sistema como se evidencia en la gráfica son variables proporcionales,
es decir, cuando aumenta una de estas se refleja en las otras dos dado que están
interrelacionas en el sistema de colas.
41
Figura 11 Grafica Bloqueo vs utilización vs tiempo de flujo
La figura 11 representa las variables de bloqueo y utilización con respecto al tiempo de

flujo en el sistema para este caso se evidencia una proporcionalidad en las variables de
entrada y salida, dado que incrementan equitativamente en el gráfico.
Figura 12 Grafica Bloqueo vs Longitud de cola vs tiempo de flujo

En la figura 12 se grafica el comportamiento de las variables de bloqueo y longitud de la
cola con respecto al tiempo de flujo, partiendo de la premisa que estas dos variables están
conectadas por la condición de interrelación que presentan.
Modelación de sistema Adaptativo de inferencia difusa ANFIS

El sistema adaptativo de inferencia difusa para su generación requiere de información
cuantitativa de las variables involucradas tanto de entrada como de salida que permitan
identificar las diferentes características de su comportamiento en el modelo, al
estructurarse por medio de la aplicación de Matlab - SimEvents el modelo del sistema de
42
colas seleccionado inicialmente en el estudio, se realizan la ejecución de la simulación
con una distribución uniforme con el objetivo de recolectar los datos para cada uno de los
escenarios establecidos.
El modelo de colas se compone por un generador de entidades, las colas de ingreso a los
servicios y los servidores de atención principalmente, para realizar el registro de los
resultados (información inicial) se realiza la corrida del sistema de colas con sus
características primarias estableciendo las estadísticas de desempeño que correspondan a
las variables a analizar, en seguida se procede a ejecutar el modelo en varias ocasiones
donde se almacenan los datos por corrida para el desarrollo de la siguiente fase en la
construcción del ANFIS.
Como se evidencia en la figura 13 se utiliza la aplicación de Matlab en el entrenamiento
de la información recolectada anteriormente, implementando la generación FIS Grid
partition al establecer tres variables de entrada y una de salida, seleccionando unas
funciones de membresía de (3,3,3) que se complementen con la configuración
determinada en el controlador Mamdani.
Figura 13 Diseño del ANFIS (training data)

A partir de este diseño y generación del ANFIS se construye el Sugeno con sus partes ya
establecidas como se determina en la figura 14 en la cual se unifica el comportamiento de
las variables con el aplicativo del sistema adaptativo de lógica difusa para determinar el
comportamiento de la variable de salida.
43
Figura 14 Variables de entrada y salida ANFIS
Además de una estructura del modelo del ANFIS que se integra de las entradas las
etiquetas lingüísticas, que a su vez sus combinaciones determinan la cantidad de reglas
que tiene el modelo difuso formando una red con cada una de estas como se refleja en la
figura 15.
Figura 15 Estructura del ANFIS

Formulación matemática
De acuerdo con el propósito del estudio realizado en este trabajo las principales variables
de análisis son la utilización (u), la longitud promedio de la cola (q) y el bloqueo del
sistema (b), con estas medidas de desempeño se formula una programación matemática
44
con ecuaciones condicionales de selección del servidor para ingresar la entidad que arriba
al sistema teniendo en cuenta la capacidad de cada uno de los servidores para optimizar
el servicio que se presta en el modelo (la función se encuentra en los modelos del sistema
de colas y red de colas).
Función Matlab
Utilizando el software Matlab se formula cada variable asociada al comportamiento del
sistema con el Mamdani FIS y el ANFIS, en la primera parte de la formulación se
establece la función que lee estos dos controladores difusos por medio del código del
software “readfis”, “evalfis” entre otros, de los cuales se generan las variables resultantes
para el Mamdani (n1, n2, n3 y n4) y ANFIS (nn1, nn2, nn3 y nn4).
A partir de la generación de estas variables con la aplicación de los controladores se
realiza la comparación de los valores generados para cada servidor, esto se establece por
medio de las restricciones condicionales if donde compara los valores de la evaluación
del ANFIS en el sistema, es decir, su valor resultante además de las variables de decisión,
en el caso de seleccionar el primer servidor se emite un mensaje en el cual el valor de la
variable (y) es el número 1, en cambio para los demás seria; 2, 3 o 4 respectivamente.
Donde se selecciona el servidor que tiene menor ocupación de acuerdo con los
indicadores de desempeño y la aplicación del ANFIS.
function [y,uu,ll,yy,ut,ql,data1,b,bl] =
fcn(q1,q2,q3,q4,u1,u2,u3,u4,b1,b2,b3,b4,n)
n1=0;
n2=0;
n3=0;
n4=0;
nn1=0; nn2=0; nn3=0; nn4=0;
coder.Extrinsic('readfis','evalfis','disp','diary',
'load','genfis','anfis','open','matfile');
%a=readfis('FIS_tiempo_flujo_mamdani_ajustado');
%a=readfis('Mandami6');
a1=readfis('Mandami9');
a=readfis('anfis_5');
n1=evalfis([u1,q1,b1], a);
nn1=evalfis([u1,q1,b1], a1);
y1=0;
if nn1<=nn2 && nn1<=nn3 && nn1<=nn4
y1=1;
elseif nn2<=nn1 && nn2<=nn3 && nn2<=nn4
y1=2;
elseif nn3<=nn1 && nn3<=nn2 && nn3<=nn4
y1=3;
else
45
y1=4;
end
p=1;
if p<1
r=rand;
if (n>=40)
if q1<=q2 && q1<=q3 && q1<=q4
y=1;
elseif q2<=q1 && q2<=q3&& q2<=q4
y=2;
elseif q3<=q1 && q3<=q2&& q3<=q4
y=3;
else
y=4;
end
else
if r<=0.25
y=1;
elseif r<=0.5
y=2;
elseif r<=0.75
y=3;
else
y=4;
end
end
else
r=rand;
if (n>=40)
if n1<=n2 && n1<=n3 && n1<=n4
y=1;
elseif n2<=n1 && n2<=n3 && n2<=n4
y=2;
elseif n3<=n1 && n3<=n2 && n3<=n4
y=3;
else
y=4;
end
else
if r<=0.25
y=1;
elseif r<=0.5
y=2;
elseif r<=0.75
y=3;
else
y=4;
end
end
end
if (n>=40)
if b1<=b2 && b1<=b3 && b1<=b4
y=1;
elseif b2<=b1 && b2<=b3&& b2<=b4
y=2;
elseif b3<=b1 && b3<=b2&& b3<=b4
y=3;
else
46
y=4;
end
end
%storedata(u1,q1,y);
ut=[u1,u2,u3,u4];
bl=[b1,b2,b3,b4];
data1=[(u1+u2+u3+u4)/4,(q1+q2+q3+q4)/4,(n1+n2+n3+n4)/4,(b1+b2+b3+b4)/4
];
ql=[q1,q2,q3,q4];
uu=[u1,u2,u3,u4];
ll=[q1,q2,q3,q4];
yy=[y,y1];
b=[b1,b2,b3,b4];
disp([uu,ll,n1,n2,n3,n4,yy,y1,b,bl]);
Modelo Sistema de colas

En el estudio se formula un sistema de colas con configuración G/G/4/40 de acuerdo con
la notación de Kendal, en este modelo se determinan 4 servidores de atención al servicio
de las entidades que ingresan al sistema con una tasa de arribo que sigue una distribución
uniforme entre 0.5 y 1 min. Mientras la tasa de servicio sigue una distribución uniforme
entre 1.5 y 3.0 min, además de la probabilidad del reproceso de las entidades de un 20%
con una metodología de fila FIFO (First in First out). Este prototipo es modelado en el
software Matlab con la herramienta SimEvents del entorno de Simulink.
Figura 16 Modelo del Sistema de colas

Fuente: Elaboración propia, SimEvents / Matlab
47
Como parte de la investigación se analiza no solo desde una perspectiva de interacción
por lo cual se analiza la respuesta del modelo en una red de cola compuesta por tres
sistemas de colas conectados por los servicios que se realizan de forma secuencial, como
se puede presentar en un entorno real como en los procesos notariales o bancarios donde
se requiere de diferentes procesos para culminar una actividad general, teniendo en cuenta
que los sistemas de colas se encuentran en todas las estaciones que requieran de esperar
para recibir un servicio determinado.
Modelo Redes de colas
La red de colas está compuesta por tres sistemas de colas con las características
especificadas anteriormente se establece un ingreso dirigido a cada una de las estaciones
desde la primera estación y su probabilidad de reproceso, esto con el objetivo de conocer
el comportamiento del modelo desarrollado del sistema adaptativo de lógica difusa como
se evidencia en la figura 17. (Modelo adjunto en el archivo Anexo 3 Red).
Figura 17 Modelo de la Red de colas

Caso real: Investigación de una red de colas

En la integración de la teoría de colas y el ANFIS de este documento no solo se analiza
en modelos de software, sino también en un sistema real que puede mejorar sus
condiciones de operación y a su vez que optimice sus niveles de atención al cliente. Para
este caso es un sistema de un proceso hospitalario.
Con el objetivo de establecer la efectividad del modelo del sistema de inferencia difusa
desarrollado con las tres variables de entrada seleccionadas, se realiza la aplicación y
análisis en un estudio de caso real implementado en el trabajo de grado de maestría
(Flórez Becerra, 2016) donde el investigador recolecta la información real de un sistema
de servicio administrativo en una entidad promotora de salud y establece las
48
características de estos datos por medio de análisis de entrada y estadística, en donde
identifica el tipo de distribución que sigue la tasa de arribo y la tasa de servicio de cada
estación o proceso que conforman el sistema.
A partir del análisis de estos datos en el estudio se formula un modelo con las mismas
características y se ejecuta una primera simulación discreta con la cual se obtienen los
datos para la generación del ANFIS y una segunda ejecución del sistema donde se
evidencia la efectividad del modelo propuesto para este tipo de sistema, sin embargo, es
necesario resaltar que las entidades de colas no tienen una capacidad finita de trabajos en
cola por lo cual se diferencia de los modelos anteriores. (Modelo adjunto en el archivo
Anexo 7 caso real).
ESCENARIOS
Para el análisis del comportamiento del sistema con respecto a cada una de las políticas
de secuenciación seleccionadas y el ANFIS propuesto es necesario establecer unos
escenarios en los cuales se presenta una variación en el tiempo de arribo de entidades al
sistema identificados con unas etiquetas:
✓ Bajo
✓ Medio
✓ Alto
las cuales a su vez influyen directamente en la tasa de arribo del sistema generando en el
primer caso una alta fluencia de entidades al sistema, por ejemplo, en un sistema bancario
este se presenta al medio día dado que es el momento cuando se presenta mayor
congestión. Para una tasa de arribo media hace referencia a los lapsos de tiempo en que
el sistema tiene una fluencia media de entidades esto se puede dar en el caso del ejemplo
del banco después de las 10 de la mañana y finalmente para una tasa de arribo baja cuando
el tiempo de arribo es alto, es decir que entre el arribo de la primera entidad y la segunda
se encuentra una gran diferencia de tiempo se presenta cuando por ejemplo son las 8 de
la mañana en un banco y los usuarios arriban cada media hora.
Se establecen estos tres escenarios de comparación para la red y sistema de colas con el
objetivo de evidenciar cual es el comportamiento de cada uno con respecto a cada política
y cuál de estas optimiza el servicio del sistema para las entidades de arribo, además de
permitir analizar esa variación en los arribos al sistema.
49
CAPITULO V: RESULTADOS Y ANALISIS
En este capítulo se analizará el comportamiento de un sistema de inferencia difusa

aplicado a un sistema de colas, una red de colas y un estudio de caso real desarrollado en
otro documento, las características de estos modelos se identificaron en el capítulo
anterior de este estudio, de acuerdo con la investigación y estableciendo una comparación
de los resultados obtenidos en las simulaciones ejecutadas para tres escenarios de
diferentes tasas de arribo en los dos casos del sistema y red donde se evidencia la respuesta
del modelo generado y su efectividad con respecto a las políticas tradicionales de
secuenciación.
5.1 Modelo sistema de colas
Se evidencia en el modelo del sistema de colas de la figura 16 algunas de las

características básicas del sistema con una configuración G/G/4/10, disciplina de fila
FIFO con 4 servidores que componen la estación teniendo en cuenta que el proceso de
arribo de las entidades se determina por un tiempo de arribo que sigue una distribución
uniforme para analizar el comportamiento de las políticas se establecen tres escenarios
que modifican el tiempo de arribo en bajo (0.5 y 1.0 min), medio (0.5 y 1.5 min) y alto
(1.0 y 2.0 min), los cuales a su vez determinan la tasa de arribo donde influyen en las
variables de entrada del modelo, los servidores tienen un tiempo de servicio basado en
una distribución uniforme entre 1.5 y 3.0 minutos, con una probabilidad del 20% de
reproceso de las entidades y una capacidad por cada servidor de 10 entidades. (Modelo
adjunto en el archivo Anexo 2 Sistema).
De acuerdo con esta configuración del sistema se ejecuta la simulación con 1000 unidades
de tiempo inicialmente para una distribución uniforme de la secuenciación y enseguida
con las 3 políticas de selección del servidor de atención para las entidades, en este caso
se analiza el modelo que sigue una distribución uniforme a partir del cual se genera la
información inicial para el entrenamiento de los datos con el objetivo de crear el modelo
de ANFIS, cuando se cuenta con la configuración se ejecuta la simulación y las demás
políticas de Round robín y Equiprobable, las cuales se comparan con base en las gráficas
de los indicadores de rendimiento.
Es necesario desarrollar el análisis del entrenamiento de error del ANFIS generado con
el objetivo de mejorar la capacidad de respuesta del modelo, se establece una
comparación de cada escenario señalado de acuerdo con el método de optimización
hibrido y de retropropagación para 100, 500 y 1000 épocas.
5.1.1 ESCENARIO 1
Este escenario establece un tiempo de arribo entre 0.5 y 1.0 minutos siguiendo una
distribución uniforme, como se determinó anteriormente en las siguientes figuras se
evidencia la respuesta del modelo en el entrenamiento de error y en los indicadores de
desempeño seleccionados (Configuración Anfis adjunto en el archivo Anexo 3 Anfis
esc1).
50
Figura 18 Resultados entrenamiento de error escenario 1 sistema de colas en 100
épocas (I) método hibrido y (II) retropropagación
Fuente: Elaboración propia, Neuro Fuzzy Designer / Matlab.

Se realiza el entrenamiento de error con una variación de las épocas para cada método de
optimización como se evidencia en las anteriores figuras 18 a la 20 los resultados
establecen una proporcionalidad en la disminución del error al aumentar la cantidad de
épocas en cada entrenamiento, como en el caso de la figura 20 se evidencia el menor error
con el método retropropagación de 0.068092 con una ejecución del entrenamiento de
1000 épocas.
51
A partir de la generación del ANFIS propuesto y desarrollar los correspondientes
entrenamientos de error se establecen dos características que grafica la aplicación del
software como se evidencia en la figura 21 en (I) se establecen las reglas de decisión que
tiene el modelo y en (II) se representa el comportamiento de las variables de entrada con
respecto a la variable de salida en este caso el tiempo de flujo en el sistema de las
entidades.
Figura 21 Resultados ANFIS propuesto para el escenario 1 del sistema de colas

(I)Reglas de decisión y (II) Grafica de superficie.
Se realiza una simulación con 1000 unidades de tiempo para las tres políticas de
configuración en el sistema de colas donde se evidencia la respuesta de cada una de
acuerdo con las siguientes graficas en los indicadores de desempeño.
52
Figura 22 Resultados Escenario 1 del bloqueo del modelo de colas para: (I) sin
controlador, (II) ANFIS, (III) Round robín y (IV) Equiprobable
Fuente: Elaboración propia, SimEvents / Matlab.
La figura 22 establece la respuesta del sistema con respecto al indicador de bloqueo donde
se evidencia que la simulación (I) sin controlador se presenta un bloqueo en el tiempo
alrededor de 250 en donde finaliza la ejecución del modelo, por otra parte, el (II) ANFIS
completa la ejecución de la corrida sin presentar una interrupción como las política
equiprobable y Round Robin. La figura 23 representa gráficamente el comportamiento
del modelo de acuerdo con la política seleccionada, se evidencia un mayor rendimiento
con la política del ANFIS (II) con una utilización de aproximadamente 1 por la cual se
logra completar la ejecución del modelo en la cantidad de unidades de tiempo establecidas
en comparación de las otras políticas que se bloquean con antelación.
53
Figura 23 Resultados Escenario 1 de utilización del modelo de colas para: (I) sin
Figura 24 Resultados Escenario 1 de longitud de cola del modelo de colas para: (I) sin
Y el ultimo indicador de longitud de cola (Figura 24) representa la variación de las filas
en el sistema en conjunto para los cuatro servidores, los niveles de cola del sistema tienen
una variación media que se aproxima a 5 al aumentar las unidades de tiempo para la
54
configuración ANFIS que es la única que finaliza la ejecución de la simulación, se
evidencia una distribución similar en la cantidad de entidades que hacen filan en cada uno
de los servidores, en cambio para las políticas (III) y (IV) las filas de los servidores no se
integran por el contrario presentan una variación en sus graficas.
En el escenario 1 se presenta una tasa alta de arribo de las entidades al sistema por lo cual
se genera un bloqueo en determinada unidad de tiempo en la política que no tiene un
controlador de entidades, de acuerdo con el comportamiento de cada indicador de
rendimiento la configuración del ANFIS es adecuada para mejorar el desempeño del
modelo en comparación con las demás políticas.
5.1.2 ESCENARIO 2
En este escenario se establece un tiempo de arribo de 0.5 y 1.5 minutos de acuerdo con
una distribución uniforme siendo la tasa media de arribo de las entidades, se ejecuta el
modelo sin controlador una simulación discreta con el objetivo de generar los datos
iniciales que permite desarrollar los siguientes pasos para la creación del ANFIS, en las
siguientes figuras se evidencia los resultados del modelo presentado a partir del
entrenamiento de error, las reglas difusas y la gráfica de superficie, con base en este
modelo se simulan las tres políticas seleccionadas para realizar el análisis comparativo de
acuerdo con los indicadores de rendimiento (Configuración Anfis adjunto en el archivo
Anexo 4 Anfis esc2).

55
Figura 26 Resultados entrenamiento de error escenario 2 en 500 épocas (I) método
hibrido y (II) retropropagación
Fuente: Elaboración propia, Designer Neuro Fuzzy / Matlab.

La generación de la configuración ANFIS se realiza con la aplicación del software Matlab
en el que es necesario desarrollar un entrenamiento error, para establecer
cuantitativamente el error que se genera con los datos seleccionados. En las figuras 25 a
la 27 se representan los resultados de los dos métodos de optimización del programa para
100, 500 y 1000 épocas respectivamente. Se evidencia una disminución del error en los
tres casos al aumentar la cantidad de épocas por entrenamiento al realizar una
comparación de cada una de las gráficas el método hibrido presenta un mayor rendimiento
en comparación con el método de retroprogación con un valor de 0.07435.
56
A partir de la creación del ANFIS en el software se identifican las 27 reglas de decisión
y la gráfica de superficie donde se evidencia el comportamiento que tienen las variables
de entra con respecto al tiempo de flujo en el sistema para una entidad, de acuerdo con la
gráfica (II) la utilización del escenario 2 es menor en comparación del escenario anterior
dado que se disminuye la tasa de arribo para los servidores como se analiza en las
siguientes graficas.
Figura 29 Resultados escenario 2 del bloqueo del modelo de colas para: (I) sin
57
De acuerdo con la figura 29 se evidencia un nivel medio de bloqueo del sistema para la
distribución uniforme y la política equiprobable además de una disminución en la
cantidad de entidades por parte de la política ANFIS y Round Robin aumentando el
ingreso a los servidores esta última mejora el desempeño del modelo.
Figura 30 Resultados escenario 2 de utilización del modelo de colas para: (I) sin
El comportamiento de las gráficas 30 y 31 representa la respuesta del sistema de la
capacidad de los servidores en su utilización además de la longitud de cola de las
entidades para usar la competitividad del sistema y responder a la necesidad de los
clientes con efectividad, para este escenario se presenta una utilización de
aproximadamente 1 de los recursos por medio de la política ANFIS y para las otras
políticas de alrededor de 0.8.
58
Figura 31 Resultados escenario 2 de Longitud de cola del modelo de colas para: (I) sin
El escenario dos establece una tasa de arribo media para el sistema lo que permite tener
un tiempo de holgura entre los arribos de las entidades en comparación con el escenario
uno y para este caso la política que responde a la mejora del sistema es Round robín.
5.1.3 ESCENARIO 3
Este escenario establece un tiempo de arribo de 1.0 y 2.0 minutos de acuerdo con una
distribución uniforme, como se determinó en el capítulo anterior en las siguientes figuras
se grafican los resultados del modelo, la creación del ANFIS con base en los datos
generados a partir de la simulación discreta, el entrenamiento de error, las reglas difusas,
la gráfica de superficie y los indicadores de desempeño seleccionados (Configuración
Anfis adjunto en el archivo Anexo 5 Anfis esc 3).
59

Con base en las figuras 32 a la 34 se analiza el comportamiento del entrenamiento de
error del sistema de inferencia a partir de los datos generados, para este caso en el
escenario 3 el error tiene un valor contaste de 0.0666 en todas las épocas establecidas para
el método hibrido, sin embargo, para el método de retropropagación después de 500
aumenta el error, es decir, que el método de optimización que se ajusta a los
requerimientos del estudio es el hibrido.
60
A continuación, se presenta la configuración de la política ANFIS con las reglas de
difusión generadas en el software y la gráfica de superficie que representa el
comportamiento de las variables de entrada con respecto al tiempo de flujo en el sistema.
En la figura 35 en comparación con los escenarios anteriores disminuye la afluencia en el
sistema lo cual permite responder de manera oportuna a los requerimientos de las
entidades.

61
Figura 36 Resultados escenario 3 de bloqueo del modelo de colas para: (I) sin
Por otra parte, para el escenario tres la figura 36 y 37 se evidencia que el bloqueo del
sistema es bajo debido a la disminución en la cantidad de entidades que ingresan al
sistema y de esta forma se tiene cuenta con el tiempo además de los recursos suficientes
para atender cada entidad en el momento en que ingresa por esta razón, disminuyen la
utilización y la longitud de cola para este escenario independiente de la política que se
está analizando dado que ninguna de los tres indicadores se alcanza una utilización media
de su capacidad.
62
Figura 37 Resultados escenario 3 de utilización del modelo de colas para: (I) sin
Al tener una tasa de arribo baja en el escenario propuesto, se observa a través de la figura
37 que las cuatro graficas presentan un rendimiento de la utilización de aproximadamente
el 0.4, pero se presenta una gran variación entre los servidores en el modelo usando la
política ANFIS esto se puede presentar debido a la ocupación de cada servidor y la
secuenciación establecida en la función Matlab, frente a las demás configuraciones, las
cuales mantienen una variación baja entre sus servidores y constante.
Figura 38 Resultados escenario 3 de longitud de cola del modelo de colas para: (I) sin
63
El rendimiento de la longitud de la cola observado en el escenario 3 no presenta ninguna
variación significativa entre los resultados de las diferentes políticas, como se aprecia en
la figura 38, esto es debió a que al tener una tasa de arribo baja, el sistema no presenta
instantes de tiempo considerables para que se presenten una variación en la longitud de
cola y se verifica por medio de la figura 37 donde es constante la utilización y solo alcanza
la mitad de la capacidad del sistema.
Para el escenario 3 no se evidencia una notable diferencia entre las políticas analizadas,
sin embargo, la política (III) Round robín presenta una menor variación en bloqueo,
longitud de cola y su utilización converge al 0.4 para todos sus servidores. Por lo cual
esta es la política que mejora el rendimiento del sistema con estas características.
Tabla 5 Resumen de los resultados de aplicación de las políticas de secuenciación en el
sistema de colas
Política que
Escenario
optimiza el sistema
Uno ANFIS
Dos Round robín
Tres Round robín
Como se evidencia los resultados de cada escenario y su rendimiento para el sistema, en
dos de los tres escenarios analizados la política de secuenciación round robín es la que
genera una mejora en el desempeño del sistema al disminuir el bloqueo en el sistema e
integrar el nivel de utilización de los cuatro servidores, sin embargo para el caso del 1
escenario el ANFIS presenta resultados relevantes dado que permite la finalización
completa de la simulación con las 1.000 unidades de tiempo y mantiene un nivel de
utilización de aproximadamente un 80%.
5.2 Modelo red de colas
Como se evidencia en la figura 17 el modelo de la red de colas se compone de 3 estaciones

de servicio en las cuales cada una cuenta con cuatro servidores de atención con una
capacidad de 10 entidades por servidor teniendo en cuenta el flujo de entidades dentro de
la Red se establecen unas probabilidades de enrutamiento y de reproceso de cada una de
las estaciones, las entidades o clientes se generan a partir de una distribución uniforme
donde se establecen tres escenarios de estudios con el objetivo de identificar el
comportamiento de la red con diferentes tasas de arribo y la respuesta del sistema de
inferencia difuso a cada uno de estos. A continuación, se adjuntan los resultados de los
indicadores de desempeño correspondientes a la gráfica con distribución uniforme (sin
políticas de secuenciación) y las tres políticas aplicadas a la red de colas (Modelo adjunto
en el archivo Anexo 3 Red).
5.2.1 ESCENARIO 1
Este escenario se configura con una tasa de arribo alta donde la estación 1 tiene un tiempo
de arribo de 0.3 a 1 y la estación 2 de 1 a 3, en la estación tres ingresan las entidades de
64
la estación 1 y 2 por lo cual no cuenta con un generador de entidades, se realiza la
simulación inicial del modelo sin políticas de secuenciación con la cual se obtienen los
datos para la creación del ANFIS correspondiente, se desarrolla en análisis de los
resultados de la ejecución de los modelos por estación en 500 unidades de tiempo para
todos los casos establecidos.
Estación 1
Se evidencia la configuración del ANFIS para el escenario 1 estación 1 en el Anexo 10.
Al ejecutar el escenario 1 en la estación 1, se presenta un bloqueo total del sistema en el
modelo son controlador antes de completarse las 50 unidades de tiempo; la configuración
ANFIS tiene un pico de 4 entidades al comienzo del escenario, pero posterior no vuelve
a presentar picos iguales o superiores a 2; la política equiprobable, presenta mayor
cantidad de picos que la configuración ANFIS, pero ninguno de estos mayores a 4.
65
Figura 40 Resultados de utilización escenario 1, estación 1 del modelo de red para: (I)
sin controlador, (II) ANFIS, (III) Round robín y (IV) Equiprobable
Figura 41 Resultados de longitud de cola escenario 1, estación 1 del modelo de red

para: (I) sin controlador, (II) ANFIS, (III) Round robín y (IV) Equiprobable
66
Como se observa en la figura 40, las políticas round robín y equiprobable tienen una
estandarización de la utilización al final de la simulación de entre el 0.8 y el 1, aunque
este último se estandariza aproximadamente después de las 200 unidades de tiempo, sin
embargo, para la configuración ANFIS se evidencia una diferencia en la distribución de
la utilización de sus servidores y en ese caso el servidor 1 presenta una mayor utilización
en comparación de los demás.
La longitud de la cola en la estación 1 con el escenario 1 presenta mayor fluctuación en
el modelo equiprobable, teniendo 3 de los 4 servidores con un promedio de cola superior
a dos entidades en algún momento de la simulación, a diferencia de ANFIS que solo
presenta un servidor con esa característica y el equiprobable que no la presenta. Es de
destacar que la política equiprobable presenta una menor varianza entre sus servidores a
lo largo de la simulación. Teniendo en cuenta los tres indicadores anteriores en este caso
la política Round robín presenta una uniformidad en el desempeño de la estación 1, en
comparación con las demás políticas que generan mayor variación.
Estación 2
Al igual que en la estación 1, al ejecutar el escenario 1 para la estación 2, el modelo sin
controlador finaliza la ejecución de la simulación antes de completar las 100 unidades de
tiempo, debido a un bloqueo del sistema. Así mismo, los otros tres modelos presentan
67
semejanza con los resultados presentados en la figura 42, pero es de destacar que la
política (III) Round robín no presenta bloqueos superiores a 2 entidades, y la (IV)
equiprobable tiene menor cantidad de bloqueos que la estación 1 con el escenario número
2.
En la figura 43, se puede apreciar una utilización entre el 0.6 y el 0.8 de los servidores de
la política (III) Round robín, teniendo una variabilidad muy baja desde el comienzo de la
simulación, caso contrario con la configuración ANFIS y equiprobable, que presentan
una variabilidad mayor, y el modelo ANFIS no finaliza con una utilización equivalente
entre sus servidores esto se puede dar debido a las restricciones del modelo en la cual se
tiene en cuenta la variación de todos los servidores y se asigna al que presente una menor
cantidad de entidades en los tres indicadores.
68
En la figura 47 se aprecia un promedio de cola más constante durante la simulación de
500 unidades de tiempo, al ejecutar la política Round robín, seguido de la ANFIS, el cual
presenta algunos servidores que distan de un promedio de cero entidades con mayor
facilidad que la configuración anterior; así mismo, la secuenciación equiprobable tiene la
mayor variación entre los modelos que completaron la simulación.
Para el caso de la estación 2 la política (III) Round robín genera un mayor rendimiento
de los servidores para todos los indicadores de desempeño analizados anteriormente
donde los niveles de bloqueo son bajos, la utilización converge a un valor de 0.6 y la
longitud de cola se mantiene estable entre 0 y 1.
Estación 3
De manera similar a las demás estaciones presentadas anteriormente en el escenario 1, el
modelo de distribución uniforme (I) o sin controlador presenta un bloqueo que impide la
continuación del modelo antes de las 50 unidades de tiempo; la configuración ANFIS y
round robín tienen la menor cantidad de bloqueos, siendo solo para 2 y 1 servidores
respectivamente superior 2 entidades al comienzo de la simulación; la política
equiprobable presenta la mayor cantidad de bloqueos entre las configuraciones que
completan la simulación, sin embargo, no supera 8 entidades a la vez en el sistema.
69
70
Como se aprecia en la figura 46, la configuración ANFIS presenta el servidor con la
mayor utilización, siendo muy cercano al 1, pero en contraparte también presenta el
servidor con la menor utilización (inferior al 0.2 al final de la simulación); las
configuraciones round robín y equiprobable tienen a estabilizar la utilización de todos sus
servidores cerca al 0.8. A diferencia de cómo se observa en la figura 47, la política
equiprobable tiene un promedio de longitud de cola rondando las dos entidades, mientras
que la Round robín tiene tendencia a tener una longitud de cola cerca a cero entidades.

En términos generales la política de secuenciación (III) Round robín presenta un mayor
desempeño para el escenario 1 en las tres estaciones de servicio y sus correspondientes
indicadores de rendimiento.
5.2.2 ESCENARIO 2
Para el escenario 2 se establece una tasa de arribo media con una distribución uniforme
en las estaciones 1 y 2, donde la estación 1 tiene un tiempo de arribo de 0.5 a 1.5 y la 2
de 1.5 a 3.5, todos los servidores del modelo se configuran con un tiempo de servicio que
sigue una distribución uniforme de 1.5 a 3.5 unidades de tiempo.
Estación 1
De acuerdo con las figuras 48 a la 50 los indicadores están representando los resultados
para la estación uno en el escenario dos es necesario tener en cuenta que es la tasa de
arribo media en la cual el modelo inicialmente presenta un alto nivel de bloqueo (figura
71
48) de entidades para el ingreso a los servidores y se evidencia una mejora en el
comportamiento de la variable al ejecutar las políticas ANFIS (II) y Round Robin (III)
sin embargo esta última minimiza en mayor medida la cantidad de bloqueo para todos los
servidores y notablemente para el 1 que se representa por el color azul.
72
En este caso el modelo presenta una variación en la selección de los servidores donde se
evidencia una mayor utilización en los servidores 1 y 4 en comparación con el 2 y el 3,
Como se observa en la figura 49, las políticas equiprobable y round robín tienen una
tendencia de la utilización al final de la simulación de entre el 0.8 y el 1, aunque este
último se estandariza aproximadamente después de las 200 unidades de tiempo.

En las figuras 49 y 50, la longitud de cola presenta su mayor valor en la política (II) y
(IV) en comparación con la política (III), en este caso la política Round robín genera un
mayor rendimiento en el sistema en donde se evidencia una disminución de la fila y la
utilización además de unificar los cuatro servidores hacia aproximadamente 0.6
En términos generales la estación 1 presenta un mayor desempeño con la política Round
robín de acuerdo con las gráficas anteriores de los indicadores de desempeño para el caso
del escenario 2.
Estación 2
El modelo presentado en la estación 2 ejecutando el escenario 2, presenta niveles de
bloqueo del sistema inferiores a 6 con la configuración (I) sin controlador o con una
distribución uniforme, por otra parte, disminuye la cantidad para inferiores a 4 en la
política equiprobable, sin embargo, las configuraciones con menor variación son (II) y
(III) como se aprecia en la figura 51, pero cabe destacar que la configuración Round robín
presenta un mejor rendimiento que el ANFIS.
73
En la figura 52, se puede apreciar una utilización entre el 0.6 y el 0.8 de los servidores de
la política (III) Round robín, teniendo una variabilidad muy baja desde el comienzo de la
74
simulación, caso contrario con las configuraciones ANFIS y equiprobable, que presentan
una variabilidad mayor, y el modelo ANFIS no finaliza con una utilización equivalente
entre sus servidores, esto puede ser un resultado de las restricciones de selección
establecidas en la función Matlab donde se analiza el comportamiento de todos los
servidores y se selecciona de acuerdo con los valores de todos los indicadores.

En la figura 53 se aprecia un promedio de cola constante durante la simulación, en la
política Round robín, seguido de la política ANFIS, el cual presenta algunos servidores
que distan de un promedio de cero entidades con mayor facilidad que la secuenciación
(III); así mismo, la política equiprobable tiene la mayor variación entre los resultados de
las gráficas que completaron la simulación.
Para este caso de la estación 2 se evidencia un mejor desempeño al ejecutar la simulación
con la política de secuenciación Round robín de acuerdo con las graficas anteriores, los
resultados presentados para la configuración ANFIS se acercan a esta, sin embargo, tiene
una mayor variabilidad.
Estación 3
A diferencia de la estación 2, en la estación número 3 al simular el escenario 2, presenta
una mayor cantidad de bloqueos en todas las configuraciones, siendo más parecida a la
estación 1; observando la figura 54, se tiene que la secuenciación sin controlador presenta
un pico superior a 8 entidades en el servidor 3, llegando casi a la capacidad máxima del
sistema. La configuración (II) ANFIS tiene un pico superior a 4 entidades al comienzo de
la simulación, al igual que la política (IV) equiprobable, pero siendo este igual a 6 y
teniendo mayor cantidad de fluctuaciones oscilantes entre 2 y 6 unidades, y a diferencia
75
de todas las configuraciones, la política de secuenciación (III) round robín no presenta
bloqueos iguales o mayores a dos entidades.
76
Como se observa en las otras 2 estaciones al ejecutar un escenario con una tasa de arribos
media, la política (III) Round robín es el que menor variación tiene entre sus servidores
y se estandariza con una utilización cercana al 0.6, mientras la política (II) ANFIS
presenta la mayor variación entre sus servidores oscilando entre el 0 y el 0.8 de utilización
al final de la simulación.

Como se observa en la figura 56, la configuración que mantiene un menor promedio de
longitud de cola entre todos sus servidores es la (IV) equiprobable, tendiendo a
mantenerse cercana a cero; las configuración (II) ANFIS y (III) Round robín tienen mayor
variación entre servidores, pero se mantiene una longitud de cola muy cercana a cero
entidades; y en contraparte la simulación inicial (I) sin controlador presenta un alza en el
promedio llegando a dos entidades en un servidor casi al final de la simulación.
De acuerdo con los análisis anteriores para el escenario 2 la política de secuenciación de
Round robín presenta un mejor resultado para los tres indicadores de desempeño al
disminuir la variación del bloqueo y la longitud de cola por otra parte integra la utilización
en aproximadamente 0.6 para todos los servidores.
5.2.3 ESCENARIO 3
Para el escenario 3 se establece una tasa de arribo media con una distribución uniforme
en las estaciones 1 y 2, donde la estación 1 tiene un tiempo de arribo de 1.0 a 2.0 y la 2
de 2.0 a 4.0, todos los servidores del modelo se configuran con un tiempo de servicio que
sigue una distribución uniforme de 1.5 a 3.5 unidades de tiempo.
77
Estación 1
Si se compara la estación 1 en los tres escenarios presentados en la figura 33 (escenario
1), figura 42 (escenario 2) y figura 57 (escenario 3), se observa que, a diferencia de los
escenarios con tasa de arribo alta y media, en donde las políticas de (II) ANFIS y (III)
Round robín tenían la menor cantidad de bloqueos en frecuencia o cantidad, en el
escenario 3 (tasa de arribo baja) la política (IV) equiprobable es quien presenta las
mejores características. He igualmente la simulación (I) Sin controlador que presentaba
la tasa de bloqueos más alta o que no permitía ejecutar el escenario en su totalidad, se
presenta en este escenario como una mejor alternativa que la configuración Round Robín
y ANFIS, ya que no presenta bloqueos mayores a 6 entidades antes de las 50 épocas y
posterior a ellas sus bloqueos son menores o iguales a 2 entidades.
78

79
Como se aprecia en la figura 58, las configuraciones Round robín, sin controlador y
equiprobable, estandarizan la utilización de sus servidores a lo largo de la simulación (0.8,
0.6 y 0.4 respectivamente) a diferencia del ANFIS el cual tiene utilizaciones de servidores
que oscilan entre el 0.4 y 1.
Referente a la longitud de cola presentada en la estación 1, ejecutando el escenario 3, la
configuración equiprobable presenta la menor varianza y el menor promedio de longitud
de cola entre los cuatro modelos; el modelo Round robín, tiene la mayor variabilidad entre
sus servidores, pero estandarizándolos muy cercano a 2 entidades en cola al final de la
simulación.
ESTACIÓN 2
Al igual que en la estación 1, en la estación 2 al presentar el escenario 3, se tiene que la
configuración Round robín presenta el mayor número de bloqueos, siendo la única que
supera las cuatro entidades a la vez en el sistema; por otro lado y como se observa en la
figura 60, la configuración ANFIS, sin controlador y equiprobable presentan sola mente
un pico que supera las dos entidades en el sistema, y en el orden en que se mencionan, se
tiene de mayor a menor cantidad de bloqueos en el sistema.
80

81
Como se observa en la figura 61, el modelo ANFIS presenta la mayor tasa de variación
en la utilización de sus servidores, teniendo dos de estos en una utilización entre el 0.8 y
el 1, un tercer servidor con una utilización superior al 0.4 y el último inferior al 0.2. Por
otro lado, las demás configuraciones se estandarizan en una utilización del 0.4 (sin
controlador y equiprobable) y 0.6 round robín.
Finalmente, para el tercer indicador, se aprecia en la figura 62 que el modelo sin
controlador es el que presenta la menor fluctuación entre los servidores y tiene una
tendencia al igual que el modelo equiprobable a tener una cola alrededor de cero
entidades. Por otro lado, las configuraciones ANFIS y round robín, tienen mayor
variabilidad a lo largo de la simulación, y el promedio de la longitud de la cola entre los
servidores se encuentran entre 0 y 2 entidades.
ESTACIÓN 3
De igual forma a como se vio anteriormente, el ejecutar el escenario 3, la estación 3
presenta con el modelo round robín una mayor tasa de bloqueos que los demás modelos,
adicionalmente en la figura 57 se aprecia que la configuración equiprobable presenta la
menor cantidad de entidades en cola, no siendo mayores o iguales a 4 en ningún momento.
82
Referente a la utilización de los servidores, es posible apreciar a través de la figura 58 que
el modelo de Round robín presenta un promedio de utilización de 0.8 con la menor
variabilidad, aunque es de destacar que el modelo ANFIS presenta dos servidores con
casi un 1 de utilización de recursos, seguido de un servidor por debajo del 0.8 y otro por
encima del 0.4. Por otro lado, la configuración sin controlador se posiciona de terceras en
la utilización, dado que presenta un promedio de utilización de sus servidores del 0.6,
mientras que, el modelo Equiprobable a pesar de tener una alta fluctuación del indicador
entre el tiempo 50 y 250, se estandarizan 3 de sus 4 servidores, terminando la simulación
con una utilización superior al 0.4 y el cuarto servidor entre el 0.3 y el 0.4.
83
Finalmente, para la estación 3, al simular el escenario 3, se determina que el modelo
Round Robin al igual que en la estación 1, presenta la mayor varianza entre sus servidores,
tendiendo todos estos a tener un promedio cercano a dos entidades en cola en todo
momento; por otro lado, los modelos restantes presentan poca fluctuación a lo largo del
escenario, y tienen un promedio de longitud de cola cercano a cero entidades.
Para este escenario y sus tres estaciones la política (IV) Equiprobable es la única que logra
generar unos valores bajos en sus niveles de bloqueo, utilización y longitud de cola, lo
cual hace que sea la mejor configuración para la red de colas
En conclusión, la red de colas presenta diferentes desempeños del sistema de acuerdo con
el tipo de escenario que se analice y la política de secuenciación aplicada por lo cual fue
necesario integrar los resultados en la siguiente tabla resumen de cuál fue la política que
mejora el rendimiento del sistema con respecto a la simulación inicial de la red.
Tabla 6 Resumen de los resultados de aplicación de las políticas de secuenciación en la
red de colas
Política que
Escenario
optimiza la red
Uno Round robín
Dos Round robín
Tres Equiprobable
84
CASO REAL
Con el objetivo de establecer la efectividad del modelo del sistema de inferencia difusa
desarrollado con las tres variables de entrada seleccionadas, se realiza la aplicación y
análisis en un estudio de caso real implementado en el trabajo (Flórez Becerra, 2016) se
recolecta información real de un sistema de servicio administrativo en una entidad
promotora de salud, a partir de los datos obtenidos en el estudio se formula un modelo
con estas características se realiza una simulación discreta con la cual se obtienen los
datos para la generación del ANFIS y una segunda ejecución del sistema donde se
evidencia la efectividad del modelo propuesto para este tipo de sistema, sin embargo, es
necesario resaltar que las entidades de colas no tienen una capacidad finita de trabajos en
cola por lo cual se diferencia de los modelos anteriores. (Modelo adjunto en el archivo
Anexo 7 caso real).
Figura 66 Modelo sistema de caso de estudio de un proceso hospitalario

Fuente: Elaboración propia a partir de (Flórez Becerra, 2016), SimEvents / Matlab
La red de colas cuenta con dos procesos de mayor capacidad: la radicación y la
pertenencia además de procesos adicionales para el desarrollo de la actividad
administrativa, por lo cual se seleccionan estos dos para la generación y aplicación de la
configuración ANFIS de acuerdo como se ha establecido en este estudio. Inicialmente se
ejecuta el modelo para 500 unidades de tiempo y una distribución uniforme o sin
controlador para la generación de los datos iniciales que es requerida en la creación del
ANFIS.
A partir de este paso se realiza el entrenamiento de error para las dos estaciones como se
evidencia a continuación en las figuras y se implementan los dos métodos de
optimización. Enseguida se ejecuta el modelo con el ANFIS y se toma un registro de los
resultados obtenidos en los indicadores de desempeño. (Configuración Anfis adjunto en
el archivo Anexo 8 Anfis rad).
85
En este caso el error en la generación del ANFIS es bajo y el método que optimiza este
error es el hibrido con 0.0564 para 1000 épocas, como se había establecido anteriormente
la relación entre la cantidad de épocas y la disminución del error.
Figura 67 Resultados de la generación del ANFIS en el entrenamiento de error con 1000

épocas con el método de optimización (I) hibrido (II) Retropropagación.
Estación de radicación
Figura 68 Resultados del sistema de caso de estudio del indicador de bloqueo para la
estación de radicación (I) sin controlador y (II) ANFIS.
De acuerdo con la figura 68 no se evidencia una diferencia entre las dos simulaciones
realizadas para el indicador de bloqueo dado que se ejecuta el modelo de acuerdo con las
características iniciales establecidas en el estudio (Flórez Becerra, 2016) por esta razón
no se cuenta con la información suficiente para establecer si la configuración ANFIS
mejora el sistema.
86
estación de radicación (I) sin controlador y (II) ANFIS.
Para el caso del indicador de utilización y la longitud de cola la similitud entre las gráficas
es alta dado que al ejecutar la simulación con la configuración ANFIS por una parte se
integra la utilización de los servidores en menores unidades de tiempo, sin embargo,
converge al mismo valor de 0.8 aproximadamente. Mientras la longitud de cola se
dispersa los valores generados para los 4 servidores y presenta una alta variación, por lo
cual no es una política que mejore el rendimiento del sistema para este caso.
Figura 70 Resultados del sistema del caso de estudio del indicador de longitud de cola
para la estación de radicación (I) sin controlador y (II) caso de estudio ANFIS.
Estación de pertenencia
Para la segunda estación de la red de colas se presenta una situación simular como en la
anterior estación se realiza un análisis de los resultados obtenidos. (Configuración Anfis
adjunto en el archivo Anexo 9 Anfis per).
87
Figura 71 Resultados del sistema del caso de estudio del indicador de bloqueo para la
estación de pertenencia (I) sin controlador y (II) caso de estudio ANFIS.
Esta estación se compone por tres servidores los cuales presentan un alto nivel de bloqueo
al inicio de la simulación y en el caso del (II) ANFIS es notable en la figura 71 la variación
en la selección del servidor 1 el cual presenta un mayor nivel de bloqueo con respecto a
los demás.
De acuerdo con las figuras 72 la utilización de la estación se altera notablemente para la
configuración ANFIS donde se selecciona con mayor frecuencia el primer servidor lo
cual genera una evidente variación con una mayor utilización mientras los otros
servidores convergen a 0.4 lo cual no alcanza la capacidad media del sistema, en cambio
para la simulación (I) converge la utilización de todos los servidores a 0.6. Y finalmente
en la longitud de cola presenta una mayor cola en el ANFIS.
88
De acuerdo con las anteriores graficas se evidencia que la configuración ANFIS para el
caso de estudio real no tiene las características suficientes para mejora el rendimiento del
sistema por el contrario se evidencia una notable variación en sus indicadores. Este
resultado puede estar dado por la limitación de la información del sistema y la cantidad
de datos que permitan establecer con efectividad las fluctuaciones de las variables que
intervienen en el sistema.
89
CAPITULO VI: CONCLUSIONES Y RECOMENDACIONES
Conclusiones
De acuerdo con los resultados presentados en el capítulo anterior para la primera parte
del estudio donde se realiza el análisis comparativo del ANFIS y políticas de
secuenciación tradicionales para un sistema de colas se evidencia diferencias entre los
escenarios establecidos, donde en el caso del escenario 1 en el cual presenta una tasa de
arribo alta la configuración propuesta de ANFIS mejora el rendimiento del sistema, sin
embargo, para los siguientes escenarios no se presenta el mismo comportamiento y la
política Round robín es la que genera una menor variación en los indicadores de
desempeño además de una unificación en el rendimiento y utilización de todos los
servidores, lo cual genera una optimización en la prestación del servicio del sistema.
A partir de estos resultados es necesario resaltar la efectividad del ANFIS para situaciones
de mayor congestión en el sistema como es el caso del escenario 1 donde se presenta un
aumento en los arribos de entidades por lo que se generan líneas de espera y ocupación
del sistema, se evidencia una mejora al tener en cuenta que el ANFIS logra una ejecución
de la simulación completa en las 1000 unidades de tiempo en comparación con las demás
configuraciones y su respuesta a las variables de entrada se bloquea, es decir, responde al
requerimiento de los clientes o productos que se encuentran en cola permitiendo disminuir
los tiempos de espera en el sistema, sin embargo, para el siguiente escenario se ajustan
las políticas tradicionales dado que se evidencia una mejora en el rendimiento de las
variables analizadas como es la disminución en la cantidad de entidades en espera y de
manera proporcional del bloqueo.
Como resultado del estudio de la red de colas que se compone por tres estaciones de
servicio donde también se analizan los tres escenarios con la variación de la tasa de arribo,
en este caso el modelo propuesto ANFIS no genera una mejora en más de un 80% de las
simulaciones al analizar el comportamiento individual de las estaciones y los escenarios
establecidos como consecuencia se evidencia una notable mejora del sistema al disminuir
el promedio de la longitud de cola, el bloqueo en cada estación y por su parte aumentar
el aprovechamiento de los recursos existentes con la configuración Round robín de
acuerdo con los resultados del escenario 1 en todas sus estaciones, esto se puede presentar
dada la limitación de las características del sistema en donde solo se analizan tres
variables de entrada y no se pueden cuantificar más factores que intervienen en un sistema
real.
Además del análisis del caso de estudio de (Flórez Becerra, 2016) donde se observa una
mínima variación en la disminución del bloqueo y el promedio de la longitud de cola que
presenta el proceso por lo cual no es suficiente para afirmar la efectividad del ANFIS para
este sistema real, sin embargo, es necesario resaltar que las características iniciales de este
estudio no tienen en cuenta el bloqueo del sistema y una limitación en la capacidad de
atención de las entidades que arriban al sistema por lo cual pueden generar estos
resultados.
Para concluir este estudio se destaca efectividad de la aplicación de un sistema de
inferencia difusa ANFIS para sistemas que presenten altos niveles de bloqueo y/o
90
congestión en sus líneas de espera, esta situación se presenta en eventos cotidianos dadas
las actuales políticas de salud en donde no se permite el ingreso de más de 20 personas a
un lugar cerrado como puede ser una entidad bancaria, un restaurante entre otros, lo cual
puede ocurrir por ejemplo en horas pico cuando no se permite el ingreso de más personas
y para cada una puede aumentar el tiempo de espera dependiendo de la posición que
ocupe en la cola, el sistema al establecer una selección del agente que presenta el servicio
de acuerdo con su rendimiento permite disminuir el tiempo de espera y estos a su vez el
bloqueo y el promedio de la longitud de cola donde la utilización aumenta.
Por otra parte, en los casos donde se presentan tasas media y baja de arribo se puede
manejar la atención de las entidades en el sistema empleando los métodos tradicionales
de la teoría dado que si mejoran el comportamiento de las variables como es la utilización
y el bloqueo del sistema además del rendimiento general del mismo como se reflejó en
los indicadores de desempeño del capítulo anterior.
Entonces las aplicaciones prácticas de este tipo de sistemas en contextos reales se puede
presentar en sistemas como líneas de producción que implementan sensores de
movimiento para establecer la secuencia de los productos de acuerdo con la etapa del
proceso en la cual se encuentre como es por ejemplo cuando se etiqueta una crema se
requiere de una selección instantánea de la banda transportadora que debe seguir el
producto de acuerdo con la disponibilidad de las maquinas conectadas de esta manera
disminuye la cantidad de unidades en cola y mejora la capacidad de producción de la
línea. Otra posible aplicación se puede dar en semáforos de puntos con mayor fluencia
vehicular en el cual se regule el cambio de las luces de acuerdo con el tráfico que se
presente.
Trabajos futuros
Finalmente, los estudios siguientes a desarrollar es analizar y caracterizar un sistema real
de colas con un sistema de inferencia lógica difusa donde es importante identificar cuáles
son las variables que intervienen en mayor proporción en el proceso o atención, además
de una recolección de datos suficiente como puede ser una cantidad superior a 100
unidades de tiempo dado que en este caso genera una limitación para el estudio de los
sistemas. Además, se puede realizar un cambio en la configuración del sistema de
inferencia donde se analicen una menor cantidad de reglas de inferencia que se presenten
de acuerdo al caso o así mismo aumentar la cantidad de variables de entrada que influyen
directamente en el comportamiento del sistema en general.
91
BIBLIOGRAFIA
Azadeh, A., Faiz, Z.S., Asadzadeh, S.M., Tavakkoli-Moghaddam, R. (2011). An

integrated artificial neural network-computer simulation for optimization of
complex tandem queue systems. Math. Comput. Simul, 82, 666–678.
https://doi.org/10.1016/j.matcom.2011.06.009
Baldwin, R. O., Davis IV, N. J., Midkiff, S. F., & Kobza, J. E. (2003). Queueing
network analysis: concepts, terminology, and methods. Journal of Systems and
Software, 66(2), 99–117. https://doi.org/https://doi.org/10.1016/S0164-
1212(02)00068-7
Bebic, D., Stazic, L., & Komar, I. (2019). Ships shore service optimization using the
queueing theory. International Journal of Simulation Modelling, 18(4), 596–607.
https://doi.org/10.2507/IJSIMM18(4)488
Bhagat, A., & Jain, M. (2020). Retrial queue with multiple repairs, multiple services
and non preemptive priority. Opsearch, 57(3), 787–814.
https://doi.org/10.1007/s12597-020-00443-y
Bouchentouf, A. A., & Messabihi, A. (2018). Heterogeneous two-server queueing
system with reverse balking and reneging. Opsearch, 55(2), 251–267.
https://doi.org/10.1007/s12597-017-0319-4
Chen, H., & Ye, H. Q. (2016). An Examination of Some Factory Physics Principles.
Journal of the Operations Research Society of China, 4(2), 131–145.
https://doi.org/10.1007/s40305-015-0115-x
Chude-Olisah, C. C., Chude-Okonkwo, U. A. K., Bakar, K. A., & Sulong, G. (2013).
Fuzzy-based dynamic distributed queue scheduling for packet switched networks.
Journal of Computer Science and Technology, 28(2), 357–365.
https://doi.org/10.1007/s11390-013-1336-2
Correa-Henao, G. J., & Montoya-Suárez, L. M. (2013). Aplicación del modelo ANFIS
para predicción de series de tiempo. Lámpsakos, 9, 12–25.
Dorda, M., Teichmann, D., & Graf, V. (2019). Optimisation of service capacity based
on queueing theory. MM Science Journal, 2019(October), 2975–2981.
https://doi.org/10.17973/MMSJ.2019_10_201889
Flórez Becerra, G. (2016). Diseño de un Sistema Multiagente de Programación de
Tareas Basado en Técnicas de Inteligencia Artificial y Simulación Discreta para
Sistemas de Servicio Tipo Red de Colas Multi-Clase.
Hum, S. H., Parlar, M., & Zhou, Y. (2018). Measurement and optimization of
responsiveness in supply chain networks with queueing structures. European
Journal of Operational Research, 264(1), 106–118.
https://doi.org/10.1016/j.ejor.2017.05.009
Jain, M., & Sanga, S. S. (2017). Performance modeling and ANFIS computing for finite
buffer retrial queue under F-policy. Advances in Intelligent Systems and
Computing, 547, 248–258. https://doi.org/10.1007/978-981-10-3325-4_25
Jang, J. S. R. (1993). ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE
Transactions on Systems, Man and Cybernetics, 23(3), 665–685.
92
https://doi.org/10.1109/21.256541
Joelianto, E., & Rahmat, B. (2008). Adaptive Neuro Fuzzy Inference System (ANFIS)
with Error Back propagation Algorithm using Mapping Function. International
Journal of Artificial Intelligence, 1(A08).
Joseph, J. W. (2020). Queuing Theory and Modeling Emergency Department Resource
Utilization. Emergency Medicine Clinics of North America, 38(3), 563–572.
https://doi.org/https://doi.org/10.1016/j.emc.2020.04.006
Jung Bok Jo, Y. Tsujimura, M. G. y G. Y. (1994). A network model based on fuzzy
queueing system. IEEE 3rd International Fuzzy Systems Conference, Orlando, FL,
3, 1951–1956. doi: 10.1109/FUZZY.1994.343551.
Kendall, D. G. (1953). Stochastic Processes Occurring in the Theory of Queues and
their Analysis by the Method of the Imbedded Markov Chain. The Annals of
Mathematical Statistics, 24(3), 338–354. https://doi.org/10.1214/aoms/1177728975
Kingman, J. (1961). La cola de servidor único en el tráfico pesado. Procedimientos
Matemáticos de La Sociedad Filosófica de Cambridge, 57(4), 902–904.
https://doi.org/https://doi.org/10.1016/j.procs.2019.02.016
Korenevskaya, M., Zayats, O., Ilyashenko, A., & Muliukha, V. (2019). Retrial Queuing
System with Randomized Push-Out Mechanism and Non-Preemptive Priority.
Procedia Computer Science, 150, 716–725.
https://doi.org/https://doi.org/10.1016/j.procs.2019.02.016
Kumar, R., Sharma, S., Soodan, B. S., Vijaya Laxmi, P., & Som, B. K. (2020).
Transient solution of a heterogeneous queuing system with balking and
catastrophes. In Reliability: Theory and Applications (Vol. 15, Issue 1). Springer
International Publishing. https://doi.org/10.24411/1932-2321-2020-11004
Lalis J.T, G. B. . and B. Y. (2014). An Adaptive Stopping Criterion for
Backpropagation Learning in Feedforwad Neural Network. International Journal
of Multimedia and Ubiquitous Engineering, 9(8), 149–156.
Li, Y., Gao, X., Xu, Z., & Zhou, X. (2018). Network-based queuing model for
simulating passenger throughput at an airport security checkpoint. Journal of Air
Transport Management, 66, 13–24.
https://doi.org/10.1016/j.jairtraman.2017.09.013
Little, J. D. C., & Graves, S. C. (2008). Little’s law. In International Series in
Operations Research and Management Science (Vol. 115, pp. 81–100). Springer
New York LLC. https://doi.org/10.1007/978-0-387-73699-0_5
Liu, D., & Ge, Y. E. (2018). Modeling assignment of quay cranes using queueing theory
for minimizing CO2 emission at a container terminal. Transportation Research
Part D: Transport and Environment, 61, 140–151.
https://doi.org/10.1016/j.trd.2017.06.006
López-Santana, Franco, & Figueroa-Garcia. (2017). A fuzzy inference system to
scheduling tasks in queueing systems. Lecture Notes in Computer Science
(Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics), 10363 LNAI, 286–297. https://doi.org/10.1007/978-3-319-63315-
2_25
93
López-Santana, Méndez-Giraldo, & Figueroa-García. (2019). Scheduling in queueing
systems and networks using ANFIS. In Studies in Fuzziness and Soft Computing
(Vol. 377, pp. 349–372). Springer Verlag. https://doi.org/10.1007/978-3-030-
10463-4_18
Mamdani, S. A. (1975). An experiment in linguistic synthesis with a fuzzy logic
controller. International Journal of Man-Machine Studies, 1, 1-13.
Melamed, B. (1979). Characterizations of Poisson traffic streams in Jackson queueing
networks. Advances in Applied Probability, 11(2), 422–438.
https://doi.org/10.2307/1426847
Mucsi, K., Khan, A. M., & Ahmadi, M. (2011). An Adaptive Neuro-Fuzzy Inference
System for estimating the number of vehicles for queue management at signalized
intersections. Transportation Research Part C: Emerging Technologies, 19(6),
1033–1047. https://doi.org/https://doi.org/10.1016/j.trc.2011.05.016
Novitzky, S., Pender, J., Rand, R. H., & Wesson, E. (2019). Nonlinear dynamics in
queueing theory: Determining the size of oscillations in queues with delay. SIAM
Journal on Applied Dynamical Systems, 18(1), 279–311.
https://doi.org/10.1137/18M1170637
Pender, J., Rand, R. H., & Wesson, E. (2018). An analysis of queues with delayed
information and time-varying arrival rates. Nonlinear Dynamics, 91(4), 2411–
2427. https://doi.org/10.1007/s11071-017-4021-0
Sanga, S. S., & Jain, M. (2019). Cost optimization and ANFIS computing for admission
control of M/M/1/K queue with general retrial times and discouragement. Applied
Mathematics and Computation, 363, 124624.
https://doi.org/https://doi.org/10.1016/j.amc.2019.124624
Singer, M., Donoso, P., & Scheller-Wolf, A. (n.d.). Una introducción a la teoría de colas
aplicada a la gestión de servicios. Revista Abante, 11(2), 93-120.
Spearman, M. L., & Hopp, W. J. (1996). Factory Physics: Foundations of
Manufacturing Management. In Irwin, Chicago, IL (p. 439).
Takagi, T., & Sugeno, M. (1985). Fuzzy identification of systems and its applications to
modeling and control. IEEE Transactions on Systems, Man, and Cybernetics, 1,
116-132.
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.
https://doi.org/10.1016/S0019-9958(65)90241-X
Zirem, D., Boualem, M., Adel-Aissanou, K., & Aïssani, D. (2019). Analysis of a single
server batch arrival unreliable queue with balking and general retrial time. Quality
Technology and Quantitative Management, 16(6), 672–695.
https://doi.org/10.1080/16843703.2018.1510359
94
LISTA ANEXOS
Anexo 1 Mamdani..................................................................................................................... 96
Anexo 2 Sistema ....................................................................................................................... 96
Anexo 3 Red .............................................................................................................................. 96
Anexo 4 Anfis esc 1 .................................................................................................................. 96
Anexo 5 Anfis esc 2 ................................................................................................................... 96
Anexo 6 Anfis esc 3 .................................................................................................................. 96
Anexo 7 Caso real ...................................................................................................................... 96
Anexo 8 Anfis radicación .......................................................................................................... 96
Anexo 9 Anfis pertenencia ........................................................................................................ 96
Anexo 10 Entrenamiento de error, reglas difusas y grafica de superficie red de colas, Escenario
1/ Estación 1. ............................................................................................................................... 97
1/ Estación 2. ............................................................................................................................... 99
1/ Estación 3. ............................................................................................................................. 101
2/ Estación 1. ............................................................................................................................. 103
2/ Estación 2. ............................................................................................................................. 105
2/ Estación 3. ............................................................................................................................. 107
3/ Estación 1. ............................................................................................................................. 109
3/ Estación 2. ............................................................................................................................. 111
3/ Estación 3. ............................................................................................................................. 113
95
ANEXOS
Anexo 1 Mamdani
Archivo adjunto en los anexos digitales
Anexo 2 Sistema
Anexo 3 Red
Anexo 4 Anfis esc 1

Anexo 5 Anfis esc 2

Anexo 6 Anfis esc 3

Anexo 7 Caso real

Anexo 8 Anfis radicación

Anexo 9 Anfis pertenencia

96
Anexo 10 Entrenamiento de error, reglas difusas y grafica de superficie red de colas,
Escenario 1/ Estación 1.
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114

Gonzalez Gonzalez Chantal Zuleima 2021

Cargado por

Copyright:

Formatos disponibles

Gonzalez Gonzalez Chantal Zuleima 2021

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gonzalez Gonzalez Chantal Zuleima 2021

Cargado por

Copyright:

Formatos disponibles

APLICACIÓN DE LA TEORÍA DE COLAS Y ANFIS PARA UN SISTEMA DE

REDES DE LÍNEAS DE ESPERA CON BLOQUEOS Y REPROCESOS

CHANTAL ZULEIMA GONZALEZ GONZALEZ

Ing. Eduyn Ramiro López Santana, PhD.

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

PROYECTO CURRICULAR DE INGENIERÍA INDUSTRIAL

En la actualidad continuamente se evidencia la necesidad de aumentar la capacidad de

1.2 Planteamiento del problema

1.3.1 Objetivo General

Analizar el comportamiento y desempeño del sistema de colas que presenta casos de

• Identificar los conceptos necesarios del bloqueo y reproceso en un sistema, en

Como ya se ha dicho, la finalidad de este trabajo investigativo es la de establecer el

Objetivo especifico Actividades Resultados Recursos

Evaluar el Implementar el modelo Establecer los Matlab

En el siguiente capítulo se realiza una investigación de los campos de la ingeniería que

2.1.1 Sistemas de Colas

En esta ecuación (2) la V hace referencia a la variabilidad del sistema, U es la utilización

La 𝒄𝟐𝒂 es el coeficiente de variabilidad de la tasa de arribos al sistema, 𝒄𝟐𝒆 es el coeficiente

Donde el ρ se determina con la fórmula:

Con base en estas fórmulas se determina el rendimiento de un sistema que presenta un

2.1.2. Redes de Colas

Figura 2 Red de Colas

El arribo de los clientes en la fila de una estación j es equivalente a la suma de todo lo

𝜆𝑗 = 𝜆0 𝑝0,𝑗 + ∑𝑖=1 𝜆𝑖 𝑝𝑖,𝑗 ; para los j = 1,2, 3,…,M (9)

Donde p𝑖,𝑗 representa la probabilidad de que un cliente o producto pase de la cola i y se

∑𝑛𝑖=0 𝑝𝑖 = 1 ; para los i = 0,1,2, 3,…,n (10)

ANFIS (Adaptive Neuro-Fuzzy Inference System) Es un sistema adaptativo de inferencia

Figura 3 Sistema de Inferencia difusa

Figura 4 Arquitectura de ANFIS con nueve reglas

Capas del ANFIS

𝑂𝑖1 = 𝜇𝐴𝑖 (𝑥) (11)

𝑤𝑖 = 𝜇𝐴𝑖 (𝑥) ∗ 𝜇𝐵𝑖 (𝑦) ; para los i = 1,2. (12)

3. “Cada nodo de esta capa es un nodo circular N” como se identifica en la figura 4

2.2 Estado del arte

N° Titulo / Autor/ Año Objetivo Variables Descripción del modelo Resultados

En este capítulo se describe el modelo a implementar para el estudio de un problema de

En conjunto con la ley de Little y su ecuación (1) donde L es el promedio de unidades

En la etapa 2, partiendo de la premisa que no se cuenta con información real de algún

Figura 6 Selección de método FIS Neuro Fuzzy Designer

Como se determinó anteriormente, las variables a evaluar en esta investigación son la

Figura 8 Mamdani, Controlador difuso

Figura 10 Grafica Longitud de fila vs utilización vs tiempo de flujo

La figura 11 representa las variables de bloqueo y utilización con respecto al tiempo de

Figura 12 Grafica Bloqueo vs Longitud de cola vs tiempo de flujo

Modelación de sistema Adaptativo de inferencia difusa ANFIS

Figura 13 Diseño del ANFIS (training data)

Figura 15 Estructura del ANFIS

Modelo Sistema de colas

Figura 16 Modelo del Sistema de colas

Figura 17 Modelo de la Red de colas

Caso real: Investigación de una red de colas

En este capítulo se analizará el comportamiento de un sistema de inferencia difusa

Se evidencia en el modelo del sistema de colas de la figura 16 algunas de las

Figura 19 Resultados entrenamiento de error escenario 1 sistema de colas en 500

Figura 21 Resultados ANFIS propuesto para el escenario 1 del sistema de colas

Figura 25 Resultados entrenamiento de error escenario 2 sistema de colas en 100

Figura 27 Resultados entrenamiento de error escenario 2 en 1000 épocas (I) método

Figura 33 Resultados entrenamiento de error escenario 3 en 500 épocas (I) método

Figura 35 Resultados ANFIS propuesto para el escenario 3 del sistema de colas