OPTIMIZACI 3N DEL DISE 1O DE PAR\uc1METROS: M\uc9TODO FOREST-GENETIC UNIVARIANTE

El Dr Genichi Taguchi desarroll\uf3 en los a\uf1os 80 una metodolog\ueda para la mejora del dise\uf1o de par\ue1metros de productos y procesos, conocida como metodolog\ueda Taguchi. Diversas propuestas han surgido en las que se mezclan t\ue9cnicas de inteligencia artificial. Proponemos la creaci\uf3n de un h\uedbrido entre Random Forest (RF) y los Algoritmos Gen\ue9ticos (GA) en 3 fases; normalizaci\uf3n, modelizaci\uf3n y optimizaci\uf3n. La primera fase corresponde a la preparaci\uf3n previa del conjunto de datos mediante funciones de normalizaci\uf3n. En la modelizaci\uf3n se determina la funci\uf3n objetivo utilizando estrategias basadas en RF para predecir el valor de la respuesta en un conjunto de par\ue1metros dado. Finalmente, en la fase de optimizaci\uf3n se obtiene la combinaci\uf3n \uf3ptima de los niveles de los par\ue1metros mediante la integraci\uf3n de propiedades dadas por nuestro esquema de modelizaci\uf3n en el establecimiento del correspondiente GA. Se comparan los resultados de forma num\ue9rica con aportes recientemente encontrados en la literatura. Nuestra propuesta metodol\uf3gica se concentra en las variables de mayor importancia producto del proceso de modelizaci\uf3n con RF, lo que permite desarrollar y dirigir de manera m\ue1s eficiente las nuevas generaciones en la fase de optimizaci\uf3n y en consecuencia, alcanzar significativas mejoras en cuanto al objetivo de calidad considerado. Palabras clave: Taguchi, \ue1rboles de regresi\uf3n y clasificaci\uf3n, random forest, algoritmos gen\ue9ticos, redes neuronales artificiales. ABSTRACT In the 80's, Dr Genichi Taguchi developed a methodology for processes and product parameters design improvement known as the Taguchi methodology. Different proposals have emerged involving artificial intelligence techniques. Our proposal consists of a hybrid methodology that combines Random Forest (RF) and Genetic Algorithms (GA) in three phases: normalization, modeling and optimization. The first phase corresponds to the previous preparation of the data set by using normalization functions. In the modeling, the objective function is determined using strategies based on RF to predict the value of the response in a given set of parameters. Finally, in the optimization phase, the optimal combination of the parameter levels is obtained by integrating properties given by our modeling scheme into the corresponding GA. The results are compared numerically with the contributions recently found in the literature. Our methodological proposal focuses on the most important variables resulting from the RF modeling process, which allows to develop and direct more efficiently the new generations in the optimization phase, and consequently, achieve significant improvements in the quality objective considered. Keywords: Taguchi, classification and regression trees, random forest, genetic algorithm, artificial Neural Networks.