etsii Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Departamento de Lenguajes y Sistemas

Tamaño: px
Comenzar la demostración a partir de la página:

Download "etsii Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Departamento de Lenguajes y Sistemas"

Transcripción

1 etsii Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Departamento de Lenguajes y Sistemas TÉCNICAS AVANZADAS DE PREDICCIÓN Y OPTIMIZACIÓN APLICADAS A SISTEMAS DE POTENCIA TESIS DOCTORAL por Alicia Troncoso Lora Memoria presentada para optar al grado de Doctora por la Universidad de Sevilla Directores: D. José Cristóbal Riquelme Santos D. José Luis Martínez Ramos Sevilla, Junio de 2005.

2

3 José Cristóbal Riquelme Santos, Profesor Titular de Universidad, adscrito al área de Lenguajes ysistemas Informáticos yjosé Luis Martínez Ramos, Profesor Titular de Universidad, adscrito al área de Ingeniería Eléctrica, CERTIFICAN QUE Alicia Troncoso Lora ha realizado bajo nuestra supervisión el trabajo de investigación titulado: Técnicas Avanzadas de Predicción y Optimización aplicadas a Sistemas de Potencia Una vez revisado, autorizan la presentación del mismo como Tesis Doctoral en la Universidad de Sevilla yestiman oportuna su presentación al tribunal que habrá de valorarlo. Fdo. José C. Riquelme Santos Profesor Titular de Universidad Área de Lenguajes ysistemas Informáticos Fdo. José Luis Martínez Ramos Profesor Titular de Universidad Área de Ingeniería Eléctrica Sevilla, Junio de 2005

4

5 etsii Escuela Técnica Superior de Ingeniería Informática Universidad de Sevilla Departamento de Lenguajes y Sistemas TÉCNICAS AVANZADAS DE PREDICCIÓN Y OPTIMIZACIÓN APLICADAS A SISTEMAS DE POTENCIA TESIS DOCTORAL Autora: Directores: Dña. Alicia Troncoso Lora D. José Cristóbal Riquelme Santos D. José Luis Martínez Ramos TRIBUNAL CALIFICADOR Presidente: Secretario: Vocales: D. José Miguel Toro Bonilla D. Rafael Morales Bueno D. Antonio Gómez Expósito Dña. María Amparo Vila Miranda D. Antonio Jesús Conejo Navarro Obtuvo la calificación de Sobresaliente Cum Laude por unanimidad Sevilla, 3 de Junio de 2005

6

7 Esta Tesis Doctoral ha obtenido el premio de investigación Fundación Sevillana de Electricidad para Licenciados, Ingenieros y Arquitectos de las Universidades de Andalucía. Programa conjunto que realiza la Consejería de Educación y Ciencia de la Junta de Andalucía y la Fundación Sevillana Endesa. Tesis Doctoral financiada por el Ministerio de Ciencia y Tecnología (PB ) y la Junta de Andalucía (ACC-1021-TIC-2002).

8

9 A mi futuro sobrino

10

11 El libro de la naturaleza está escrito en un lenguaje matemático. Galileo Galilei.

12

13 Agradecimientos Quisiera que las primeras líneas de esta tesis fueran el agradecimiento a todas las personas que me han ayudado a la realización de la misma. En primer lugar quiero agradecer la buena dirección realizada por D. José C. Riquelme Santos yd. José Luis Martínez Ramos. A Pepe le quiero reconocer que bajo su dirección no hayan faltado buenos consejos en todos los aspectos yun punto de vista práctico. La confianza que siempre ha depositado en mí desde un primer momento yla paciencia que en estos años me ha mostrado han sido ejemplares. A José Luis le agradezco todo lo que he aprendido de él, tanto a nivel técnico como personal. Su meticulosidad ysu claridad de ideas en la dirección de este trabajo de investigación siempre han sido de gran ayuda. A D. Antonio Gómez Expósito porque su admirable capacidad de trabajo ysu gusto por las cosas bien hechas es una fuente inagotable de estímulo para cualquier investigador que esté a su lado. También quisiera recordar a D. Carlos Izquierdo Mitchell por la paz que siempre transmitía en el día a día de un departamento. A D. Miguel Toro Bonilla por la constante innovación docente que transmite a todo el departamento de Lenguajes ysistemas Informáticos. A todos mis compañeros del Departamento de Ingeniería Eléctrica de la Universidad de Sevilla porque sin ese ambiente de trabajo en equipo yesa alegría que transmiten, hacer una tesis sería algo muydiferente a lo que ha sido. A Esther porque en estos años no ha sido sólo una compañera de trabajo; a José María mi mejor vecino por su ambición yvoluntad de trabajo; a Manuel Burgos por su incondicional apoyo desde un principio. En especial a Jesús no tengo palabras para agradecerle todo el tiempo que me ha dedicado desinteresadamente, tengo que destacar su brillantez como investigador ysu calidad humana puesto que siempre está luchando por lo que considera justo. A Remedios por el ahorro de trabajo que supone tener a la eficiencia personalizada como secretaria de un departamento. A mis compañeros del grupo de investigación por toda la ayuda desinteresada que me han ofrecido: a Jesús por su inagotable fuerza en todo lo que respecta a investigación; a Paco por las horas de tutoría que me ha regalado en mi primer año de docencia; a Raúl por facilitarme ayuda en muchos aspectos tanto técnicos como de organización; a Dani por su buen entendimiento en los grupos de práctica que hemos compartido; a Roberto porque siempre me ha animado; a Domingo e Isa por su constante interés. A mis compañeras ycompañeros del Departamento de Lenguajes ysistemas de la Universidad de Sevilla por su constante ánimo ysu predisposición siempre a ayudarme en todo lo que he necesitado. En especial a Rafa, Mayte,

14 Toñi yoctavio porque sin ellos la adaptación hubiera sido mucho más dura. A mi familia por creer en mí en todo momento de mi carrera profesional. Mi ilusión por la realización de esta tesis también ha sido su ilusión. A mis amigas yamigos por los buenos momentos que me han aportado, momentos necesarios para desconectar del trabajo que supone la realización de una tesis.

15 Índice general 1. Introducción Motivación de la Investigación Objetivos de la Tesis Principales Contribuciones Estructura de la Memoria Estado del Arte Minería de Datos Preprocesado de Series Temporales Métodos de Predicción Predicción basada en reglas Métodos Lineales Metodología de Box and Jenkins Modelos ARMA Modelos ARIMA Árboles de Regresión Métodos no Lineales Métodos Globales Redes Neuronales Artificiales Programación Genética Métodos Locales: Vecinos Técnicas de Optimización Programación Dinámica Programación Lineal Entera-Mixta: Ramificación ycota Relajación Lagrangiana Métodos de Punto Interior Algoritmos Genéticos i

16 Índice General I Predicción de Series Temporales Método basado en los Vecinos más Cercanos Representación de los Datos Método basado en los Vecinos más Cercanos La función distancia Número de Vecinos Acotación del Error Aplicación a los Precios de la Energía en el Mercado Eléctrico Precios. Optimización de Venta/Compra de Energía Descripción del problema Obtención del modelo Con predicción directa Con predicción iterada Predicción. Resultados Con predicción directa Con predicción iterada Análisis heurístico del error Comparación con Redes Neuronales Estructura de la red neuronal Resultados Conclusiones Aplicación a la Demanda de Energía Eléctrica Demanda. Programación Horaria de Centrales Descripción del problema Obtención del modelo Predicción. Resultados Estudio Cualitativo ycomparativo de la Demanda ylos Precios de la Energía en el Mercado Eléctrico Español Comparación con Árboles de Regresión: Algoritmo M Transformación de atributos no numéricos Valores perdidos Cortes Suavizado Poda Resultados Conclusiones ii

17 Índice General II Programación con Múltiples Mínimos Locales Programación no Lineal no Convexa Variables reales Formulación del problema Método propuesto Solución de los subproblemas Condiciones de optimalidad Dirección de búsqueda Actualización de variables Inicialización yreducción del parámetro barrera Test de convergencia Valor inicial yactualización de la cota de la función objetivo Un ejemplo de una variable Variables reales y enteras Formulación del problema Método propuesto Solución de los subproblemas continuos Solución de los subproblemas discretos Valores iniciales yactualización de las cotas de la función objetivo Un ejemplo de dos variables Aplicación: Programación Horaria de Centrales Formulación del problema Función objetivo Costes de producción Costes de arranque Costes de parada Restricciones Restricciones técnicas de las centrales térmicas Restricciones técnicas de las centrales hidráulicas Restricciones de demanda Restricciones de reserva rodante Solución mediante el método propuesto Subproblema continuo Subproblema discreto Resultados Comparación con algoritmos genéticos iii

18 Índice General 7.4. Conclusiones Conclusiones y Futuras Líneas de Investigación Predicción Optimización Futuras líneas de investigación Predicción Optimización A. Árboles de Regresión 187 A.1. Sin selección de atributos A.2. Con selección de atributos B. Datos 223 B.1. Caso test B.2. Caso realista C. Soluciones obtenidas 231 C.1. Caso test C.2. Caso realista D. Subproblemas 245 D.1. Subproblema continuo D.2. Subproblema discreto iv

19 Índice de figuras 2.1. Fase de Minería de Datos Representación de un individuo Algoritmo de Punto Interior Vecinos Falsos Vecinos falsos versus longitud de la ventana Aproximación local Media horaria de los precios Distribución de los precios Histograma de los precios del año 2000 y Precios de dos días de marzo Coeficiente de correlación Vecinos falsos Pseudocódigo del algoritmo FNN para la serie temporal Precios Número de vecinos cercanos falsos Pseudocódigo del algoritmo para obtener el número de vecinos Número óptimo de vecinos usando la distancia Euclídea Número óptimo de vecinos usando la distancia Manhattan Pseudocódigo del algoritmo FNN para la serie temporal Precios Número de vecinos cercanos falsos Pseudocódigo del algoritmo para obtener el número de vecinos Número óptimo de vecinos usando la distancia Euclídea Número óptimo de vecinos usando la distancia Manhattan Pseudocódigo del algoritmo para obtener predicciones Media horaria de la predicción usando la distancia Euclídea Media horaria de la predicción usando la distancia Manhattan Media diaria de la predicción usando la distancia Euclídea Media diaria de la predicción usando la distancia Manhattan Media diaria del error relativo usando la distancia Euclídea Media diaria del error relativo usando la distancia Manhattan.. 91 i

20 Índice de Figuras 4.24.Pseudocódigo del algoritmo para obtener predicciones Media horaria de la predicción usando la distancia Euclídea Media horaria de la predicción usando la distancia Manhattan Media diaria de la predicción usando la distancia Euclídea Media diaria de la predicción usando la distancia Manhattan Media diaria del error relativo usando la distancia Euclídea Media diaria del error relativo usando la distancia Manhattan Error medio de la predicción Error absoluto de la mejor y peor predicción Media horaria de la predicción de los precios para el mes de marzo Media horaria de la demanda Histograma de la demanda del año 2000 y Coeficiente de Correlación Número de vecinos cercanos falsos Número óptimo de vecinos usando la distancia Manhattan Número óptimo de vecinos usando la distancia Euclídea Media horaria de la predicción usando la distancia Euclídea Media horaria de la predicción usando la distancia Manhattan Media diaria de la predicción Media horaria del error absoluto Mejor predicción semanal Peor predicción semanal Mejor predicción diaria Peor predicción diaria Relaciones entre los precios de horas consecutivas Relaciones entre la demanda de horas consecutivas Relación entre los precios de la hora 7 y la hora Relación entre la demanda de la hora 7 y la hora Relación entre los precios de días consecutivos Relación entre la demanda de días consecutivos Relación entre los precios de la hora 1 en días consecutivos Relación entre la demanda de la hora 1 en días consecutivos Atractor de los precios Atractor de la demanda Múltiples mínimos de una función no convexa Superficie definida por una función no lineal no convexa Superficie definida por una función no lineal no convexa Sucesión de mínimos locales para el ejemplo mixto-entero ii

21 Índice de Figuras 7.1. Coste de producción Coste de arranque Curva de demanda de potencia a) Matriz de optimización, b) Elementos de llenado a) Matriz de optimización reordenada, b) Elementos de llenado a) Matriz de optimización, b) Elementos de llenado a) Matriz de optimización reordenada, b) Elementos de llenado Operador de cruce por filas Operador de cruce por columnas Evolución del mejor individuo para caso test Evolución del mejor individuo para caso realista Tiempo de ejecución según actividades A.1. Árbol de regresión con 151 reglas A.2. Modelos lineales en cada hoja del árbol de regresión formado por 151 reglas A.3. Árbol de regresión con 53 reglas A.4. Modelos lineales en cada hoja del árbol de regresión formado por 53 reglas iii

22

23 Índice de Tablas 2.1. Dimensión del problema Porcentaje de vecinos falsos según distancias Porcentaje de vecinos falsos según distancias Media y desviación estándar del conjunto test Errores según distancias Errores según distancias Influencia de la distancia en la optimización de los distintos tipos de errores Resumen de los errores de la predicción Errores obtenidos con ambos métodos Porcentaje de vecinos falsos según distancias Media y desviación estándar del conjunto test Errores diarios de la mejor yla peor predicción semanal Errores según distancias Exponentes de Lyapunov Transformación de atributos no numéricos en variables binarias Comparación de los errores de la predicción de la demanda usando ambos métodos Verificación de una restricción lógica Secuencia de mínimos locales Secuencia de mínimos locales Secuencia de mínimos locales Comparación de resultados para el caso test Comparación de resultados para el caso realista B.1. Características técnicas de las centrales térmicas del caso test B.2. Costes de las centrales térmicas del caso test B.3. Demanda para el caso test i

24 Índice de Tablas B.4. Características técnicas de las centrales térmicas del caso realista (Centrales 1 a 25) B.5. Características técnicas de las centrales térmicas del caso realista (Centrales 26 a 49) B.6. Costes de las centrales térmicas del caso realista (Centrales 1 a 25) B.7. Costes de las centrales térmicas del caso realista (Centrales 26 a 49) B.8. Demanda para el caso realista C.1. Matriz de acoplamiento de la mejor solución para el caso test por: a) el método propuesto, b) el Algoritmo Genético C.2. Potencias (MW) de la mejor solución para el caso test por: a) el método propuesto, b) el Algoritmo Genético C.3. Matriz de acoplamiento de la mejor solución para el caso realista por el método propuesto (Horas 1 a 18) C.4. Matriz de acoplamiento de la mejor solución para el caso realista por el método propuesto (Horas 19 a 24) C.5. Potencias (MW) de la mejor solución para el caso realista por el método propuesto (horas 1 a 8) C.6. Potencias (MW) de la mejor solución para el caso realista por el método propuesto (horas 9 a 16) C.7. Potencias (MW) de la mejor solución para el caso realista por el método propuesto (horas 17 a 24) C.8. Matriz de acoplamiento de la mejor solución para el caso realista por el Algoritmo Genético (Horas 1 a 18) C.9. Matriz de acoplamiento de la mejor solución para el caso realista por el Algoritmo Genético (Horas 19 a 24) C.10.Potencias (MW) de la mejor solución para el caso realista por el Algoritmo Genético (horas 1 a 8) C.11.Potencias (MW) de la mejor solución para el caso realista por el Algoritmo Genético (horas 9 a 16) C.12.Potencias (MW) de la mejor solución para el caso realista por el Algoritmo Genético (horas 17 a 24) ii

25 Resumen Esta tesis está enmarcada básicamente dentro de dos campos de investigación, la minería de datos yla optimización. Principalmente tiene un carácter aplicado, ya que se han investigado tanto técnicas de predicción como de optimización con el objetivo de ser aplicadas a problemas que aparecen en el campo de Ingeniería Eléctrica. No obstante, los algoritmos desarrollados se podrán aplicar a problemas similares en futuras líneas de investigación. Un primer objetivo de la tesis ha sido el análisis, desarrollo ymejora de técnicas que ayuden a descubrir las principales características de una serie temporal con el objetivo principal de predecir su comportamiento en un futuro cercano. La investigación ha estado centrada principalmente en series temporales financieras que se modelen a través de reglas de mercado, debido a la dificultad que tienen este tipo de series en lo que respecta a reconocimiento de patrones, clasificación ypredicción. Estas técnicas se han aplicado a la predicción de los precios de la energía eléctrica en el Mercado Eléctrico Español en el que, debido a su reciente liberalización son poco usuales en la literatura, siendo un campo de investigación actualmente en estudio. De igual forma, se han aplicado a la demanda de energía eléctrica ylos resultados obtenidos han sido comparados con los existentes de la aplicación de otras técnicas. Hoydía, los métodos más usados para la predicción de los precios yla demanda de la energía en el mercado eléctrico son, a grandes rasgos, los distintos tipos de Redes Neuronales Artificiales (RNA) ylos métodos estadísticos tradicionales, siendo en este contexto la primera vez que se aplica un clasificador basado en los vecinos más cercanos. El segundo objetivo es consecuencia directa del primero, puesto que el objeto último de realizar una predicción siempre es la planificación o explotación óptima de algún sistema teniendo en cuenta la predicción realizada anteriormente. Así, la segunda parte de la tesis se enmarca dentro del amplio campo de la optimización yconsiste en el desarrollo de un algoritmo de optimización que explote técnicas globales de búsqueda de mínimos, ya que actualmente en la literatura los algoritmos clásicos de optimización usan técnicas locales de búsqueda. En los últimos años, las técnicas de Punto Interior han sido usadas en un número amplio de problemas de optimización local de distintas áreas de conocimiento, debido a los buenos resultados obtenidos. Así se ha desarrollado una herramienta capaz de recorrer una trayectoria de mínimos locales cada vez mejores sin quedar atrapado en el primer mínimo que encuentre. La herramienta desarrollada tiene un bajo coste computacional ypresenta un tiempo de ejecución inferior a cualquier técnica computacional evolutiva, que son una de las únicas alternativas a este tipo de problemas. Esta nueva herramienta es totalmente novedosa ypara validarla se ha aplicado a un problema real de planificación denominado Programación Horaria de Centrales Térmicas (PHCT), que consiste en determinar el plan de acoplamiento yla generación de energía eléctrica de las centrales para satisfacer la demanda a coste mínimo. Para resolver este problema de planificación es necesario tener una predicción de la demanda (primera parte de la tesis).

26

27 Capítulo 1 Introducción La predicción de eventos futuros siempre ha fascinado al género humano yse puede decir que las técnicas de predicción existen desde que éste existe. Sin embargo, con el paso del tiempo estas técnicas se han ido sofisticando yse han aplicado en distintas áreas, con fines científicos yeconómicos, como en la predicción del tiempo, en la predicción del cambio entre monedas... Hoydía, se puede decir que estamos en la era de la tecnología yla información, ya que en la mayoría de las actividades se generan grandes bancos de datos que son almacenados en bases de datos. Gracias a la tecnología estos datos se pueden manejar yusar para sacar algún rendimiento de ellos, ya que debido al gran volumen de información es imposible de analizar e interpretar manualmente. Esto hace que desde finales de los años 90 los conceptos de Descubrimiento del Conocimiento en Bases de Datos (Knowledge Discovery in Databases, KDD) o Minería de Datos (Data Mining, MD) [32] hayan incrementado su importancia dando lugar a campos de investigación actualmente emergentes. La minería de datos es el proceso de inferir conocimiento, a priori desconocido, que sea útil ycomprensible, a partir de grandes cantidades de datos, con el objetivo de predecir de una manera automática tendencias y comportamientos ydescribir modelos que simulen el sistema. Anteriormente al desarrollo de la minería de datos, la predicción de la evolución en el tiempo de alguna variable, es decir la predicción de una serie temporal, se llevaba a cabo mediante la elaboración de modelos a través de métodos estadísticos, los cuales estiman los valores actuales de la variable en función de los valores de dicha variable en el pasado. Sin embargo, aunque la ventaja de estos métodos es su inherente simplicidad no muestran resultados satisfactorios cuando se trata de predecir series temporales del mundo real, puesto que las dependencias que existen entre las variables son no lineales. En las últimas décadas, el diseño de algoritmos de aprendizaje automático 3

28 Capítulo 1 Introducción (Machine Learning, ML) ha constituído una de las ramas de mayor interés para los investigadores de MD. De esta manera, se diseñan las RNA como método capaz de aprender las relaciones no lineales entre las variables de entrada (principalmente valores pasados de la serie yvalores de otras variables que influyen en la serie) y las variables de salida (valores futuros de la serie). Éstas han sido aplicadas a la predicción de series temporales dando lugar a resultados más eficientes que los métodos clásicos, sin embargo presentan una desventaja que es el tiempo de aprendizaje que requieren. En la primera parte de esta tesis se presenta una técnica, basada en la técnica de los vecinos más cercanos, para la predicción de series temporales, que presenta las ventajas de una red neuronal en lo que respecta al aprendizaje de las relaciones no lineales existentes entre las variables yque mejora el tiempo de aprendizaje puesto que éste es mínimo. Estas técnicas se han aplicado a la predicción de dos series temporales del mundo real: los precios de la energía en el nuevo mercado eléctrico yla demanda de energía eléctrica. El objetivo principal yúltimo de cualquier predicción de un evento futuro siempre es la optimización, puesto que la optimización es un proceso que se nutre de las predicciones realizadas para obtener algún beneficio, como por ejemplo reducir costes en el caso de los clientes de un servicio o incrementar beneficios en el caso de una empresa. De esta forma, el obtener una predicción simplemente proporciona ayuda para elaborar las estrategias necesarias y las decisiones adecuadas siempre con vistas a optimizar algún objetivo. En el caso de los precios de la energía en el mercado eléctrico, una vez obtenida la predicción, las compañías eléctricas deben determinar la programación de generación de energía horaria para maximizar el beneficio obtenido por la venta de energía. El problema de obtener la planificación óptima de la producción de energía para una compañía de generación se puede modelar como un problema de optimización que se detalla a continuación [21]. Función objetivo: La función objetivo viene dada por: donde: B T = 24 t=1 λ t P t C T (1.1) C T = C(P t ) U t + CA(S t ) Y t + CP Z t (1.2) B T es el beneficio total de la compañía de generación. λ t es la predicción del precio de la energía en el mercado en la hora t. 4

29 Introducción P t es la potencia media generada en la hora t. C T es el coste total formado por los costes de producción, C(P t ),los costes de arranque, CA(S t ), que dependen del número de horas que el generador lleve apagado, S t, ylos costes de parada, CP. U t es una variable binaria que es igual a 1 si el generador está funcionando en la hora t, yy t y Z t son variables binarias que son igual a 1 si el generador se enciende o se apaga al principio de la hora t, respectivamente. Restricciones: Las restricciones del problema de optimización son las siguientes: La limitación máxima ymínima de la generación: P m U t P t P M U t (1.3) donde P M y P m son las potencias máximas ymínimas del generador, respectivamente. Las rampas de subida ybajada: P t =mín {P M (U t Z t+1 )+SD Z t+1, P t 1 + RS U t 1 + SU Y t } (1.4) P t =máx {P m,p t 1 RB U t } (1.5) donde P t y P t son la potencia mínima ymáxima disponible generada en la hora t, RS y RB son las rampas máximas de subida ybajada, ysu y SD son las rampas máximas de arranque yparada, respectivamente. Tiempos mínimos de funcionamiento yparada: (X t UT) (U t 1 U t ) 0 (1.6) (X t + DT) (U t U t 1 ) 0 (1.7) donde X t es el número de horas que el generador ha estado encendido o apagado al final de la hora t y UT y DT son los tiempos mínimos de funcionamiento yparada del generador, respectivamente. 5

30 Capítulo 1 Introducción Restricciones lógicas: Y t Z t = U t U t 1 (1.8) Y t + Z t 1 (1.9) En un mercado liberalizado las herramientas de predicción son muyimportantes, ya que en base a una predicción de precios, las compañías de generación elaboran sus estrategias de ofertas para maximizar los beneficios obtenidos por la venta de energía en el mercado. En el caso de la demanda de energía eléctrica, una vez obtenida la predicción, las empresas eléctricas deben planificar la producción de energía de las centrales eléctricas de manera que se satisfaga la demanda predicha a coste mínimo. El problema de la programación horaria de centrales (PHC), descrito brevemente en la sección 2.4 yde una manera más detallada en el Capítulo 7, tiene por objeto determinar los arranques yparadas de las centrales térmicas yla programación conjunta de potencia generada por los grupos térmicos e hidráulicos durante un horizonte temporal de corto plazo, normalmente 24 horas, de manera que se satisfaga la demanda horaria, en base a una predicción, yse minimice el coste de explotación del sistema. Una gran variedad de problemas, que aparecen en campos como la Ingeniería o la Economía, basados en casos reales, se pueden modelar como un problema de optimización. Existen distintas clasificaciones de los problemas de optimización según el criterio que se elija. Los problemas de optimización se pueden clasificar dentro de dos grandes grupos: Programación Lineal yprogramación no Lineal, donde tanto la función objetivo como las ecuaciones que modelan las restricciones del problema son lineales o no lineales, respectivamente. A su vez dependiendo de si existen algunas variables enteras, estos dos grupos de subdividen en otros dos: Programación Lineal Entera Mixta y Programación no Lineal Entera Mixta. Atendiendo a la convexidad de la función objetivo ylas restricciones, también se pueden clasificar en Programación Convexa o Programación No Convexa. La principal característica de los problemas de optimización no lineales yno convexos, tanto continuos como discretos, es la presencia de múltiples mínimos locales. Hoydía, la mayoría de los algoritmos aplicados a este tipo de problemas obtienen un mínimo local pero no se puede asegurar que el mínimo local encontrado sea un mínimo global, por tanto el mínimo encontrado puede distar de la mejor solución del problema. La segunda parte de esta tesis, se centra en la resolución de problemas de optimización con múltiples mínimos locales ypresenta un algoritmo novedoso que resuelve de forma eficiente ysatisfactoria este tipo de problemas de una 6

Visión global del KDD

Visión global del KDD Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento

Más detalles

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING

Aprendizaje Automático y Data Mining. Bloque IV DATA MINING Aprendizaje Automático y Data Mining Bloque IV DATA MINING 1 Índice Definición y aplicaciones. Grupos de técnicas: Visualización. Verificación. Descubrimiento. Eficiencia computacional. Búsqueda de patrones

Más detalles

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN.

CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. SISTEMA EDUCATIVO inmoley.com DE FORMACIÓN CONTINUA PARA PROFESIONALES INMOBILIARIOS. CURSO/GUÍA PRÁCTICA GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. Business Intelligence. Data Mining. PARTE PRIMERA Qué es

Más detalles

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda

Inteligencia en Redes de Comunicaciones. Tema 7 Minería de Datos. Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda Inteligencia en Redes de Comunicaciones Tema 7 Minería de Datos Julio Villena Román, Raquel M. Crespo García, José Jesús García Rueda {jvillena, rcrespo, rueda}@it.uc3m.es Índice Definición y conceptos

Más detalles

EPB 603 Sistemas del Conocimiento!"#$ %& $ %'

EPB 603 Sistemas del Conocimiento!#$ %& $ %' Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM EPB 603 Sistemas del Conocimiento!"#$ %& $ %' Modelos de proceso para proyectos de Data Mining (DM) Son diversos los modelos de

Más detalles

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003

MINERÍA DE DATOS. Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE. Octubre - 2003 MINERÍA DE DATOS Teleprocesos y Sistemas Distribuidos Licenciatura en Sistemas de Información FACENA - UNNE Octubre - 2003 CONTENIDO Qué es Data Warehousing Data Warehouse Objetivos del Data Warehouse

Más detalles

PREPROCESADO DE DATOS PARA MINERIA DE DATOS

PREPROCESADO DE DATOS PARA MINERIA DE DATOS Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado

Más detalles

MINERIA DE DATOS Y Descubrimiento del Conocimiento

MINERIA DE DATOS Y Descubrimiento del Conocimiento MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad de

Más detalles

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla

Introducción. Francisco J. Martín Mateos. Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Francisco J. Martín Mateos Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Qué es la (KE)? Definición de Wikipedia: La es una disciplina cuyo objetivo es integrar conocimiento

Más detalles

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA

TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA TÉCNICAS DE MINERÍA DE DATOS Y TEXTO APLICADAS A LA SEGURIDAD AEROPORTUARIA MSC ZOILA RUIZ VERA Empresa Cubana de Aeropuertos y Servicios Aeronáuticos Abril 2010 ANTECEDENTES El proyecto Seguridad es una

Más detalles

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:

DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre: : : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.

Más detalles

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍA ELÉCTRICA PROGRAMA DE MAESTRÍA EN INGENIERÍA ELÉCTRICA

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍA ELÉCTRICA PROGRAMA DE MAESTRÍA EN INGENIERÍA ELÉCTRICA UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍA ELÉCTRICA PROGRAMA DE MAESTRÍA EN INGENIERÍA ELÉCTRICA ALGORITMOS GRASP Y SIMULATED ANNEALING COMO INICIALIZADORES DE BRANCH AND BOUND EN LA SOLUCIÓN

Más detalles

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES

UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES UN MODELO PARA LA PREDICCIÓN DE RECIDIVA DE PACIENTES OPERADOS DE CÁNCER DE MAMA (CMO) BASADO EN REDES NEURONALES José Alejandro Chiri Aguirre RESUMEN La predicción de recidiva en pacientes que han sido

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Contenido Introducción: Inteligencia de negocios (Business Intelligence). Componentes Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica. Fases

Más detalles

CLASIFICACIÓN NO SUPERVISADA

CLASIFICACIÓN NO SUPERVISADA CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL

Más detalles

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

Evaluación de modelos para la predicción de la Bolsa

Evaluación de modelos para la predicción de la Bolsa Evaluación de modelos para la predicción de la Bolsa Humberto Hernandez Ansorena Departamento de Ingeniería Telemática Universidad Carlos III de Madrid Madrid, España 10003975@alumnos.uc3m.es Rico Hario

Más detalles

METAHEURISTICAS Ideas, Mitos, Soluciones

METAHEURISTICAS Ideas, Mitos, Soluciones METAHEURISTICAS Ideas, Mitos, Soluciones OPTIMIZACION COMBINATORIA Qué es un problema de optimización combinatoria? Cómo se modela matemáticamente un problema de optimización combinatoria? Minimizar (o

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

Grado en Ingeniería Informática

Grado en Ingeniería Informática Grado en Ingeniería Informática Competencias Generales y trasversales De acuerdo con la resolución del Consejo de Universidades de fecha 3 de marzo de 2009, para obtener este título de grado en ingeniería

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL

ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL ANÁLISIS Y PROPUESTA PARA LA ENSEÑANZA DE LA COMPUTACIÓN A LOS ESTUDIANTES DE NIVEL MEDIO DE LOS COLEGIOS FISCALES DE GUAYAQUIL Hugo Renán Ruíz 1, Luis Rodríguez Ojeda 1 Ingeniero en Estadística Informática

Más detalles

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

Más detalles

Introducción a la Minería de Datos

Introducción a la Minería de Datos Introducción a la Minería de Datos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Índice 1 Minería de

Más detalles

Minería de Datos. Vallejos, Sofia

Minería de Datos. Vallejos, Sofia Minería de Datos Vallejos, Sofia Contenido Introducción: Inteligencia de negocios (Business Intelligence). Descubrimiento de conocimiento en bases de datos (KDD). Minería de Datos: Perspectiva histórica.

Más detalles

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

1. DATOS DE LA ASIGNATURA

1. DATOS DE LA ASIGNATURA 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Curso Avanzado de Estadística Titulación: Máster en Matemáticas y aplicaciones Código Breve Descripción: El curso está centrado en dos temas relativamente

Más detalles

- Capacidad para dirigir las actividades objeto de los proyectos del ámbito de la informática de acuerdo con los conocimientos adquiridos.

- Capacidad para dirigir las actividades objeto de los proyectos del ámbito de la informática de acuerdo con los conocimientos adquiridos. Competencias generales - Capacidad para concebir, redactar, organizar, planificar, desarrollar y firmar proyectos en el ámbito de la ingeniería en informática que tengan por objeto, de acuerdo con los

Más detalles

LA GESTIÓN DEL CONOCIMIENTO

LA GESTIÓN DEL CONOCIMIENTO Plan de Formación 2006 ESTRATEGIAS Y HABILIDADES DE GESTIÓN DIRECTIVA MÓDULO 9: 9 LA ADMINISTRACIÓN ELECTRÓNICA EN LA SOCIEDAD DE LA INFORMACIÓN LA GESTIÓN DEL CONOCIMIENTO José Ramón Pereda Negrete Jefe

Más detalles

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto Previsión Contenido Qué es la previsión? Horizontes temporales de la previsión La influencia del ciclo de vida del producto Tipos de previsiones La importancia estratégica de la previsión Recursos humanos

Más detalles

PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y. cálculo de analogías.

PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y. cálculo de analogías. PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías José M. Gutiérrez Rafael Cano Antonio S. Cofiño Miguel A. Rodríguez Instituto Nacional

Más detalles

OPTATIVA I: MINERIA DE DATOS

OPTATIVA I: MINERIA DE DATOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la

Más detalles

Sistemas de producción y búsqueda de soluciones. Area de Computación e Inteligencia Artificial 1

Sistemas de producción y búsqueda de soluciones. Area de Computación e Inteligencia Artificial 1 Sistemas de producción y búsqueda de soluciones Area de Computación e Inteligencia Artificial 1 Técnicas de búsqueda Resolución de problemas en Inteligencia Artificial. En general, podemos afirmar que

Más detalles

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI)

Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) Centro de Investigación y Desarrollo en Ingeniería en Sistemas de Información (CIDISI) OFERTAS TECNOLÓGICAS 1) GESTIÓN ORGANIZACIONAL Y LOGÍSTICA INTEGRADA: TÉCNICAS Y SISTEMAS DE INFORMACIÓN 2) GESTIÓN

Más detalles

Ingeniería en Informática

Ingeniería en Informática Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se

Más detalles

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net

Proyecto técnico MINERÍA DE DATOS. Febrero 2014. www.osona-respon.net info@osona-respon.net Proyecto técnico MINERÍA DE DATOS Febrero 2014 www.osona-respon.net info@osona-respon.net 0. Índice 0. ÍNDICE 1. INTRODUCCIÓN... 2 2. LOS DATOS OCULTOS... 3 2.1. Origen de la información... 3 2.2. Data

Más detalles

LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN

LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN LA MINERÍA DE DATOS EN LA EXTRACCIÓN DE CONOCIMIENTOS APLICADOS A PROBLEMAS RELACIONADOS CON LA EDUCACIÓN Blanca Maricela Ibarra Murrieta, Ricardo Blanco Vega y María Angélica García Fierro Departamento

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Programación Lineal Entera

Programación Lineal Entera Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción

Más detalles

En verde están algunas propuestas que entendemos que faltan y que ayudarían a mejorar las fichas sustancialmente.

En verde están algunas propuestas que entendemos que faltan y que ayudarían a mejorar las fichas sustancialmente. NOTAS ACLARATORIAS: Esta ficha de grado es la resultante de las dos reuniones celebradas (9 enero 2009 y 23 de febrero de 2009) por la subcomisión creada desde el MICIIN para debatir las fichas de Grado

Más detalles

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322

Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción

Más detalles

Una heurística para la asignación de máquinas a trabajos fijos

Una heurística para la asignación de máquinas a trabajos fijos VIII Congreso de Ingeniería de Organización Leganés, 9 y 10 de septiembre de 2004 Una heurística para la asignación de máquinas a trabajos fijos José Manuel García Sánchez, Marcos Calle Suárez, Gabriel

Más detalles

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica

Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica Competencias generales vinculadas a los distintos módulos Módulo de Formación Básica C1. Capacidad para la resolución de los problemas matemáticos que puedan plantearse en la ingeniería. Aptitud para aplicar

Más detalles

MASTER EN CIBERNÉTICA APLICADA. Mención Minería de Datos

MASTER EN CIBERNÉTICA APLICADA. Mención Minería de Datos MASTER EN CIBERNÉTICA APLICADA. Mención Minería de Datos Tipo: investigación/mixto Promueve: Departamento de Control Automático, Departamento de Matemática Interdisciplinaria y Departamento de Matemática

Más detalles

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA

ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA ARQUITECTURA ESCALABLE PARA LA DETECCIÓN DE PATRONES SECUENCIALES DIFUSOS EN MINERÍA DE DATOS CUANTITATIVA Pablo F. Provasi 1 Lucio J. Kleisinger 1 Francisco R. Villatoro 2 1 Dpto. de Informática, Universidad

Más detalles

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Investigación de Operaciones. Carrera: Ingeniería en Sistemas Computacionales

1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Investigación de Operaciones. Carrera: Ingeniería en Sistemas Computacionales 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: (Créditos) SATCA 1 Investigación de Operaciones SCC-1013 2-2 - 4 Ingeniería en Sistemas Computacionales 2.- PRESENTACIÓN

Más detalles

Sistema soporte para la optimización de la electrificación de líneas ferroviarias

Sistema soporte para la optimización de la electrificación de líneas ferroviarias 4 th International Conference on Industrial Engineering and Industrial Management XIV Congreso de Ingeniería de Organización Donostia- San Sebastián, September 8 th -10 th 2010 Sistema soporte para la

Más detalles

Elementos de Investigación Operativa

Elementos de Investigación Operativa Universidad Tecnológica Nacional Facultad Regional San Francisco Tecnicatura Superior en Programación Elementos de Investigación Operativa PLANIFICACIÓN CICLO LECTIVO 2013 ÍNDICE ÍNDICE... 2 PROFESIONAL

Más detalles

PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE VICERRECTORÍA ACADÉMICA

PONTIFICIA UNIVERSIDAD CATÓLICA DE CHILE VICERRECTORÍA ACADÉMICA RESOLUCIÓN Nº111/2012 APRUEBA CREACIÓN DEL MAJOR EN SISTEMAS AUTÓNOMOS Y ROBÓTICOS (INTERDISCIPLINARIO) PARA ALUMNOS DE LA LICENCIATURA EN CIENCIAS DE LA INGENIERÍA 1º Apruébese la creación del Major en

Más detalles

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA

T E C N O L O G Í A OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE. Aplicación. a la INDUSTRIA OPTIMIZACIÓN DE MATERIALES MEDIANTE PATRONES DE CORTE EFICIENTE Aplicación a la INDUSTRIA de la construcción 1 El presente estudio propone el uso de un algoritmo comúnmente utilizado en la rama de investigación

Más detalles

TEMA 6.- LA PUESTA EN MARCHA DE PROYECTOS. LOS ASPECTOS A TENER EN CUENTA

TEMA 6.- LA PUESTA EN MARCHA DE PROYECTOS. LOS ASPECTOS A TENER EN CUENTA TEMA 6.- LA PUESTA EN MARCHA DE PROYECTOS. LOS ASPECTOS A TENER EN CUENTA El Programa para el Fomento de la Intraemprendeduría en Ciclos Formativos de Formación Profesional es un proyecto financiado por

Más detalles

Capítulo 1. Introducción

Capítulo 1. Introducción Capítulo 1. Introducción El WWW es la mayor fuente de imágenes que día a día se va incrementando. Según una encuesta realizada por el Centro de Bibliotecas de Cómputo en Línea (OCLC) en Enero de 2005,

Más detalles

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico

Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Aplicación de herramientas de inteligencia de negocios en modelamiento geometalúrgico Verónica Escobar González, Claudio Barrientos Ochoa, Sergio Barrientos Ochoa, Dirección de Modelamiento Geometalúrgico

Más detalles

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP

Minería de Datos JESÚS ANTONIO GONZÁLEZ BERNAL. Universidad UPP Universidad Politécnica de Puebla UPP JESÚS ANTONIO GONZÁLEZ BERNAL 1 2 Evolución de la Tecnología BD 1960 s y antes Creación de las BD en archivos primitivos 1970 s hasta principios de los 1980 s BD Jerárquicas

Más detalles

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013

VivaMéxico sin PRI. Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres. Otoño 2013 VivaMéxico sin PRI Quiero que mi país sea de todos. Dr. Ivo H. Pineda Torres Facultad de Ciencias de la Computación Benemérita Universidad Autónoma de Puebla Otoño 2013 IMAGENESpemexmorena Adquisición

Más detalles

CURSO MINERÍA DE DATOS AVANZADO

CURSO MINERÍA DE DATOS AVANZADO CURSO MINERÍA DE DATOS AVANZADO La minería de datos (en inglés, Data Mining) se define como la extracción de información implícita, previamente desconocida y potencialmente útil, a partir de datos. En

Más detalles

SISTEMAS INTELIGENTES

SISTEMAS INTELIGENTES SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones

Más detalles

Optimización de la distribución del personal de juegos de un casino través de la Programación Lineal

Optimización de la distribución del personal de juegos de un casino través de la Programación Lineal Optimización de la distribución del personal de juegos de un casino través de la Programación Lineal Juan Pablo Bulbulian, Jonathan Gastrell, Exequiel Iván Tagni, y Santiago Manopella Universidad Tecnológica

Más detalles

MÁSTER UNIVERSITARIO EN ANÁLISIS ECONÓMICO Y EMPRESARIAL

MÁSTER UNIVERSITARIO EN ANÁLISIS ECONÓMICO Y EMPRESARIAL MÁSTER UNIVERSITARIO EN ANÁLISIS ECONÓMICO Y EMPRESARIAL Centro Responsable: Facultad de Ciencias Económicas y Empresariales Orientación: Investigadora y Profesional Especialidades: Análisis Económico.

Más detalles

GUÍA DOCENTE 2015-2016 MATEMÁTICAS II

GUÍA DOCENTE 2015-2016 MATEMÁTICAS II GUÍA DOCENTE 2015-2016 MATEMÁTICAS II 1. Denominación de la asignatura: MATEMÁTICAS II Titulación DOBLE GRADO EN DERECHO Y ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Código 6681 2. Materia o módulo a la que

Más detalles

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico.

Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. Desarrollo de un nuevo algoritmo para resolver programas lineales enteros y su aplicación práctica en el desarrollo económico. 7071 Febrero, 2014 Resumen Es importante señalar que en un entorno social

Más detalles

Métodos Heurísticos en Inteligencia Artificial

Métodos Heurísticos en Inteligencia Artificial Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de

Más detalles

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL]

[RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] 2012 CEA ISA [RECOMENDACIONES SOBRE LOS CONTENIDOS DE LAS COMPETENCIAS DE AUTOMÁTICA EN LOS GRADOS DE INGENIERÍA INDUSTRIAL] En este documento se incluyen una serie de recomendaciones básicas para impartir

Más detalles

PROYECTO DOCENTE ASIGNATURA: "Lógica Informática"

PROYECTO DOCENTE ASIGNATURA: Lógica Informática PROYECTO DOCENTE ASIGNATURA: "Lógica Informática" Grupo: Clases Teóricas de Lógica Informática (DOCENCIA EN INGLÉS)(948465) Titulacion: Grado en Ingeniería Informática-Ingeniería del Software Curso: 2015-2016

Más detalles

Carrera: Ingeniería Civil CIE 0524

Carrera: Ingeniería Civil CIE 0524 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Investigación de Operaciones Ingeniería Civil CIE 0524 2 2 6 2.- HISTORIA DEL

Más detalles

CURRICULUM VITAE (Agosto, 2015)

CURRICULUM VITAE (Agosto, 2015) José Luis de la Fuente O Connor CURRICULUM VITAE (Agosto, 2015) Datos personales Lugar y Fecha de Nacimiento: Madrid; 29/9/1953. Estado Civil: Domicilio: Ocupaciones actuales: Casado; 2 hijos: Sandra y

Más detalles

Cómo ahorrar en la factura energética?

Cómo ahorrar en la factura energética? Cómo ahorrar en la factura energética? Cruz Enrique Borges Hernández cruz.borges@deusto.es Tercer Encuentro de Jóvenes Investigadores en Matemáticas La Laguna, 18 de octubre de 2013 This work is licensed

Más detalles

Minería de datos (Introducción a la minería de datos)

Minería de datos (Introducción a la minería de datos) Minería de datos (Introducción a la minería de datos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 24

Más detalles

forma de entrenar a la nuerona en su aprendizaje.

forma de entrenar a la nuerona en su aprendizaje. Sistemas expertos e Inteligencia Artificial,Guía5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: SISTEMAS BASADOS EN CONOCIMIENTO. Objetivo

Más detalles

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY)

MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) MINERÍA DE DATOS Y DESCUBRIMIENTO DE CONOCIMIENTO (DATA MINING AND KNOWLEDGE DISCOVERY) Autor: Lic. Manuel Ernesto Acosta Aguilera Entidad: Facultad de Economía, Universidad de La Habana Dirección: Edificio

Más detalles

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos

Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productividad en Empresas de Construcción: Conocimiento adquirido de las bases de datos Productivity in Construction Companies: Knowledge acquired from the databases Hernando Camargo Mila, Rogelio Flórez

Más detalles

MODELACION Y ANALISIS DE PROCESOS EMPRESARIALES MAPE

MODELACION Y ANALISIS DE PROCESOS EMPRESARIALES MAPE MODELACION Y ANALISIS DE PROCESOS EMPRESARIALES MAPE Thomas A. Little Ph. D Traducción Autorizada por el Autor. Traductor: MANUEL H RAMIREZ Alta Via Consulting-América Latina La Modelación y Análisis de

Más detalles

PROGRAMA DE ASIGNATURA

PROGRAMA DE ASIGNATURA PROGRAMA DE ASIGNATURA 01. Carrera Lic. En Administración de Negocios Internacionales Lic. En Dirección del Factor Humano Lic. En Comercialización x Lic. En Tecnología Informática Lic. En Administración

Más detalles

Caballero, Cabello, Cano y Ruiz. 1.- Introducción

Caballero, Cabello, Cano y Ruiz. 1.- Introducción 1.- Introducción Partiendo de los estudios de Markowitz (1959) y de trabajos posteriores, como el de Sharpe (1963), en nuestro trabajo, una vez seleccionada la cartera, pretendemos dar un paso más, realizando

Más detalles

Investigación Operativa

Investigación Operativa Programa de la Asignatura: Investigación Operativa Código: 104 Carrera: Ingeniería en Computación Plan: 2008 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Segundo Año Segundo cuatrimestre

Más detalles

Doctorado en Ingeniería Informática

Doctorado en Ingeniería Informática 1.- Acceso y admisión. Doctorado en Ingeniería Informática Código D021 Los estudiantes que soliciten su admisión a este Programa de Doctorado, deberán acreditar que cumplen los requisitos previos para

Más detalles

7. Conclusiones. 7.1 Resultados

7. Conclusiones. 7.1 Resultados 7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar

Más detalles

WICC 2014 XVI Workshop de Investigadores en Ciencias de la Computación

WICC 2014 XVI Workshop de Investigadores en Ciencias de la Computación ESTUDIO DE TECNICAS DE DATA MINING APLICADAS AL ANALISIS DE DATOS GENERADOS CON LA METODOLOGIA BLENDED LEARNING Marcelo Omar Sosa, Sosa Bruchmann Eugenia Cecilia Departamento Computación/Facultad de Ciencias

Más detalles

INVESTIGACIÓN OPERATIVA

INVESTIGACIÓN OPERATIVA SILABO I. DATOS GENERALES 1. Nombre de la Asignatura : INVESTIGACIÓN OPERATIVA 2. Carácter : Obligatorio 3. Carrera Profesional : Administración de Empresas 4. Código : AD0602 5. Semestre Académico : 2014

Más detalles

DESARROLLO DE SOFTWARE CON CALIDAD PARA UNA EMPRESA

DESARROLLO DE SOFTWARE CON CALIDAD PARA UNA EMPRESA DESARROLLO DE SOFTWARE CON CALIDAD PARA UNA EMPRESA Resumen AUTORIA CARLOS CABALLERO GONZÁLEZ TEMATICA INFORMÁTICA ETAPA ESO-BACHILLERATO-CFGM(ESI,ASI,DSI) Se describe la revolución que supuso la incursión

Más detalles

SÍLABO DE INVESTIGACION DE OPERACIONES II

SÍLABO DE INVESTIGACION DE OPERACIONES II SÍLABO DE INVESTIGACION DE OPERACIONES II I. INFORMACIÓN GENERAL: I.1. Facultad: Ingeniería I.2. Carrera Profesional Ingeniería Industrial I.3. Departamento: ----- I.4. Requisitos: Investigación de Operaciones

Más detalles

Herramientas de simulación de código abierto para la mejora del aprendizaje en Ingeniería Eléctrica

Herramientas de simulación de código abierto para la mejora del aprendizaje en Ingeniería Eléctrica Herramientas de simulación de código abierto para la mejora del aprendizaje en Ingeniería Eléctrica José A. Domínguez (jadona@unizar.es), José Luis Bernal (jlbernal@unizar.es), Eva-Sara Carod (escarod@unizar.es),

Más detalles

REDES DE DISTRIBUCIÓN DE EE: DESAFÍOS Y TENDENCIAS

REDES DE DISTRIBUCIÓN DE EE: DESAFÍOS Y TENDENCIAS Reunión Anual Octubre 2012 Comité de Energía - AUGM REDES DE DISTRIBUCIÓN DE EE: DESAFÍOS Y TENDENCIAS Miguel Arias Albornoz D.Sc. Departamento de Ingeniería Eléctrica Universidad de Santiago de Chile

Más detalles

Proyecto de Desarrollo de Aplicaciones Web.

Proyecto de Desarrollo de Aplicaciones Web. I.E.S. SAN SEBASTIÁN C.F.G.S DESARROLLO DE APLICACIONES WEB D E P A R T A M E N T O D E I N F O R M Á T I C A Proyecto de Desarrollo de Aplicaciones Web. C.F.G.S 2º DESARROLLO DE APLICACIONES WEB DAW Curso

Más detalles

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático?

Ingeniería del conocimiento. Sesión 1 Por qué estudiar aprendizaje automático? Ingeniería del conocimiento Sesión 1 Por qué estudiar aprendizaje automático? 1 Agenda Qué vamos a ver en la asignatura? Para qué sirve todo esto? Cómo aprobar la asignatura? 2 Extracción del conocimiento

Más detalles

MASTER OFICIAL DE PLANIFICACIÓN Y GESTIÓN DE PROCESOS EMPRESARIALES

MASTER OFICIAL DE PLANIFICACIÓN Y GESTIÓN DE PROCESOS EMPRESARIALES UNIVERSITAT DE VALÈNCIA MASTER OFICIAL DE PLANIFICACIÓN Y GESTIÓN DE PROCESOS EMPRESARIALES ORGANISMO RESPONSABLE Departamento de Estadística e Investigación Operativa Facultad de Matemáticas Universidad

Más detalles

Optimización y Toma de Decisiones

Optimización y Toma de Decisiones Optimización y Toma de Decisiones Guía Docente Master Oficial en Planificación y Gestión de Procesos Empresariales Universitat de València Datos del Curso Nombre de la asignatura Optimización y Toma de

Más detalles

Grado en Ingeniería Mecánica

Grado en Ingeniería Mecánica Grado en Ingeniería Mecánica Presentación del título Competencias Estructura del plan de estudios Tabla de asignaturas Tabla de adaptación de Ingeniería Técnica Industrial, especialidad Mecánica Vías de

Más detalles

MEMORIA-RESUMEN DE TRABAJOS REALIZADOS

MEMORIA-RESUMEN DE TRABAJOS REALIZADOS MEMORIA-RESUMEN DE TRABAJOS REALIZADOS Alumno: Tutor: Tesis: IBRAHIM ESPINO MARTÍN FRANCISCO MARIO HERNÁNDEZ TEJERA Integración de técnicas estadísticas, numéricas y de inteligencia artificial para la

Más detalles

Diseño del Sistema de Información

Diseño del Sistema de Información Diseño del Sistema de Información ÍNDICE DESCRIPCIÓN Y OBJETIVOS...2 ACTIVIDAD DSI 1: DEFINICIÓN DE LA ARQUITECTURA DEL SISTEMA...7 Tarea DSI 1.1: Definición de Niveles de Arquitectura...9 Tarea DSI 1.2:

Más detalles

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo

CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade

Más detalles

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.

Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín. Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Programación Lineal Entera

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Programación Lineal Entera Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 11 de septiembre de 2003 1. Introducción Un LP donde se requiere que todas las variables sean enteras se denomina un problema

Más detalles

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas

Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas Taxonomía de los principales temas de I A Por: Luis Guillermo Restrepo Rivas 1. DEFINICIONES, UBICACIÓN CONCEPTUAL E HISTORIA DE LA I.A. 2. COMPLEJIDAD COMPUTACIONAL, EXPLOSIÓN COMBINATORIA, DOMINIOS NO

Más detalles

Proyecto Scratch: http://scratch.mit.edu/projects/38518614/

Proyecto Scratch: http://scratch.mit.edu/projects/38518614/ Proyecto Scratch: http://scratch.mit.edu/projects/38518614/ SISTEMAS DE NUMERACÍON Dos de los sistemas de numeración más utilizados son el sistema decimal, que se emplea en la vida cotidiana, y el sistema

Más detalles

EMIOS Casos prácticos de uso para gestores energéticos

EMIOS Casos prácticos de uso para gestores energéticos EMIOS Casos prácticos de uso para gestores energéticos Empresa y grupo Telnet Sobre Energy Minus: EMIOS: EMIOS (Energy Minus Intelligent Operative System) es una plataforma de monitorización y análisis

Más detalles

Driving Sustainable Innovation. Cadhaus & Goldfire

Driving Sustainable Innovation. Cadhaus & Goldfire Driving Sustainable Innovation Cadhaus & Goldfire La necesidad de innovar La Dinámica del Mercado y Lo que mueve a los Negocios La compañías deben reducir los costos de operación y mano de obra y al mismo

Más detalles