Algoritmos Bioinspirados.

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

Download "Algoritmos Bioinspirados."

Transcripción

1 Algoritmos Bioinspirados. Departamento de Matemáticas, Estadística y Computación Universidad de Cantabria 13 de abril de 2011 This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike 3.0 License. C.E. Borges, J.L. Montaña Universidad de Cantabria 1/87

2 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 2/87

3 Problemas de optimización. Descripción. Dado un problema, se trata de encontrar la mejor solución que cumpla ciertas restricciones. Problema. (Optimización) mín f (x) sujeto a g(x) = 0 h(x) 0 En las siguientes trasnparencias presentamos diversos métodos para tratar de resolver este tipo de problemas. C.E. Borges, J.L. Montaña Universidad de Cantabria 3/87

4 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 4/87

5 Métodos Anaĺıticos[Varios, b]. Descripción. La principal característica de este método es que lidia con problemas cuya descripción se realiza mediante Funciones Anaĺıticas. Para resolver este tipo de problemas es necesario recurrir a las potentes herramientas del Análisis Matemático. C.E. Borges, J.L. Montaña Universidad de Cantabria 5/87

6 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 6/87

7 Método de los Multiplicadores de Lagrange[Varios, f]. Descripción. Transforma el resolver un problema de optimización en hallar las soluciones de un sistema de ecuaciones. Problema. (Optimización) mín f (x) sujeto a g(x) = 0 = Problema. (Algebraico) encontrar x tal que F (x) = 0 C.E. Borges, J.L. Montaña Universidad de Cantabria 7/87

8 Me todo de los Multiplicadores de Lagrange. Problemas a los que se aplica. En general, aparece en muchos procesos de Ingenierı a. Entre ellos cabe destacar aquellos relacionados con la ingenierı a de materiales y el ca lculo de estructuras. C.E. Borges, J.L. Montan a Universidad de Cantabria 8/87

9 Ventajas y Desventajas. Sólo es se puede usar cuando las restricciones que deben cumplir las soluciones son del tipo cumplir una ecuación. Es necesario conocer la expresión algebraica tanto de la función a optimizar como la ecuación que deben cumplir las soluciones. Además, ambas deben cumplir ciertas condiciones matemáticas bastante estrictas. Se obtiene máximos y mínimos, globales y locales. Desgraciadamente, NO se puede resolver sistemas de ecuaciones (no lineales) de forma eficiente. C.E. Borges, J.L. Montaña Universidad de Cantabria 9/87

10 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 10/87

11 Método del Descenso de Gradiente[Varios, e]. Descripción. Transforma un problema de optimización en un proceso iterativo en el que, a partir de una aproximación inicial, se calcula en qué dirección se encuentra una solución mejor y la longitud a la que se encuentra. Iteración tras iteración, la solución inicial se aproxima hacia el óptimo. C.E. Borges, J.L. Montaña Universidad de Cantabria 11/87

12 Me todo del Descenso de Gradiente Problemas a los que se aplica. En general se usa en los mismos casos en los que se usa el Me todo de los Multiplicadores de Langrange. Adema s, tambie n es u til en los siguientes problemas: Ca lculo de Equilibrios de Nash. Resolucio n de problemas de Control O ptimo. C.E. Borges, J.L. Montan a Universidad de Cantabria 12/87

13 Método del Descenso de Gradiente Ventajas y Desventajas. Sólo es se puede usar cuando las restricciones que deben cumplir las soluciones son del tipo cumplir una ecuación. Es necesario conocer la expresión algebraica tanto de la función a optimizar como la ecuación que deben cumplir las soluciones. Además, ambas deben cumplir ciertas condiciones matemáticas. Dado un buen candidato inicial se garantiza la convergencia a un mínimo local. Desgraciadamente NO sabemos como encontrar buenos candidatos iniciales. El número de iteraciones puede ser muy alto. C.E. Borges, J.L. Montaña Universidad de Cantabria 13/87

14 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 14/87

15 Programación Lineal[Varios, g]. Descripción. Transforma un problema de optimización en un proceso iterativo en el que a partir de una solución factible inicial se van generando otras posibles soluciones hasta encontrar el óptimo. Problema. (Programación Lineal) mín sujeto a c x Ax b C.E. Borges, J.L. Montaña Universidad de Cantabria 15/87

16 Programación Lineal Problemas a los que se aplica. Optimizar mezclas químicas. Gestión de inventarios y carteras financieras. Asignación de recursos humanos y maquinaria. Flujos en redes de telecomunicaciones y transporte de mercancías. C.E. Borges, J.L. Montaña Universidad de Cantabria 16/87

17 Programación Lineal Ventajas y Desventajas. Funciona rápido incluso con problemas muy grandes. Tanto la condición de ser solución como la función a optimizar son muy restrictivas pues ambas tienen que ser lineales. C.E. Borges, J.L. Montaña Universidad de Cantabria 17/87

18 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 18/87

19 Métodos Combinatorios[Varios, b]. Descripción. La principal característica de este método es que lidia con problemas cuyo espacio de soluciones es finito. La diversidad de problemas y posibles soluciones es tan amplia que es imposible dar una idea general. C.E. Borges, J.L. Montaña Universidad de Cantabria 19/87

20 Métodos Combinatorios. Problemas a los que se aplica. Problema de la Mochila. Árbol mínimo. Flujo máximo. Problema de emparejamientos. C.E. Borges, J.L. Montaña Universidad de Cantabria 20/87

21 Métodos Combinatorios. Ventajas y Desventajas. Hay multitud de estrategias para cada problema. Generalmente son problemas muy difíciles pues el número de candidatos a solución, aunque finito, es inmenso. La estrategia más simple es la fuerza bruta. Esto es, probar con todos los candidatos. Existen mejoras a esta aproximación como son las estrategias voraces, ramificaciones y podas y similares. Otra estrategia simple es la búsqueda aleatoria. Esto es, probar con candidatos seleccionados al azar. Muchos métodos son simplemente mejoras sobre la búsqueda aleatoria aunque pueden llegar a ser muy sofisticadas y obtener unos resultados mucho mejores. Entre ellos se encuentran todos los Métodos Bioinspirados. C.E. Borges, J.L. Montaña Universidad de Cantabria 21/87

22 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 22/87

23 Algoritmos Bioinspirados[Varios, a]. Descripcio n. Replican la forma en que la naturaleza se enfrenta a problema de optimizacio n. Principalmente se trata de emular la evolucio n natural de las especies y la respuesta de los sistemas sociales ante desafı os. C.E. Borges, J.L. Montan a Universidad de Cantabria 23/87

24 Algoritmos Bioinspirados. Problemas a los que se aplica I. Diseño de rutas de escape y tácticas militares. Diseño de estructuras como: alas de un avión, salas de concierto, antenas de telecomunicaciones, grúas,... Diseño de fármacos, compuesto químicos y materiales. Reconocimiento de patologías en test cĺınicos de diversos tipos. C.E. Borges, J.L. Montaña Universidad de Cantabria 24/87

25 Algoritmos Bioinspirados. Problemas a los que se aplica II. Predicciones sobre mercados financieros. Software de control de equipos de robots y inteligencia artificial de robots o agentes virtuales. Reconocimiento de patrones y minería de datos. Problemas matemáticos como: regresiones simbólicas, resolución simbólica de ecuaciones en derivadas parciales, resolución de sistemas de ecuaciones no lineales,... C.E. Borges, J.L. Montaña Universidad de Cantabria 25/87

26 Algoritmos Bioinspirados. Ventajas. Relativamente genéricos y con muy pocas restricciones de uso. Ofrecen poblaciones de soluciones, no respuestas únicas. Son intrínsecamente paralelos, lo cual los hace particularmente útiles en las infraestructuras actuales. No parten de ideas preconcebidas, con lo cual sus resultados suelen ser sorprendentemente originales y muy eficientes. C.E. Borges, J.L. Montaña Universidad de Cantabria 26/87

27 Algoritmos Bioinspirados. Desventajas. Tiene naturaleza aleatoria. Usualmente dependen de muchos parámetros que aún no se sabe optimizar de forma sistemática. Suelen tener problemas de convergencia prematura. Esto es, si por casualidad se encuentra una buena solución, es posible que en sucesivas iteraciones no se mejore. Para evitar esto último hay que garantizar la diversidad en la población. C.E. Borges, J.L. Montaña Universidad de Cantabria 27/87

28 Partes de un Algoritmo Bioinspirado. Procedimientos a definir. Población: Conjunto de candidatos a ser solución que pueden o no cumplir las restricciones del problema. Mecanismo de Evolución: Conjunto de procedimientos por los cuales se modifica la población. Mecanismo de Calificación: Conjunto de procedimientos por los cuales se asigna una calificación a cada elemento de la población. Usualmente es la función a optimizar. Condiciones de Parada: Mecanismo que controla si se ha encontrado una solución o número de operaciones aceptable. Usualmente, la condición de parada, la población y el mecanismo de calificación vienen determinados por el problema a resolver. Sin embargo, el mecanismo de evolución es característico de cada método. C.E. Borges, J.L. Montaña Universidad de Cantabria 28/87

29 Pseudocódigo de un Algoritmo Bioinspirado. Input Crear Poblaciones generaciones Calificar Poblaciones Mientras no Fin Output Validar Resultado Reemplazar Poblaciones Cruzo o Muto Individuos Calificar Nueva Población C.E. Borges, J.L. Montaña Universidad de Cantabria 29/87

30 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 30/87

31 Enjambres de Partículas[Varios, h]. Descripción. Se genera un enjambre de candidatos que van recorriendo el espacio de búsqueda. Cada candidato guarda el historial de soluciones encontradas y puede intercambiar información con otros candidatos próximos. El mecanismo de memoria esta relacionado con la calificación de las soluciones encontradas mientras que el movimiento de las partículas con el de evolución. Se inspira en el comportamiento social de las colonias de hormigas, abejas, etc. a la hora de buscar comida así como con el sistema inmunológico cuando fabrica anticuerpos. C.E. Borges, J.L. Montaña Universidad de Cantabria 31/87

32 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 32/87

33 Algoritmos Evolutivos[Varios, c]. Se genera una población inicial aleatoria. Esta población se modifica usando los operadores genéticos: Selección: Selecciona individuos de la población. Cruce: Generan dos individuos nuevos a partir de otros dos al intercambiar sus componentes. Mutación: Modifica un individuo para crear otro nuevo. Reemplazamiento: Seleccionan los individuos que pasarán a la siguiente generación. Está basado en la evolución natural de las especies, la genética y la epigenética. C.E. Borges, J.L. Montaña Universidad de Cantabria 33/87

34 Algoritmos Evolutivos. Cruce vs. Mutación. Usualmente, el cruce realiza una función de búsqueda local explotando las mejores propiedades de cada elemento. Sin embargo, la mutación explora todo el espacio de búsqueda evitando la convergencia prematura hacia mínimos locales. Suponiendo que guardamos el mejor elemento de la población, el operador de mutación nos garantiza que encontraremos la mejor solución siempre y cuando permitamos realizar un número suficientemente grande de iteraciones. C.E. Borges, J.L. Montaña Universidad de Cantabria 34/87

35 Algoritmos Evolutivos. Selección y Reemplazamiento. El operador de selección debe asegurar un balance entre los favorecer operar sobre los mejores elementos y permitir las operaciones entre los peores. El operador de re emplazamiento se encarga de mantener la biodiversidad en la población. C.E. Borges, J.L. Montaña Universidad de Cantabria 35/87

36 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 36/87

37 Programación Genética[Varios, d]. Descripción. En este caso los individuos de la población a evolucionar por un algoritmo genéticos están fijados de antemano. Usaremos programas informáticos. La idea es construir un programa que resuelva el problema, no buscar una solución óptima. La estructura natural que se evoluciona son árboles de instrucciones. Nosotros usamos una estructura mucho más general y eficiente: grafos dirigidos acíclicos[alonso et al., 2009b] a. a En adelante slp C.E. Borges, J.L. Montaña Universidad de Cantabria 37/87

38 Árbol vs slp s I. Ejemplo. Representación como árbol (a la derecha) y como slp (a la izquierda) de un programa que calcula la función f 1 = x 4 + x 3 + x 2 + x. f 1 x f Figura: slp. x Figura: Árbol. C.E. Borges, J.L. Montaña Universidad de Cantabria 38/87

39 Árboles vs slp s II. Diferencias apreciables en el ejemplo anterior. Los árboles generalmente contienen más nodos pero son estructuras cuya ejecución se puede paralelizar. Por contra, los slp suelen ser más compactos pero pierden la estructura que hace posible paralelizar su ejecución. Esto NO es un problema puesto que al ser una estructura mucho más compacta conseguimos resolver dos grandes problemas a la vez: 1 Evaluamos muchos menos nodos gastando muchos menos recursos (tanto en tiempo como en espacio). 2 Reducimos la cantidad de información que se debe obtener en la fase de aprendizaje. C.E. Borges, J.L. Montaña Universidad de Cantabria 39/87

40 Ejecución. La ejecución de este tipo de programas es bastante simple. Sólo hay que tener en cuenta que estas estructuras se codifican como una lista de operaciones. Simplemente hay que ejecutar todos los comandos de la lista consecutivamente y ya hemos finalizado. f 1 u 1 := x x u 2 := u 1 u 1 u 3 := u 1 x u 4 := u 3 + x u 5 := u 4 + u 1 u 6 := u 5 + u 4 Figura: slp. f 1 u 1 := x x u 2 := x x u 3 := u 1 u 2 u 4 := x x u 5 := u 4 x u 6 := x x u 7 := u 6 + x u 8 := u 5 + u 3 u 9 := u 8 u 7 Figura: Árbol. C.E. Borges, J.L. Montaña Universidad de Cantabria 40/87

41 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 41/87

42 Algunos ejemplos de problemas. Presentamos ahora una lista de problemas de optimización que han sido resueltos mediante Métodos Bioinspirados. En general han mostrado un desempeño igual o superior a las técnicas clásicas. En muchos casos han podido abordar problemas imposibles con otros métodos. En muchos casos los resultados obtenidos se han llevado a la práctica con muy buenos resultados. C.E. Borges, J.L. Montaña Universidad de Cantabria 42/87

43 Antenas de Telecomunicaciones I. Problema. (Diseño de una antena de Telecomunicaciones.) Construir una antena de comunicaciones con las siguientes restricciones: Rendimiento mínimo determinado a priori. 7 alambres interconectados. Volumen máximo determinado a priori. C.E. Borges, J.L. Montaña Universidad de Cantabria 43/87

44 Antenas de Telecomunicaciones II. Resultados[Altshuler and Linden, 1997]. El resultado no se parece a las antenas tradicionales y carece de una simetría obvia, como inusualmente extraña y anti-intuitiva, aunque tenía un patrón de radiación casi uniforme y con un gran ancho de banda tanto en la simulación como en la prueba experimental. C.E. Borges, J.L. Montaña Universidad de Cantabria 44/87

45 FPGA s I. Problema. (Reconocimiento de Voz.) Construir una placa FPGA que: Reconozca las palabras go y stop. Circuito más pequeño posible. C.E. Borges, J.L. Montaña Universidad de Cantabria 45/87

46 FPGA s II. Resultados[Davidson, 1997]. El resultado fue un circuito reconocedor de voz utilizando sólo 37 puertas lógicas de las cuales cinco de ellas ni siquiera están conectadas al resto del circuito aunque si se les retira la alimentación eléctrica, el circuito deja de funcionar. El funcionamiento exacto de la compleja e intrincada estructura es un misterio. C.E. Borges, J.L. Montaña Universidad de Cantabria 46/87

47 Salas de Conciertos I. Problema. (Diseño de una sala de conciertos.) Construir sala de conciertos que maximice la calidad del sonido simultáneamente para: La audiencia. El director. Los músicos. C.E. Borges, J.L. Montaña Universidad de Cantabria 47/87

48 Salas de Conciertos II. Resultados[Sato et al., 2002]. El resultado fueron dos soluciones no dominadas, ambas descritas como con forma de hoja que tienen proporciones similares al Grosser Musikvereinsaal de Viena, el cual está considerado generalmente como una de las mejores salas de conciertos. C.E. Borges, J.L. Montaña Universidad de Cantabria 48/87

49 Alas de Aviones I. Problema. (Diseño de alas de aviones.) Diseñar el ala de un avión supersónico que simultáneamente minimice: La resistencia a velocidades subsónicas. La resistencia a velocidades supersónicas. La carga aerodinámica. Minimizar el momento de torsión. C.E. Borges, J.L. Montaña Universidad de Cantabria 49/87

50 Alas de Aviones II. Resultados[Obayashi et al., 2000]. Los resultados fueron seis diseños en ala flecha, con valores de resistencia y carga aproximadamente iguales o menores a los del ala diseñada por humanos. En particular, una de las soluciones superó al diseño humano en todos los objetivos. C.E. Borges, J.L. Montaña Universidad de Cantabria 50/87

51 Órbitas de Satélites I. Problema. (Planificar las órbitas de una constelación de satélites.) Planificar las órbitas de una constelación de satélites en órbita baja que: Minimice el tiempo muerto medio para todos los receptores. Minimice el tiempo muerto máximo para cada receptor. Minimice el número de satélites. C.E. Borges, J.L. Montaña Universidad de Cantabria 51/87

52 Órbitas de Satélites II. Resultados[Williams et al., 2001]. El resultado fueron configuraciones orbitales muy asimétricas, con los satélites colocados alternando huecos grandes y pequeños, en lugar de huecos de igual tamaño como habrían hecho las técnicas convencionales. Sin embargo, esta solución redujo significativamente los tiempos medio y máximo de apagón, en algunos casos hasta en 90 minutos. C.E. Borges, J.L. Montaña Universidad de Cantabria 52/87

53 Tácticas Militares I. Problema. (Diseño de planes tácticos militares.) Planificar una operación militar que: Sea generada rápidamente. Minimice las bajas amigas. Maximice las bajas enemigas. Mejorar el control del terreno conquistado. Minimizar el gasto de recursos. Minimizar los daños colaterales. C.E. Borges, J.L. Montaña Universidad de Cantabria 53/87

54 Tácticas Militares II. Resultados[Kewley and Embrechts, 2002]. Los resultados superaron los planes de expertos militares. Tenía sentido táctico y propiedades emergentes. Además, al no sufrir presión, pueden tomar decisiones acertadas en periodos estresantes. C.E. Borges, J.L. Montaña Universidad de Cantabria 54/87

55 Planificador de Rutas I. Problema. (Rutas en redes de telecomunicaciones.) Hallar la ruta de un paquete en una red de telecomunicaciones que: Minimice el tiempo de respuesta. Minimice el número de saltos. Tenga en cuenta la congestión de la red. Tenga en cuenta los cortes de suministro. C.E. Borges, J.L. Montaña Universidad de Cantabria 55/87

56 Planificador de Rutas II. Resultados[He and Mort, 2000]. El resultado era capaz de redirigir enlaces rotos o congestionados, equilibrar la carga de tráfico y maximizar el caudal total de la red. C.E. Borges, J.L. Montaña Universidad de Cantabria 56/87

57 Planificador de Lı neas de Montaje I. Problema. (Planificar la lı nea de montaje.) Crear y gestionar en tiempo real una lı nea de montaje que tenga en cuenta: Minimice el coste de generar una pieza. Maximice el rendimiento de la lı nea de montaje. Se adapte a: averı as, ausencias de empleados y materias primas, cambios en las prioridades de produccio n... C.E. Borges, J.L. Montan a Universidad de Cantabria 57/87

58 Planificador de Líneas de Montaje II. Resultados[Jensen, 2003]. La planificación resultante aumentó la producción mensual un 50 por ciento, el tiempo extra casi desapareció. El tiempo para producir la planificación descendió de cuatro días a solo uno. C.E. Borges, J.L. Montaña Universidad de Cantabria 58/87

59 Disen o de Estructuras. Problema. (Mejorar estructuras conocidas.) Algunos ejemplos: Disen o molinos de eo licos ma s eficientes[benini and Toffolo, 2002]. Mejora de los sistemas ABS[Lee and Zak, 2002]. Disen o de motores die sel ma s eficientes[schechter, 2000]. C.E. Borges, J.L. Montan a Universidad de Cantabria 59/87

60 Colocar Piezas. Problema. (Colocar Piezas en una Matriz.) Diseñar un algoritmo que gestione eficientemente la colocación de piezas en un tablero. Este problema es muy similar a generar un algoritmo que juegue correctamente al videojuego Tetris TM. En [Llima, ] se describe un algoritmo que en media realizar entre y ĺıneas. C.E. Borges, J.L. Montaña Universidad de Cantabria 60/87

61 Minería de datos. Problema. (Descubrir patrones en grandes conjuntos de datos.) Algunos ejemplos: Características de los clientes que cambian de proveedor de algún servicio[wai Ho Au et al., 2003]. Detección de objetos por sus patrones de radar[rizki et al., 2002]. Reconocimiento óptico de caracteres[rizki et al., 2002]. Análisis médico de imágenes[rizki et al., 2002]. En la sección Problemas desarrollamos en más profundidad técnicas para enfrentarse con estos problemas. C.E. Borges, J.L. Montaña Universidad de Cantabria 61/87

62 Dos ejemplos con más detalle. Ahora presentamos con más detalle dos problemas muy complicados de resolver mediante Métodos Clásicos pero que se ha demostrado empíricamente que son resolubles mediante Algoritmos Bioinspirados. Ecuaciones de Palabras. 10xy = 001xy 01 xy 111 = y 00111xx 0x00y 01 = 1xy 0 0y11 = yxy01 xx100y = 001x0y x?, y? 1 0,5 0 Regresión Simbólica. 0 0,5 1 C.E. Borges, J.L. Montaña Universidad de Cantabria 62/87

63 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 63/87

64 Un ejemplo: Sistemas de ecuaciones de palabras[alonso et al., 2004]. Problema. Dado dos patrones que contengan símbolos fijos y valores variables, encontrar una asignación de símbolos a las variables que haga iguales a ambos patrones. Ejemplo. Encontrar x, y en el conjunto de palabras sobre el alfabeto {0, 1} que satisfaga la siguiente ecuación: x01y = 0yxy. Una solución podría ser: x = 01, y = 1 En nuestro caso buscaremos soluciones acotadas. Es decir, que el número de símbolos sea menor o igual a d, una cota dada a priori. C.E. Borges, J.L. Montaña Universidad de Cantabria 64/87

65 Sistemas de ecuaciones de palabras. Por qué es importante? Aplicaciones en: Teoría de la Unificación (Prolog 3). Pattern-Matching. Diseño y verificación de circuitos eléctricos. C.E. Borges, J.L. Montaña Universidad de Cantabria 65/87

66 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? I Usaremos un Algoritmo Evolutivo Híbrido. 1 Generamos una población de candidatos a solución de forma aleatoria. Como la longitud de la soluciones está acotada, completamos la longitud de estos candidatos con el símbolo ε que denota el símbolo vacío. 2 La función de calificación será la suma de la cantidad de símbolos distintos en cada ecuación del sistema teniendo en cuenta que si una palabra es mayor que la otra, cada símbolo de más representa un error. 3 La selección se realizará mediante el método de la ruleta. Es decir, tendrán más probabilidad de cruzar o mutar los candidatos con mejor calificación. C.E. Borges, J.L. Montaña Universidad de Cantabria 66/87

67 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? II 4 La selección se realizará mediante el método de la ruleta. Es decir, tendrán más probabilidad de cruzar o mutar los candidatos con mejor calificación. ind 3 ind 2 12 % 10 % 17 % ind 1 45 % 16 % ind 4 ind 5 C.E. Borges, J.L. Montaña Universidad de Cantabria 67/87

68 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? III 5 La operación de mutación cambia, con probabilidad 1/d, cada uno de los símbolos. padre = 00000εε = hijo = 0110εεε 6 La operación de cruce intercambia, con probabilidad 1/2 cada uno de los símbolos del padre de menor longitud. Luego completa con algunos símbolos del otro padre. padre 1 = 01εεεεε hijo 1 = εεε = 1100εεε = padre 2 = ε hijo 2 = ε = ε C.E. Borges, J.L. Montaña Universidad de Cantabria 68/87

69 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? IV 7 Los operadores de cruce y mutación tienen en cuenta que los símbolos ε siempre se encuentran al final de la palabra. 8 Después de realizar un cruce o una mutación realizaremos una búsqueda local con el fin de encontrar mejoras en la calificación del candidato. 9 Finalmente, la condición de parada será encontrar una solución o realizar un número prefijado de iteraciones. 0010εεε 00100εε 0000εεε 0010εεε si mejora calificación probar con 00101εε 001εεεε C.E. Borges, J.L. Montaña Universidad de Cantabria 69/87

70 Sistemas de ecuaciones de palabras. Resultados Conclusiones. Realizar sólo la búsqueda local o sólo el algoritmo evolutivo es peor a que realizar ambos. De hecho, en problemas en el que el espacio de búsqueda es muy grande las diferencias son dramáticas[alonso et al., 2004]. Los mejores parámetros parecen ser tener una población muy pequeña junto con una probabilidad de mutación muy grande. Sin embargo, NO se puede eliminar el cruce, pues en ese caso se observa un comportamiento similar a la búsqueda local pura[alonso et al., 2004]. Estos resultados son coherentes con los obtenidos para otros problemas similares, por ejemplo 3SAT [Alonso et al., 2004]. a Entendemos por peor que la probabilidad empírica de encontrar una solución es menor. C.E. Borges, J.L. Montaña Universidad de Cantabria 70/87

71 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 71/87

72 Un ejemplo: Regresión Simbólica[Alonso et al., 2009b]. Problema. Dada una muestra de puntos encontrar la función que mejor los aproxima dentro de un conjunto de funciones dado. 1 x 4 + x 3 + x 2 + x 0, ,5 1 C.E. Borges, J.L. Montaña Universidad de Cantabria 72/87

73 Un ejemplo: Regresión Simbólica. Ejemplo. La interpolación y el método de mínimos cuadrados son dos aproximaciones muy restrictivas a este problema pues solo tratan con polinomios a. El método que proponemos nos permite buscar con prácticamente cualquier familia de funciones. a Para ser más precisos lo que requieren estos métodos es que el espacio de funciones sea un espacio vectorial de dimensión finita. C.E. Borges, J.L. Montaña Universidad de Cantabria 73/87

74 Regresión Simbólica. Por qué es importante? Este es uno de los problemas fundamentales en la teoría del aprendizaje tanto automática como natural. Es difícil pensar en alguna rama de la ciencia aplicada que no tenga que resolver algún problema de esta índole. Citamos a continuación algunos ejemplos: Predicciones en cualquier tipo de serie temporal. Predicciones epidemiológicas. Estimaciones de tendencias. En general, es el problema típico cuando se tiene gran cantidad de datos de índole numérico que se sospecha que siguen alguna regla. Hay que tener en cuenta que este problema está muy relacionado con el problema de clasificación. C.E. Borges, J.L. Montaña Universidad de Cantabria 74/87

Regresión simbólica con slp s.

Regresión simbólica con slp s. Regresión simbólica con slp s. Cruz Enrique Borges Hernández y José Luis Montaña 1 2 Departamento de Matemáticas, Estadística y Computación Universidad de Cantabria 7 de abril de 2011 This work is licensed

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

Temario III Algoritmos Combinatorios y Metaheurísticas

Temario III Algoritmos Combinatorios y Metaheurísticas Temario III Algoritmos Combinatorios y Metaheurísticas Verificación y Validación de Software UNCo 1 Contenidos Combinación de Datos de Test Algoritmos Combinatorios Metaheurísticas Búsqueda Tabú Algoritmos

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

BIOINFORMÁTICA 2013-2014

BIOINFORMÁTICA 2013-2014 BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados

Más detalles

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos

Más detalles

Algoritmos Genéticos.

Algoritmos Genéticos. Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011

Más detalles

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09 Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Optimización n Tradicional Problemas

Más detalles

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33 Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2 Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 22 prb@2007 2 1 El núcleo de cada célula humana contiene una base de datos química. Esta base de datos contiene todas las instrucciones que la

Más detalles

Algoritmos Genéticos. Introduccion a la Robótica Inteligente

Algoritmos Genéticos. Introduccion a la Robótica Inteligente Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)

Más detalles

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia

GUÍA DOCENTE. Curso Académico 2015/16. Técnicas de Análisis Estadístico basado en Inteligencia GUÍA DOCENTE Curso Académico 2015/16 1. Técnicas de Análisis Estadístico basado en Inteligencia Artificial 1.1. Datos de la asignatura Tipo de estudios Titulación Nombre de la asignatura Carácter de la

Más detalles

Tareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15%

Tareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15% Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello CINVESTAV-IPN Departamento de Computación Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D.F. 07360

Más detalles

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS Arranz de la Peña, Jorge Universidad Carlos III 100025106@alumnos.uc3m.es ALGORITMOS GENÉTICOS Parra Truyol, Antonio Universidad Carlos III 100023822@alumnos.uc3m.es En este documento se pretende analizar

Más detalles

Sistemas, modelos y simulación

Sistemas, modelos y simulación Sistemas, modelos y simulación Introducción I Un SISTEMA es una colección de entidades (seres o máquinas) que actúan y se relacionan hacia un fin lógico. Ejemplo: Un banco con: Cajeros [comerciales] [cajas

Más detalles

Resumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración

Resumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración 5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una

Más detalles

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS

ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos

Más detalles

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada.

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada. Computación n Evolutiva: Algoritmos Genéticos 1.- Metaheurísticos. Computación Evolutiva: Algoritmos Genéticos 2.- Conceptos principales de un Algoritmo Genético 3.- Estructura de un Algoritmo Genético

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

Inteligencia Artificial para desarrolladores Conceptos e implementación en C#

Inteligencia Artificial para desarrolladores Conceptos e implementación en C# Introducción 1. Estructura del capítulo 19 2. Definir la inteligencia 19 3. La inteligencia de los seres vivos 22 4. La inteligencia artificial 24 5. Dominios de aplicación 26 6. Resumen 28 Sistemas expertos

Más detalles

Aplicaciones a Problemas Científicos y Tecnológicos.

Aplicaciones a Problemas Científicos y Tecnológicos. Aplicaciones a Problemas Científicos y Tecnológicos. Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre

Más detalles

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo?

Scheduling Problem. Cuándo y dónde debo hacer cada trabajo? Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera

Más detalles

APLICABILIDAD DE MÉTODOS DE INTELIGENCIA ARTIFICIAL A LA CALIBRACIÓN DE REDES DE ACUEDUCTO

APLICABILIDAD DE MÉTODOS DE INTELIGENCIA ARTIFICIAL A LA CALIBRACIÓN DE REDES DE ACUEDUCTO APLICABILIDAD DE MÉTODOS DE INTELIGENCIA ARTIFICIAL A LA CALIBRACIÓN DE REDES DE ACUEDUCTO Juan Guillermo Saldarriga Valderrama * Profesor Titular del Departamento de Ingeniería Civil y Ambiental de la

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

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15

Más detalles

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C.

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. Diseño de redes viales urbanas usando algoritmos genéticos M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. e-mail: mapinnin@inf.udec.cl * Departamento de Ingeniería Informática y Ciencias

Más detalles

Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos *

Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos * Algoritmo de Colonias de Abejas Artificiales para la composición de equipos médicos * José A. Delgado-Osuna 1, Manuel Lozano 2, and Carlos García-Martínez 3 1 H.U. Reina Sofía jantonio.delgado.sspa@juntadeandalucia.es,

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Mutación El operador

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

Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas

Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Manuel Baena García, Rafael Morales Bueno y Carlos Cotta Porras Workshop MOISES Septiembre 2004 1/15 Contenido Inducción

Más detalles

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES

Más detalles

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD.

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD. Modelado de flujo en redes Jhon Jairo Padilla A., PhD. Conceptos básicos Demanda o volumen de Demanda: Es el tráfico que están requiriendo los usuarios de una red. Para transportar el volumen de demanda

Más detalles

MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13. Carlos Ivorra

MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13. Carlos Ivorra MATEMÁTICAS II APUNTES DE TEORÍA CURSO ACADÉMICO 2012-13 Carlos Ivorra Índice 1 Introducción a la optimización 1 2 Programación entera 18 3 Introducción a la programación lineal 24 4 El método símplex

Más detalles

Algoritmos Genéticos

Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

OTRAS APLICACIONES CON FIBRAS ÓPTICAS

OTRAS APLICACIONES CON FIBRAS ÓPTICAS APLICACIONES El campo de aplicación de las fibras ópticas es muy amplio y aumenta día a día. Algunas de las aplicaciones más importantes son: - Telecomunicaciones: En este apartado cabe incluir la red

Más detalles

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba

Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu. Instituto Superior Politécnico José Antonio Echeverría. Cuba Ingeniería Energética E-ISSN: 1815-5901 orestes@cipel.ispjae.edu.cu Instituto Superior Politécnico José Antonio Echeverría Cuba Carvajal- Pérez, Raúl Nicolás Un Algoritmo Genético Especializado en Planeamiento

Más detalles

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

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

Desarrollo de un cluster computacional para la compilación de. algoritmos en paralelo en el Observatorio Astronómico.

Desarrollo de un cluster computacional para la compilación de. algoritmos en paralelo en el Observatorio Astronómico. Desarrollo de un cluster computacional para la compilación de algoritmos en paralelo en el Observatorio Astronómico. John Jairo Parra Pérez Resumen Este artículo muestra cómo funciona la supercomputación

Más detalles

Representación con Restricciones de Medidas Cualitativas: Aplicación a un Problema de Scheduling

Representación con Restricciones de Medidas Cualitativas: Aplicación a un Problema de Scheduling Representación con Restricciones de Medidas Cualitativas: Aplicación a un Problema de Scheduling Salvador E. Ayala-Raggi German Cuaya-Simbro Modesto G. Medina-Melendrez Angélica Muñoz-Meléndez Instituto

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

Nombre de la asignatura: METODOS NUMERICOS. Carrera : Ingeniería Mecánica. Clave de la asignatura: ACB- 9311 Clave local:

Nombre de la asignatura: METODOS NUMERICOS. Carrera : Ingeniería Mecánica. Clave de la asignatura: ACB- 9311 Clave local: Nombre de la asignatura: METODOS NUMERICOS Carrera : Ingeniería Mecánica Clave de la asignatura: ACB- 9 Clave local: Horas teoría horas practicas créditos: -0-8.- UBICACIÓN DE LA ASIGNATURA A) RELACIÓN

Más detalles

OPTIMIZACIÓN CON SOLVER

OPTIMIZACIÓN CON SOLVER OPTIMIZACIÓN CON SOLVER SÁNCHEZ ALVAREZ, ISIDRO (isanchez@econo.uniovi.es) LÓPEZ ARES, SUSANA (slopez@econo.uniovi.es) Departamento de Economía Cuantitativa - Universidad de Oviedo La relevancia de los

Más detalles

Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos

Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos Experimentos con Algoritmos Genéticos para resolver un problema real de Programación Maestros-Horarios-Cursos Pedro FLORES, Ernesto BRAU, Jazmín A. MONTEVERDE, Norman F. SALAZAR, José FIGUEROA, Eliseo

Más detalles

WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS

WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS WEBBER: USO DE COMPONENTES PARA LA ARMONIZACIÓN DE CONTENIDOS Y METADATOS Autores: Introducción Diego R. López RedIRIS diego.lopez@rediris.es El trabajo necesario para mantener un servidor de información

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

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

Capítulo 1. Introducción. 1.1. Antecedentes

Capítulo 1. Introducción. 1.1. Antecedentes Capítulo 1. Introducción En este capítulo se presenta una descripción general del problema a investigar y el enfoque con el que se aborda. Se establece la necesidad de incorporar técnicas de análisis novedosas

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

Hibridación Iterativa de DE con Búsqueda Local con reinicio para problemas de alta dimensionalidad

Hibridación Iterativa de DE con Búsqueda Local con reinicio para problemas de alta dimensionalidad Hibridación Iterativa de DE con Búsqueda Local con reinicio para problemas de alta dimensionalidad Daniel Molina 1 and Francisco Herrera 2 1 Universidad de Cádiz, daniel.molina@uca.es 2 Universidad de

Más detalles

Optimización de Procesos

Optimización de Procesos Optimización de Procesos Tier I: Métodos Matemáticos de Click to edit Master title style Optimización Sección 4: Optimización Multi-Objetivo Click to Introducción edit Master title style La optimización

Más detalles

An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem

An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem Maria L. Ivanissevich UNPA Antonio S. Cofiño José Manuel Gutiérrez Universidad de Cantabria http://personales.unican.es/~gutierjm

Más detalles

ALGORITMOS DE OPTIMIZACIÓN BASADOS

ALGORITMOS DE OPTIMIZACIÓN BASADOS ALGORITMOS DE OPTIMIZACIÓN BASADOS EN INTELIGENCIA COLECTIVA M. en C. Miriam Pescador Rojas Estudiante de Doctorado Departamento de Ciencias de la Computación Centro de Investigación y Estudios Avanzados

Más detalles

APRENDIZAJE HÍBRIDO DE LA BASE DE CONOCIMIENTO DE UN SISTEMA BASADO EN REGLAS DIFUSAS MEDIANTE ALGORITMOS GENÉTICOS Y COLONIAS DE HORMIGAS

APRENDIZAJE HÍBRIDO DE LA BASE DE CONOCIMIENTO DE UN SISTEMA BASADO EN REGLAS DIFUSAS MEDIANTE ALGORITMOS GENÉTICOS Y COLONIAS DE HORMIGAS APRENDIZAJE HÍBRIDO DE LA BASE DE CONOCIMIENTO DE UN SISTEMA BASADO EN REGLAS DIFUSAS MEDIANTE ALGORITMOS GENÉTICOS Y COLONIAS DE HORMIGAS J. Casillas, O. Cordón, F. Herrera P. Villar Dept. Ciencias de

Más detalles

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores

Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Un algoritmo evolutivo simple para el problema de asignación de tareas a procesadores Pablo Ezzatti CeCal, Facultad de Ingeniería Universidad de la República, Uruguay pezzatti@fing.edu.uy Sergio Nesmachnow

Más detalles

Lugar y fecha de nacimiento: Barrancabermeja, Santander, Marzo 15, 1982

Lugar y fecha de nacimiento: Barrancabermeja, Santander, Marzo 15, 1982 Curriculum Vitæ DATOS PERSONALES Nombre: Jair Montoya Martínez. Lugar y fecha de nacimiento: Barrancabermeja, Santander, Marzo 15, 1982 Teléfono (Medellín): 235 23 61 Teléfono (Barrancabermeja): 057-622

Más detalles

COMPUTACIÓN EVOLUTIVA (CE) PROGRAMACIÓN GENÉTICA EVOLUCIÓN GRAMATICAL PROGRAMACIÓN POR EXPRESIÓN GENÉTICA

COMPUTACIÓN EVOLUTIVA (CE) PROGRAMACIÓN GENÉTICA EVOLUCIÓN GRAMATICAL PROGRAMACIÓN POR EXPRESIÓN GENÉTICA COMPUTACIÓN EVOLUTIVA (CE) PROGRAMACIÓN GENÉTICA EVOLUCIÓN GRAMATICAL PROGRAMACIÓN POR EXPRESIÓN GENÉTICA Angel García Baños Escuela de Ingeniería de Sistemas y Computación Universidad del Valle 04 de

Más detalles

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN

MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN MECANISMOS DE PROTECCIÓN Y RESTAURACIÓN Sistemas de Telecomunicación Alumnos: Pablo Núñez López Alberto Garzón Leo INDICE 1. Índice 2. Introducción y objetivos Definiciones Mecanismos de protección y restauración

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

Propuesta de un algoritmo evolutivo aplicado a problemas de optimización

Propuesta de un algoritmo evolutivo aplicado a problemas de optimización Propuesta de un algoritmo evolutivo aplicado a problemas de optimización Javier Izetta Riera 1 y Nilda M. Pérez Otero 1 1 Grupo de Investigación y Desarrollo en Informática Aplicada, Facultad de Ingeniería,

Más detalles

Solución basada en modelos para la predicción del tráfico en tiempo real

Solución basada en modelos para la predicción del tráfico en tiempo real ES POSIBLE QUE LAS CIUDADES VAYAN UN PASO ADELANTE? Solución basada en modelos para la predicción del tráfico en tiempo real PTV Optima es la herramienta clave para el éxito en la gestión del tráfico.

Más detalles

Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD.

Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD. Componentes de la Ingeniería de Tráfico (Recomendaciones ITU-T) Jhon Jairo Padilla Aguilar, PhD. Recomendaciones de la ITU-T ITU- International Telecommunications Union Las recomendaciones de la ITU-T

Más detalles

INVESTIGACION OPERATIVA INTRODUCCION. Introducción

INVESTIGACION OPERATIVA INTRODUCCION. Introducción INVESTIGACION OPERATIVA INTRODUCCION Introducción Estructura del Curso 1. Introducción y modelamiento: 2 semanas 2. Programación Lineal: 2 semanas 3. Programación Lineal Entera: 1 semana 4. Teoría de Grafos:

Más detalles

Programación de tareas, un reto diario en la empresa

Programación de tareas, un reto diario en la empresa Programación de tareas, un reto diario en la empresa Pedro Sánchez Martín Ingeniero del ICAI (1993) y Doctor en Ingeniería Industrial por la UPCO (1998). Profesor del Departamento de Organización Industrial

Más detalles

Evaluación de la disponibilidad de los servicios desplegados sobre Volunteer Computing

Evaluación de la disponibilidad de los servicios desplegados sobre Volunteer Computing Evaluación de la disponibilidad de los servicios desplegados sobre Volunteer Computing Antonio Escot Praena Enginyeria Informàtica i Tècnica de Gestió Dirección del TFC Ángel A. Juan, PhD. Eva Vallada

Más detalles

Ingeniería de Software I

Ingeniería de Software I Ingeniería de Software I Agenda Objetivo. Unidades de aprendizaje. Formas de evaluación. Bibliografía. 2 Datos del profesor Correo electrónico: egonzalez@upemor.edu.mx Asesorías Jueves de 11:00 a 13:00

Más detalles

ENTORNO PARA LA PLANIFICACION DE LA PRODUCCION DE SISTEMAS DE FABRICACION FLEXIBLES

ENTORNO PARA LA PLANIFICACION DE LA PRODUCCION DE SISTEMAS DE FABRICACION FLEXIBLES ENTORNO PARA LA PLANIFICACION DE LA PRODUCCION DE SISTEMAS DE FABRICACION FLEXIBLES Mercedes E. Narciso Farias, Miquel Angel Piera i Eroles Unidad de Ingeniería de Sistemas y Automática. Universidad Autónoma

Más detalles

INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO

INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO INGENIERIA EN INGENIERÍA EN SISTEMAS COMPUTACIONALES CLAVE MATERIA OBJETIVO SCE - 0418 SCM - 0414 SCC-0428 ACM - 0403 SCB - 0421 SCV - 0407 ACU-0402 Introducción a la ingeniería en sistemas computacionales

Más detalles

Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida de residuos

Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida de residuos International Conference on Industrial Engineering & Industrial Management - CIO 2007 1443 Uso de algoritmos genéticos para resolver el modelo determinista y estocástico para el diseño de una red de recogida

Más detalles

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible Sara Lumbreras

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

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

Visión. Sesión 4: Búsqueda y tracking de modelos 2D en imágenes. Departamento CCIA http://www.jtech.ua.es/vision/2011/

Visión. Sesión 4: Búsqueda y tracking de modelos 2D en imágenes. Departamento CCIA http://www.jtech.ua.es/vision/2011/ Visión Sesión 4: Búsqueda y tracking de modelos 2D en imágenes Departamento CCIA http://www.jtech.ua.es/vision/2011/ Hoy Detección de aristas Transformada de Hough Componentes conectadas Alineación de

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo

Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo Selección Sexual Discriminatoria en un Algoritmo Evolutivo con una Matriz de Preferencias para la mejora de calidad de los Horarios de Trabajo Víctor Arroyo Ciencia de la Computación Universidad Católica

Más detalles

Matemáticas Evolutivas: Algoritmos Genéticos

Matemáticas Evolutivas: Algoritmos Genéticos Matemáticas Evolutivas: Algoritmos Genéticos María Teresa Iglesias Otero Departamento de Matemáticas Universidade da Coruña Cuál es la mejor forma de...? cuál es el camino más corto a...? cuál es la más

Más detalles

Algoritmos Evolutivos

Algoritmos Evolutivos Algoritmos Evolutivos 2003-11-20 Cristóbal Romero, Pedro González y Sebastián Ventura 1.1 Introducción En general, cualquier tarea abstracta a realizar puede considerarse como la resolución de un problema

Más detalles

Apuntes de Matemática Discreta 7. Relaciones de Orden

Apuntes de Matemática Discreta 7. Relaciones de Orden Apuntes de Matemática Discreta 7. Relaciones de Orden Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 7 Relaciones de Orden Contenido

Más detalles

OPTIMIZACIÓN DE POTENCIA CONTRATADA PARA TARIFAS ELÉCTRICAS.

OPTIMIZACIÓN DE POTENCIA CONTRATADA PARA TARIFAS ELÉCTRICAS. OPTIMIZACIÓN DE POTENCIA CONTRATADA PARA TARIFAS ELÉCTRICAS. MÉTODO DE CÁLCULO POR ITERACIÓN RECURRENTE PARA 3 PERÍODOS Y MÉTODO DE CÁLCULO POR SOLUCIÓN MEDIANTE MULTIPLICADORES DE LAGRANGE PARA 6 PERÍODOS

Más detalles

Teoría de Colas. TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas).

Teoría de Colas. TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas). Teoría de Colas TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas). IO 07/08 - Teoría de Colas 1 Teoría de Colas: ejemplos

Más detalles

Medida del rendimiento

Medida del rendimiento Medida del rendimiento Benchmarks V 1.0 José M. Cámara (checam@ubu.es) Motivación El rendimiento debe ser evaluado para: Valorar el comportamiento del sistema. Comparar varios sistemas. Optimizar la utilización.

Más detalles

Con el fin de obtener los datos, se procede con las siguientes instrucciones:

Con el fin de obtener los datos, se procede con las siguientes instrucciones: Capitulo 3. La predicción de beneficios del mercado bursátil Este segundo caso de estudio va más allá en el uso de técnicas de minería de datos. El dominio específico utilizado para ilustrar estos problemas

Más detalles

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated

Más detalles

Simulación ISC. Profr. Pedro Pablo Mayorga

Simulación ISC. Profr. Pedro Pablo Mayorga Simulación ISC Profr. Pedro Pablo Mayorga Ventajas 1. Es un proceso relativamente eficiente y flexible. 2. Puede ser usada para analizar y sintetizar una compleja y extensa situación real, pero no puede

Más detalles

PROGRAMACION DINAMICA. CASOS PRACTICOS

PROGRAMACION DINAMICA. CASOS PRACTICOS 7 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8- de abril de PROGRAMACION DINAMICA. CASOS PRACTICOS R. Pintor Departamento de Ingeniería Industrial Centro Universitario de Ciencias

Más detalles

Cómo ordenar una lista de números?

Cómo ordenar una lista de números? Cómo ordenar una lista de números? Germán Ariel Torres Resumen. Este trabajo trata acerca de métodos y técnicas usadas para el ordenamiento eficiente de listas de números. Se analizan los métodos básicos,

Más detalles

Investigación de Operaciones (IO) Operations Research

Investigación de Operaciones (IO) Operations Research Investigación de Operaciones (IO) Operations Research Dr. Ricardo Soto [ricardo.soto@ucv.cl] [http://www.inf.ucv.cl/ rsoto] Escuela de Ingeniería Informática Pontificia Universidad Católica de Valparaíso

Más detalles

Importancia de las pruebas de software

Importancia de las pruebas de software Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 30 de marzo del 2011 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Pruebas de software 30 de marzo del 2011 1 / 40 1 Importancia de las pruebas de software Introducción

Más detalles

Analizar, desarrollar y programar modelos matemáticos, estadísticos y de simulación.

Analizar, desarrollar y programar modelos matemáticos, estadísticos y de simulación. PERFIL PROFESIONAL Analizar, desarrollar y programar modelos matemáticos, estadísticos y de simulación. Reconocer y guiarse por los aspectos sociales, profesionales y éticos en su entorno. Dirigir y coordinar

Más detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción

Propuesta de un algoritmo genético para la programación diaria de los pedidos de una empresa del sector de la construcción 5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de Septiembre de 2011 Propuesta de un algoritmo genético para

Más detalles

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del

En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del 33 En este capitulo se presentan los métodos y algoritmos utilizados para el desarrollo del sistema de procesamiento de imágenes para controlar un robot manipulador y se describen en la forma como serán

Más detalles

Sistema inteligente para el tratamiento de ruidos

Sistema inteligente para el tratamiento de ruidos Sistema inteligente para el tratamiento de ruidos G.M.Barrera, F.D.Goldenstein, D.M.López de Luise Universidad de Palermo (Tel.: 54--599-4520, aigroup@palermo.edu). Objetivos y alcance El principal objetivo

Más detalles

Optimización inspirada en la naturaleza

Optimización inspirada en la naturaleza Optimización inspirada en la naturaleza Efrén Mezura-Montes Laboratorio Nacional de Informática Avanzada (LANIA AC) Xalapa, Veracruz, MEXICO emezura@lania.mx http://www.lania.mx/~emezura 10ª feria de Posgrados

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

Simulación y Modelos Estocásticos

Simulación y Modelos Estocásticos y Modelos Estocásticos Héctor Allende O!"# $# %#&' ( ) *+,-+,,*,/ ) -++,,*,/ ) 0 1 %*++,,*,/ $2,/ 04 %! 2! 5,,#6)5 1 Conceptos básicos: fundamentos de modelos de simulación y del modelado de sistemas complejos,

Más detalles

ORGANIZACIÓN DE LOS SERVICIOS INFORMÁTICOS

ORGANIZACIÓN DE LOS SERVICIOS INFORMÁTICOS 1 ORGANIZACIÓN DE LOS SERVICIOS INFORMÁTICOS INTRODUCCIÓN La realización de trabajos utilizando los medios informáticos de una empresa requiere una cierta organización y destreza relativa tanto a los equipos,

Más detalles

Introducción a los Algoritmos Genéticos

Introducción a los Algoritmos Genéticos Introducción a los Algoritmos Genéticos Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 17 de octubre de 2005 c FJRP 2005 ccia IA Métodos de 8 < : 1 Introducción 9 =

Más detalles

LOCALIZACIÓN ÓPTIMA DE DISPOSITIVOS FACTS EN SISTEMAS DE TRANSMISIÓN USANDO ENJAMBRE DE PARTÍCULAS

LOCALIZACIÓN ÓPTIMA DE DISPOSITIVOS FACTS EN SISTEMAS DE TRANSMISIÓN USANDO ENJAMBRE DE PARTÍCULAS I CONGRESO VENEZOLANO DE REDES Y ENERGÍA ELÉCTRICA Comité Nacional Venezolano Noviembre 27 167 LOCALIZACIÓN ÓPTIMA DE DISPOSITIVOS FACTS EN SISTEMAS DE TRANSMISIÓN USANDO ENJAMBRE DE PARTÍCULAS Jose H.

Más detalles