Algoritmos Evolutivos y Punto de Funcionamiento Aplicados a un Problema Real de Optimización Multiobjetivo en Diseño de Sistemas de Seguridad
|
|
- Isabel Castilla Palma
- hace 6 años
- Vistas:
Transcripción
1 Algoritmos Evolutivos y Punto de Funcionamiento Aplicados a un Problema Real de Optimización Multiobjetivo en Diseño de Sistemas de Seguridad M. Méndez 1, B. Galván 2, D. Greiner 2, G. Winter 2 Resumen La aplicación de Algoritmos Evolutivos Multiobjetivo (AEMOs) a problemas del mundo real que identifican en los espacios de decisión u objetivos, un vector solución o Punto de Funcionamiento (PF) (el cual define el estado actual del sistema), puede no ser lo más conveniente. Por ejemplo, podemos admitir que en este tipo de problemas, un decisor pueda considerar elevado el costo computacional de alcanzar el frente completo de Pareto y preferir aquella porción o región del frente de soluciones que domine al PF. En este trabajo se aplica el método WP- TOPSISGA (mezcla NSGAII, el método de Toma de Decisiones Multicriterio TOPSIS y el PF) y se estudian sus bondades (conducir la búsqueda hacia la región de interés y clasificar las soluciones según TOPSIS) sobre un problema real de ingeniería en Diseño de Sistemas de Seguridad. Se ha usado el Sistema de Contención por Inyección en Spray de una central nuclear de generación eléctrica, para el cual se han definido en el espacio de los objetivos, varios Puntos de Funcionamiento, minimizandose los objetivos coste y no-disponibilidad. Palabras clave Algoritmos Evolutivos Multiobjetivo, Toma de Decisiones, Decisor, Punto de Funcionamiento, TOPSIS, Preferencias. I. Introducción Numerosos problemas industriales, económicos u otros, pueden definir en los espacios de la decisión o de los objetivos, un Punto de Funcionamiento (PF) [16][17], o solución estable y realizable de trabajo no necesariamente eficaz o Pareto óptima. La aplicación a este tipo de problemas, de Algoritmos Evolutivos Multiobjetivo (AEMOs) (altamente eficientes y capaces de obtener frentes óptimos de Pareto, amplios y bien distribuidos), como paso preliminar a la toma de decisión, puede no ser el enfoque más apropiado. De hecho, un decisor puede estar más interesado en guiar la búsqueda de soluciones hacia una pequeña porción del frente óptimo de Pareto, por ejemplo aquella cuyas soluciones do- 1 Dpto. de Informática y Sistemas, Universidad de Las Palmas de Gran Canaria (ULPGC), Edif. de Informática y Matemáticas. Campus de Tafira, CP Las Palmas G.C. mmendez@dis.ulpgc.es. 2 División de Computación Evolutiva (CEANI), Inst. Univ. de Sistemas Inteligentes (IUSIANI), Universidad de Las Palmas de Gran Canaria (ULPGC), Edif. Polivalente. Campus de Tafira, CP Las Palmas G.C. bgalvan@step.es, dgreiner@iusiani.ulpgc.es, gabw@step.es minan al PF (Región dominante del Punto de Funcionamiento R d -PF [16]). Con este punto de vista, el método WP-TOPSISGA [16] (combina la segunda generación de AEMOs (NSGAII [3][4]), el método ampliamente conocido de Toma de Decisiones Multicriterio TOPSIS [13] y el PF), ha mostrado excelentes resultados al aplicarse al conocido problema test de la Mochila Multiobjetivo en variables binarias [14][15][19][22][25] (0-1MOKP, siglas en inglés de Multiobjective Knapsack Problem). En este trabajo se pretende experimentar el método WP-TOPSISGA, en un Problema de Optimización Multiobjetivo (POM) real de ingeniería en Diseño de Sistemas de Seguridad. En particular, se ha utilizado el Sistema de Contención por Inyección en Spray (SCIS) de una central nuclear de generación eléctrica [5][10][11]. En la evaluación de resultados se han comparado los métodos WP-TOPSISGA y NSGAII, utilizandose la métrica relativa C(A,B) [24], para medir el porcentaje de soluciones de B que son dominadas por al menos una solución de A (menor valor de C(A,B), mejor). No obstante, remarcamos que es conveniente hacer balance entre el amplio frente producido por NSGAII con la exploración e identificación de soluciones en la zona de interés (la R d -PF) realizada por WP-TOPSISGA. En la sección siguiente se exponen nociones y conceptos básicos para situar el presente trabajo en perspectiva. La sección 3 describe el método de Ayuda a la Decisión Multicriterio TOPSIS. La sección 4 presenta los detalles de diseño e implementación del algoritmo WP-TOPSISGA. En la sección 5 se resumen el problema de Optimización Multiobjetivo en Diseño de Sistemas de Seguridad y los resultados obtenidos. Por último, la sección 6 recoge las conclusiones del trabajo. II. Definiciones Un POM es aquel que corresponde a una cierta realidad industrial, económica u otra y sobre el que un decisor desea optimizar simultaneamente varios objetivos usualmente en conflicto entre sí. De manera general un POM se puede representar (en términos de minimización) de la siguiente forma:
2 mín. F (x) = f 1 (x), f 2 (x),..., f k (x) s.a. g j (x) 0 j (1, 2,..., m) h q (x) = 0 q (1, 2,..., p) B inf x l B sup l (1, 2,..., n) F(x) es el vector de objetivos a minimizar y k 2 representa el número de objetivos. Los valores B inf y B sup son respectivamente los limites inferior y superior de la variable x l. Los valores de x l que verifican estas restricciones definen el espacio de busqueda (figura 1 izquierda). Las restricciones g j (x) 0 y h q (x) = 0 representan respectivamente m restricciones de desigualdad y p restricciones de igualdad. Los valores de x que satisfacen el conjunto de las (m+p) restricciones, definen el espacio realizable S (figura 1 centro). El vector x=(x 1, x 2,..., x n ) S es un vector solución de n variables de decisión. En el marco de la Optimización Multiobjetivo, con frecuencia el decisor razona en términos de la evaluación de una solución según cada objetivo, situándose en el espacio de los objetivos. Para representar el conjunto de soluciones realizables, en el espacio de los objetivos, es preciso determinar la imagen de cada solución realizable del espacio de decisión. Obtenemos así un conjunto Z = f(s) (figura 1 derecha) definido como: { Z = {z = (z1, z 2,..., z k ) R k : z 1 = f 1 (x), z 2 = f 2 (x),..., z k = f k (x), x S} donde Z representa el conjunto de soluciones realizables en el espacio de los objetivos y z=(z 1, z 2,..., z k ) una solución realizable en el espacio de los objetivos. Fig. 1. Espacios de búsqueda, realizable y de los objetivos. Definición 1 (Dominancia de Pareto) Una solución x t = (x t 1, x t 2,..., x t n) domina una solución x u = (x u 1, x u 2,..., x u n) si se verifican las siguientes condiciones: 1. z t i zu i i (1, 2,..., k) 2. i (1, 2,..., k) tal que zi t < zu i Definición 2 (Pareto óptima) Una solución x S es Pareto óptima 1 si y solo si no existe una solución x S tal que x S domine x S. Una solución 1 El concepto de óptimo de Pareto lo formuló Vilfredo Pareto [20] a finales del siglo XIX. Fig. 2. Puntos Ideal, Nadir (izquierda) y PF (derecha). Pareto óptima tambén es conocida como solución eficaz o solución no-dominada. Definición 3 (Conjunto de Pareto) En general, en un POM no existe una única solución x S Pareto óptima, si más bien un conjunto de soluciones denominado conjunto de Pareto o conjunto eficiente. Definición 4 (Frente de Pareto) El conjunto de soluciones en el espacio de los objetivos que son imágenes del conjunto de Pareto, se denomina frente de Pareto (figura 1 derecha). Definición 5 (Punto Ideal z I ) Es un vector solución z I = (z1, I z2, I..., zk I ), construido con los mejores valores función objetivo de todas las soluciones del espacio de los objetivos (figura 2 izquierda). Este punto es en general inalcanzable. Definición 6 (Punto Nadir z N ) Es un vector solución z N = (z1 N, z2 N,..., zk N ), construido con los peores valores función objetivo de todas las soluciones del frente de Pareto (figura 2 izquierda). Este punto puede ser alcanzable o inalcanzable. Definición 7 (Punto de Referencia z ) Es un vector solución z = (z1, z2,..., zk ), que define la meta a alcanzar por cada función objetivo. Definición 8 (Punto de Funcionamiento PF [16]) Es un vector solución x P F = (x P 1 F, x P 2 F,..., x P n F ) de un problema real Multiobjetivo, que identifica una solución estable de funcionamiento (o trabajo), no necesariamente efectiva o Pareto óptima. El PF tambien se define como aquel vector solución x P F = (x P 1 F, x P 2 F,..., x P n F ) de un problema real Multiobjetivo, que determina el estado actual del sistema. La imagen de x P F, define el PF en el espacio de los objetivos (z P F = (z1 P F, z2 P F,..., zk P F )), ver la figura 2 derecha. Se define la Región dominante del PF (R d -PF) [16], como aquel subconjunto de soluciones (subregión) del frente de Pareto, que dominan al PF (figura 2 derecha). Axioma 1 (De pertenencia [16][17]) Si una solución z P F = (z1 P F, z2 P F,.., zk P F ) definida en el espacio de los objetivos, es el PF de un problema real Multiobjetivo, entonces z P F = (z1 P F, z2 P F,..., zk P F ) pertenece al conjunto realizable de soluciones en el espacio de los objetivos Z. Axioma 2 (De pertenencia [18]) Si una solución x P F = (x P 1 F, x P 2 F,..., x P n F ) definida en el espacio de decisión, es el PF de un problema real Multiobjetivo, entonces x P F = (x P F 1, x P F 2,..., x P n F ) pertenece
3 Fig. 3. Método TOPSIS: situación general y dilema. al conjunto realizable de soluciones en el espacio de decisión S. III. Método TOPSIS El método TOPSIS fue propuesto por Hwang y Yoon [13] para la resolución de problemas de ayuda multicriterio a la decisión (problemas con un número finito de soluciones), y está fundado en el axioma de Zeleny [23]: es racional elegir una acción (solución) lo más próxima a la ideal o lo más alejada de la antiideal (nadir). En la situación más general (figura 3 izquierda), TOPSIS establece que se debe elegir aquella acción (a j ) con menor distancia a la acción ideal (z I ) y mayor distancia a la acción anti-ideal (z N ). Sin embargo la figura 3 (derecha), muestra que la acción a z es la más cercana a la acción ideal, mientras que la acción a j es la más alejada de la acción anti-ideal, aquí, TOPSIS afronta el dilema de trabajar con la acción ideal o la anti-ideal. TOPSIS resuelve el dilema, utilizando el concepto de similaridad al ideal [2]. En cuanto a las distancias, éstas se calculan para un valor particular de la métrica p (con: 1 p ) en la ecuación de la función distancia: L p = [ k w p i ] 1 vji z I p p (1) donde v ji es el valor normalizado de la acción a j implementada para el criterio f i, z I es el vector cuyas coordenadas corresponde al punto de referencia (con TOPSIS este punto corresponde a la acción ideal o la anti-ideal) y w i es el vector de pesos acorde a las k preferencias del decisor con w i = 1 y w i 0 para todo i. El método se compone de un procedimiento de 6 etapas: 1. Se construye una matriz de decisión del problema, de forma que un conjunto n de acciones o soluciones A=(a j, j=1,2,...,n) es comparado con respecto a un conjunto k de criterios (objetivos) F=(f i,,2,...,k). La utilidad f i (a j ), que para un decisor tiene la alternativa j, con respecto al criterio i, se recoge en la evaluación x ji = f i (a j ). 2. El decisor asigna a los criterios un peso w i 0 según sus preferencias. 3. Se normalizan las evaluaciones x ji y se obtienen los valores v ji. 4. Se determina la acción ideal z I = (v1, I v2, I..., vk I), construida con las mejores acciones de cada criterio y la acción anti-ideal z N = (v1 N, v2 N,..., vk N ) constituida por las peores acciones de cada criterio. 5. Se calculan los valores de las distancias Euclídeas de cada acción respecto las acciones ideal y anti-ideal según: d I j = k w i (v ji z I ) 2 j = 1, 2,..., n (2) d N j = k w i (v ji z N ) 2 j = 1, 2,..., n (3) 6. Se determina el ratio de similaridad D I j o cercanía relativa a la acción ideal a partir de la ecuación: dn j Dj I = d I j + dn j con D I j = [0, 1] (4) 7. Se clasifican las acciones según el orden de preferencia: de mayor a menor similaridad D I j. IV. Método WP-TOPSISGA El método WP-TOPSISGA [16] (ver la figura 4), tiene una estructura similar a otros AEMOs e introduce dos cambios en la original formulación de NSGAII [3][4]: primero, el tamaño de la población (Q) y el del fichero de soluciones no dominadas (P) pueden diferir y segundo, el operador crowding de NSGAII se ha sustituido por el operador que se ha denominado similarity (similaridad). En cada generación t, se forma una población R t =P t +Q t (tamaño N para P t y tamaño M para Q t ). Como todos los miembros de la población anterior están incluidos en R t, el elitismo está asegurado. Luego, R t es clasificada en base a dominancia. La siguiente población P t+1 se construye con las soluciones nodominadas de R t comenzando con el frente F 1 de rango 1 seguido por el frente F 2 de rango 2 hasta llegar a un frente F i cuyas soluciones no caben íntegramente en la nueva población (tamaño N). Con el fin de mantener el tamaño N de la nueva población, se aplica al frente F i el operador similarity en los siguientes términos: los extremos del primer frente de rango 1 definen las soluciones ideales y anti-ideales; con esta información se calcula para cada solución, la similaridad [2] a la solución ideal, a continuación y para elegir las soluciones que formarán parte del frente F i se sigue el orden: (1) las soluciones extremas, (2) soluciones de mayor valor de similaridad y que pertenecen a la R d -PF y (3) resto de soluciones con mayor valor de similaridad. Más tarde, se genera una nueva población de descendientes Q t+1 aplicando los operadores de
4 Fig. 4. Esquema de funcionamiento de WP-TOPSISGA. Fig. 5. Estimación de los pesos w i según WP-TOPSISGA. selección (torneo binario con el criterio: (1) individuo de menor rango, (2) soluciones extremas, (3a) si los individuos pertenecen a la R d -PF se elige el de mayor valor de similaridad o al azar, si ambos individuos tienen el mismo valor de similaridad, (3b) si los individuos no pertenecen a la R d -PF se elige el de mayor valor de similaridad o al azar, si ambos individuos tienen el mismo valor de similaridad y (3c) si un individuo pertenece a la R d -PF y el otro no, se elige el que pertenece a la R d -PF). Una cuestión importante es que con el método TOPSIS los valores de los pesos son estimados por el decisor acorde a sus preferencias, sin embargo con WP-TOPSISGA los valores w i, son estimados de forma automática por interpolación en cada iteración del algoritmo en base al valor del PF, de la siguiente manera: si suponemos una cierta generación o instante t de la búsqueda y un frente óptimo resultante, como el que se muestra en la figura 5 (en términos de maximización), la elección por un decisor de la solución extrema A, indicaría que el objetivo f 2 le resulta de máxima relevancia comparada con el objetivo f 1 (en valores cuantitativos de las preferencias: w 1 =0, w 2 =1); justo lo contrario si la elección del decisor fuese la solución extrema F, ahora es f 1 comparado con f 2, el objetivo de máxima relevancia (en valores cuantitativos de las preferencias: w 1 =1, w 2 =0). Ambas soluciones extremas A y F, definen los extremos de un intervalo cuyos valores son conocidos, si ahora la elección del decisor fuese la solución D (solución más cercana al PF), el valor de w D 2 puede ser estimado por interpolación (se utilizó, el método de los coeficientes indeterminados) según la ecuación w D 2 = f D 2 f F 2 f2 A f 2 F w D 1 = 1 w2 D. y el valor de w D 1 V. Resultados experimentales mediante A. Problema de Optimización Multiobjetivo en Diseño de Sistemas de Seguridad A.1 Descripción La Optimización en Diseño de Sistemas de Seguridad (ODSS), es una disciplina de la ingeniería, que debido al incremento de la complejidad de los sis- temas y a la necesidad de tener que obtener diseños óptimos más que simplemente adecuados, ha experimentado en la última década una importante evolución. En estos sistemas se debe hacer un especial énfasis al diseño de Sistemas de Seguridad (un fallo en el sistema puede implicar daño a personas), considerando alternativas de diseño y/o estrategias de mantenimiento, con la finalidad de desarrollar una optimización global. En ambos casos, métodos multiobjetivo son especialmente adecuados, pues los decisores están especialmente interesados en tomar sus decisiones en base a diferentes objetivos en conflicto. La metodología más difundida para modelar sistemas de seguridad es el análisis de árboles de fallos. Un árbol de fallos, consiste en un diagrama booleano, compuesto fundamentalmente por puertas lógicas AND y OR que modelan la lógica de fallos del sistema. Existen muchos métodos para la evaluación cuantitativa de los árboles de fallos, en este trabajo se utilizará un método eficiente denominado método de los pesos [5][8], que proporciona límites superior e inferior exactos de la no-disponibilidad del sistema para un error preespecificado máximo. Los métodos más utilizados en la optimización de problemas de ODSS, son los algoritmos evolutivos [6][7][9][12]. Una consideración importante, previa al uso del algoritmo evolutivo, es la codificación de las soluciones candidatas. Código binario, entero y real puede ser usado, si bien el código binario es el más utilizado [1] y el que hemos adoptado para el problema utilizado como aplicación práctica en este trabajo. No obstante, ciertos autores [21], han observado problemas de convergencia en ODSS a causa de la diferente naturaleza de las variables implicadas (variables binarias para las alternativas de diseño y variables reales en las estrategias de mantenimiento). Como aplicación práctica de ODSS, se ha usado el Sistema de Contención por Inyección en Spray (SCIS) de una central nuclear de generación eléctrica. Este problema es de naturaleza NP-difícil y ha sido ampliamente estudiado en [5][10][11]. El SCIS de una central nuclear, es un sistema cuya misión consiste en inyectar agua borada en el interior de la contención del edificio del reactor cuan-
5 Fig. 6. Diagrama del SCIS de una central nuclear. TABLA I Valores de parámetros (no-disponibilidad (P) y coste (C)) del problema de SCIS. VA, VD VB, VC Modelo 1 P=2.9E-3 C=50 P=3.0E-3 C=65 Modelo 2 P=8.7E-3 C=35 P=1.0E-3 C=70 Modelo 3 P=4.0E-4 C=60 VE PA, PB Modelo 1 P=5.0E-4 C=37 P=3.5E-3 C=90 Modelo 2 P=6.0E-4 C=35 P=3.8E-3 C=85 Modelo 3 Fig. 7. Frontera de Pareto del problema de SCIS. Fig. 8. Frente (N=10) con WP-TOPSISGA y NSGAII. do se ha producido un accidente del tipo Perdida de Refrigerante. Mediante aspersores situados en la parte superior del edificio, se procede a liberar el agua borada la cual arrastra la contaminación radiactiva conduciéndola a un depósito seguro para su posterior tratamiento. El sistema pasa por tanto su vida útil en espera de intervenir, siendo necesario asegurar su funcionamiento (disponibilidad) en el caso remoto de ser necesaria su intervención. En la figura 6 se puede apreciar la configuración general del sistema. La optimización que se pretende, consiste en encontrar las diferentes combinaciones de componentes técnicos existentes en el mercado, que minimicen simultáneamente la no-disponibilidad del sistema y su coste. Dado que ambos objetivos están en conflicto, es evidente que el problema es de naturaleza multiobjetivo. Los datos adoptados han sido los de Greiner [11]. En la tabla I, se indican los valores de la no-disponibilidad (P) y coste (C) de los diferentes dispositivos del sistema que pueden encontrarse en el mercado. Tres modelos son posibles para las válvulas A y D, para el resto de válvulas y bombas sólo son posibles dos modelos. La no-disponibilidad y coste están restringidos a los valores [0.0, 1.0] y [0, 960] respectivamente. El tamaño del espacio de búsqueda con codificación binaria simple de 32 bits es soluciones. El número de soluciones factibles es de En cuanto al conjunto de soluciones óptimas de Pareto, éste se compone de 178 soluciones en el espacio de decisión y 51 soluciones en el espacio de los objetivos, los valores de estas últimas se muestran gráficamente en la figura 7. A.2 Configuración de parámetros En todos los experimentos se utilizó un tamaño de la población R de 200 individuos, una probabilidad de cruce de 0.8, una probabilidad de mutación de 0.01, un valor p=2 para la métrica p en la ecuación (1) de la función distancia y el número máximo de generaciones (G) fue de 100. El tamaño N del fichero de soluciones no-dominadas, fue cambiado progresivamente según las secuencias N=10,15,20,30,40,50,60,100. A.3 Resultados visuales Las figuras 8, 9 y 10 (esta última, para mayor claridad se ha representado entre los valores 0 y de la no-disponibilidad), muestran los frentes alcanzados por WP-TOPSISGA (izquierda) y NSGAII (derecha) para tamaños de la población no-dominada N=10 individuos y valores del PF (f 1 = , f 2 =827), (f 1 = , f 2 =837), (f 1 = , f 2 =914) respectivamente. Se observa que WP-TOPSISGA concentra la búsqueda de soluciones en la región de interés (la R d -PF) y obtiene un preorden según TOPSIS (se representan sólo las cinco primeras soluciones) en las soluciones halladas. Por otro lado, NSGAII encuentra un conjunto de soluciones amplio y visualmente bien distribuido. A.4 Comparativa Los resultados (media después de diez experimentos) de comparar WP-TOPSISGA y NSGAII en base a la métrica relativa C(A,B) [24], donde B representa el frente alcanzado con WP-TOPSISGA
6 Fig. 9. Frente (N=10) con WP-TOPSISGA y NSGAII. Fig. 11. Visualización gráfica de resultados de la tabla II. TABLA III Valores (en %) de la métrica relativa C(A,B) (PF= , 837), obtenidos al comparar los frentes alcanzados con WP-TOPSISGA (frente B) y NSGAII (frente A). Fig. 10. Frente (N=10) con WP-TOPSISGA y NSGAII. y A el alcanzado con NSGAII, se muestran en las tablas II, III y IV. Se observa que para tamaños pequeños (N=10,15) de la población no-dominada, la medida C(A,B) es menor (y por tanto mejor) para WP-TOPSISGA que para NSGAII, pero al incrementar el tamaño N las diferencias desaparecen (remarcamos que los operadores similarity de WP-TOPSISGA y crowding distance de NSGAII, están grandemente limitados para tamaños N de la población no-dominada próxima al tamaño real del frente de Pareto (51 soluciones), de ahí los resultados similares con ambos métodos para tamaños N cercanos o superiores a los 51 individuos) Para una mejor interpretación de los valores de las tablas II, III, y IV, en las figuras 11, 12 y 13 se muestran gráficamente los resultados de dichas tablas. TABLA II Valores (en %) de la métrica relativa C(A,B) (PF= , 827), obtenidos al comparar los frentes alcanzados con WP-TOPSISGA (frente B) y NSGAII (frente A). N=10 N=15 N=20 N=30 C(A,B) C(B,A) N=40 N=50 N=60 N=100 C(A,B) , C(B,A) , N=10 N=15 N=20 N=30 C(A,B) C(B,A) N=40 N=50 N=60 N=100 C(A,B) C(B,A) Fig. 12. Visualización gráfica de resultados de la tabla III. TABLA IV Valores (en %) de la métrica relativa C(A,B) (PF= , 914), obtenidos al comparar los frentes alcanzados con WP-TOPSISGA (frente B) y NSGAII (frente A). N=10 N=15 N=20 N=30 C(A,B) C(B,A) N=40 N=50 N=60 N=100 C(A,B) C(B,A)
7 Fig. 13. Visualización gráfica de resultados de la tabla IV. VI. Conclusiones En este articulo se investiga la aplicación de un Algoritmo Evolutivo Multiobjetivo (método WP- TOPSISGA) a un problema real de ingeniería en Diseño de Sistemas de Seguridad (se minimizan la no-disponibilidad y costo del Sistema de Contención por Inyección en Spray de una central nuclear de generación eléctrica), el cual distingue en los espacios de la decisión o de los objetivos, una solución estable y realizable de trabajo no necesariamente eficaz o Pareto óptima (Punto de Funcionamiento PF). Admitiendo que en este problema, el interés de un decisor, es aquel subconjunto de soluciones del frente de Pareto que dominan al PF (la Región dominante del Punto de Funcionamiento R d -PF), el método WP-TOPSISGA, según los experimentos realizados, destaca por ser capaz de conducir la búsqueda de soluciones hacia dicha región, concentrandolas en la misma y clasificar las soluciones alcanzadas en base a la similaridad a la solución ideal según el método TOPSIS. Además, al comparar WP-TOPSISGA con el método NSGAII en base a la métrica C(A,B), los valores (media después de diez tiradas) de la métrica son mejores para WP-TOPSISGA que para NSGAII cuando los tamaños N de la población no-dominada son pequeños, aunque las ventajas desaparecen al incrementarse el valor de N. Referencias [1] J.D. Andrews and R.L. Pattisson, Safety-system performance, In Proceedings of the 1997 Reliability and Maintainability Symposium, Philadelphia, Pennsylvania, [2] B.V. Dasarathy, Smart: Similarity measured anchored ranking technique for the analysis of multidimensional data, IEEE Trans. on Systems, Man and Cybernetics, volume (SMC-6, 10), pages , [3] K. Deb and S. Agrawal and A. Pratap and T. Meyarivan, A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization: NSGAII, Technical Report Indian Institute of Technology, Kanpur, [4] K. Deb and A. Pratap and S. Agrawal and T. Meyarivan, A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II, In IEEE Transactions on Evolutionary Computation, volume 6(2), pages , [5] B. Galván, Contributions to Fault Tree Quantitative Evaluation, PhD thesis, Physics Dep., Las Palmas de Gran Canaria University, Canary Islands, Spain, (In Spanish). Spain, [6] M. Gen and R. Cheng, Genetic Algorithms and Engineering Design, Wiley Interscience, John Wiley and Sons. USA, [7] D.E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley Publishing Co., Reading. Massachusetts, [8] L. González and D. García and B. Gálvan, An Intrinsic Order Criterion to Evaluate Large, Complex Fault Trees, IEEE Transactions on Reliability, volume 53(3), pages , [9] D. Greiner and G. Winter and B. Galván, Optimización Multiobjetivo en Sistemas de Seguridad: Una Comparativa entre los Algoritmos NSGAII y SPEA2, En B. Galván, G. Winter, P. Cuesta y R. Aguasca ed., Actas del IV Congreso de Fiabilidad y Confiabilidad, pages España, [10] D. Greiner and B. Galván and G. Winter, Safety Systems Optimum Design by Multicriteria Evolutionary Algorithms, Evolutionary Multi-Criterion Optimization, LNCS 2632, pages Springer-Verlag, [11] D. Greiner, Optimización multiobjetivo de pórticos metálicos mediante algoritmos evolutivos, Tesis Doctoral, Departamentos de Informática y Sistemas, Matemáticas Aplicada e Ingeniería Civil, Universidad de Las Palmas de Gran Canaria (ULPGC). España, [12] J.H. Holland, Adaptation in Natural and Artificial Systems, Ann Harbor: University of Michigan Press, [13] C.L. Hwang and K. Yoon, Multiple Attribute Decision Making: Methods and applications, Springer-Verlag, Berlin, [14] H. Ishibuchi and K. Narukawa, Performance Evaluation of Simple Multiobjective Genetic Local Search Algorithms on Multiobjective 0/1 Knapsack Problems, Proc Congress on Evolutionary Computation (CEC 2004), volume 1, pages IEEE Service Center, [15] A. Jaszkiewicz, On the Performance of Multiple Objective Genetic Local Search on the 0/1 Knapsack Problem. A Comparative Experiment, IEEE Transactions on Evolutionary Computation, volume 6(4), [16] M. Méndez and B. Galván, Multiple-Objective Evolutionary Algorithms Using the Working Point and the TOPSIS Method, In R. Moreno et al., ed., Lecture Notes in Computer Science, volume 4739, pages Springer-Verlag, Berlin Heidelberg, [17] M. Méndez, B. Galván and G. Winter, En las Cercanías del Punto de Funcionamiento Utilizando Algoritmos Genéticos Multiobjetivo, En Actas del V Congreso Español de Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB 2007). Tenerife, España, Febrero [18] M. Méndez, Algoritmos Evolutivos y Preferencias del Decisor Aplicados a Problemas de Optimización Multiobjetivo Discretos, Tesis Doctoral, Departamento de Ingeniería Mecánica, Universidad de Las Palmas de Gran Canaria (ULPGC). España, [19] M. Méndez, B. Galván, D. Salazar and D. Greiner, Multiple-Objective Genetic Algorithm Using the Multiple Criteria Decision Making Method TOPSIS, In 7th international conference on MultiObjective Programming and Goal Programming). Tours, France. June, [20] V. Pareto, Cours D Economie Politique, Volumen I et II F. Rouge. Lausanne, Suisse, [21] R.L. Pattisson and J.D. Andrews, Genetic algorithms in optimal safety system design, Proc. Inst. Mech. Engrs. Vol. 213, Part E, pages , Massachusetts, [22] J.D. Schaffer, Multiple Objective Optimization with Vector Evaluated Genetic Algorithms, PhD thesis, Vanderbilt University [23] M. Zenely, Multiple criteria decision making, Mc- GrawHill, New York, [24] E. Zitzler and L. Thiele, Multiobjective optimization using evolutionary algorithms: A comparative case study, In A.E. Eiben et al., ed.,parallel Problem Solving from Nature (PPSN-IV, pages ). Berlin, Germany. Springer, [25] E. Zitzler, Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications, PhD thesis, Swiss Federal Institute of Technology Zurich
BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS
Departamento de Inteligencia Artificial Grupo de Análisis de Decisiones y Estadística BÚSQUEDA INTELIGENTE BASADA EN METAHEURÍSTICAS PRÁCTICAS 1 Existen varias características que pueden causar dificultades
ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
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
ALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
Obtención de Sistemas Basados en Reglas Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo
Obtención de Sistemas Basados en Difusas Precisos y Compactos mediante Algoritmos Geneticos Multiobjetivo R. Alcalá, J. Alcalá-Fdez, M. J. Gacto y F. Herrera Departamento de Ciencias de la Computación
Universidad Tec Milenio: Profesional IO04001 Investigación de Operaciones I. Tema # 9
IO04001 Investigación de Operaciones I Tema # 9 Otras aplicaciones del método simplex Objetivos de aprendizaje Al finalizar el tema serás capaz de: Distinguir y aplicar la técnica de la variable artificial.
2 = 1 0,5 + = 0,5 c) 3 + = = 2
Trabajo Práctico N : SISTEMAS DE ECUACIONES LINEALES Ejercicio : Resuelva los siguientes sistemas de ecuaciones lineales empleando cuando sea posible: i) Método matricial. ii) Regla de Cramer. Interprete
Algoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
MMSPEA2 mejora del SPEA2 para problemas multi-modales: aplicación al RCMPSP
MM mejora del para problemas multi-modales: aplicación al RCMPSP Pérez Vazquez, E. 1, Posada Calvo, M. 2, Herrera Triguero, F. 3 Resumen Un problema multi-modal es aquel que presenta múltiples óptimos
Análisis de. Análisis de. Decisiones:
Análisis de : Tablas de Pagos y Árboles de Decisión Fragoso Iñiguez I Marisol Salazar Rosales Leandro Julián Noviembre, 06 Tablas de Pagos Una situación de decisión en condiciones de incertidumbre puede
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
ALGORÍTMICA
ALGORÍTMICA 2012 2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción.
DIAGRAMA MATRICIAL 1.- INTRODUCCIÓN Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. Muestra su potencial, como herramienta indispensable para la planificación
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
Introducción a la programación lineal
Introducción a la programación lineal La programación lineal se aplica a modelos de optimización en los que las funciones objetivo y restricción son estrictamente lineales. La técnica se aplica en una
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN ACATLÁN PROGRAMA DE ASIGNATURA CLAVE: 1409 SEMESTRE: 4 (CUARTO) MODALIDAD
1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Algebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro)
UNIDAD 12.- Estadística. Tablas y gráficos (tema12 del libro) 1. ESTADÍSTICA: CLASES Y CONCEPTOS BÁSICOS En sus orígenes históricos, la Estadística estuvo ligada a cuestiones de Estado (recuentos, censos,
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA
ANALISIS DE CLUSTER CON SPSS: INMACULADA BARRERA ANALISIS DE CLUSTER EN SPSS Opción: Analizar Clasificar ANALISIS DE CLUSTER EN SPSS Tres posibles OPCIONES 1.- Cluster en dos etapas 2.- K-means 3.- Jerárquicos
Comparación de Algoritmos Evolutivos Multi-Objetivos en un ambiente Multicast.
Comparación de Algoritmos Evolutivos Multi-Objetivos en un ambiente Multicast. Francisco Talavera +, Joel Prieto +, Jorge Crichigno +*, Benjamín Barán +* ftalavera@yahoo.com.ar, jprieto@telesurf.com.py,
Universidad de Las Palmas de Gran Canaria Departamento de Ingeniería Mecánica
Universidad de Las Palmas de Gran Canaria Departamento de Ingeniería Mecánica Tesis Doctoral Algoritmos Evolutivos y Preferencias del Decisor Aplicados a Problemas de Optimización Multiobjetivo Discretos
Tema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS
Capitulo 4. DECISIONES BAJO RIESGO TEORIA DE JUEGOS INTRODUCCIÓN En el mundo real, tanto en las relaciones económicas como en las políticas o sociales, son muy frecuentes las situaciones en las que, al
BIOINFORMÁTICA
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
MÉTODO DEL DUAL (TEORIA DE DUALIDAD)
MÉTODO DEL DUAL (TEORIA DE DUALIDAD) Todo problema de programación lineal tiene asociado con él otro problema de programación lineal llamado DUAL. El problema inicial es llamado PRIMO y el problema asociado
Conceptos de Algoritmos, Datos y Programas
Conceptos de Algoritmos, Datos y Programas Año 2015 Carreras: Lic. en Informática P2015 Lic. en Sistemas P2015 APU P2015 Año: 1 Duración: Cuatrimestral Coordinador: Ing. Armando De Giusti Profesores: Esp.
Introducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Un algoritmo multiobjetivo basado en búsqueda dispersa
Un algoritmo multiobjetivo basado en búsqueda dispersa Antonio J. Nebro, Francisco Luna, Enrique Alba, Bernabé Dorronsoro y Juan J. Durillo Resumen Este trabajo analiza una adaptación del algoritmo de
Máximos y mínimos. Mínimo global Máximo global máximo relativo mínimo relativo
Máximos y mínimos. Anteriormente estudiamos métodos para obtener los extremos de funciones de una variable. Extenderemos esas técnicas a funciones de dos variables. Sea una función de dos variables, definida
PROGRAMACIÓN LINEAL PROGRAMACIÓN LINEAL.
PROGRAMACIÓN LINEAL. La programación lineal es una técnica de modelado (construcción de modelos). La programación lineal (PL) es una técnica matemática de optimización, es decir, un método que trata de
Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones
Ecuaciones e inecuaciones. Sistemas de ecuaciones e inecuaciones Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Herramientas 6 1.1. Factorización
Aplicación del orden de mayorización a un problema de producción-inventario. An aplication of majorization order on a production-inventory problem
Revista Facultad de Ingeniería N. o 39. pp. 112-117. Marzo, 2007 Aplicación del orden de mayorización a un problema de producción-inventario Henry Laniado Rodas a,*,diego Alejandro Castañeda b, Andrés
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Clase 9 Programación No Lineal
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 9 Programación No Lineal ICS 110 Optimización Profesor : Claudio Seebach Apuntes de Clases
Tema 2: Representación de problemas como espacios de estados
Tema 2: Representación de problemas como espacios de estados José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
UNIVERSIDAD DE LOS LLANOS Facultad de Ciencias Básicas e Ingeniería Programa Ingeniería de Sistemas
CURSO: OPTIMIZACIÓN 1 SEMESTRE: VII 2 CODIGO: 602704 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE AROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1) 10 INTENSIDAD
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA
RELACIÓN DE PROBLEMAS DE CLASE DE PROGRAMACIÓN LINEAL ENTERA SIMPLEX Y LINEAL ENTERA a Resuelve el siguiente problema con variables continuas positivas utilizando el método simple a partir del vértice
CONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Aprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Unidad V. 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales.
Unidad V Aplicaciones de la derivada 5.1 Recta tangente y recta normal a una curva en un punto. Curvas ortogonales. Una tangente a una curva es una recta que toca la curva en un solo punto y tiene la misma
Capítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Formulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
TRAZADO DE LÍNEAS EQUIPOTENCIALES
TRAZADO DE LÍNEAS EQUIPOTENCIALES Nota: Traer, por comisión, dos hojas de papel carbónico de x 30 cm c/u, una hoja A3 o similar de 5 x 30 cm un pendrive o cualquier otro tipo de dispositivo estándar de
Análisis Exploratorio de Datos 1231X (B.O.E. del 19-julio-2000). Troncal. Obligatoria. Optativa.
DATOS BÁSICOS DE LA ASIGNATURA Nombre: Análisis Exploratorio de Datos Código: 1231X2. Año del Plan de Estudios: 2000 (B.O.E. del 19-julio-2000). Tipo: Troncal. Obligatoria. Optativa. Créditos: Totales:
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
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
En matemáticas el concepto de conjunto es considerado primitivo y no se da una definición de este, por lo tanto la palabra CONJUNTO debe aceptarse
En matemáticas el concepto de conjunto es considerado primitivo y no se da una definición de este, por lo tanto la palabra CONJUNTO debe aceptarse lógicamente como un término no definido. Un conjunto se
Universidad Tec Milenio: Profesional HG04002 Análisis de Decisiones I
Tema # 10 El método de las M s como solución de problemas de programación lineal 1 Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Resolver modelos de programación lineal mediante
El método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Integradora 3. Modelos de Programación Lineal
Métodos Cuantitativos para la Toma de Decisiones Integradora 3. Modelos de Programación Lineal Objetivo Al finalizar la actividad integradora, serás capaz de: R l bl d PL di d l ét d Resolver problemas
TEMA 2: PROGRAMACIÓN LINEAL.
TEMA : PROGRAMACIÓN LINEAL.. 1. INTRODUCCIÓN. La Programación Lineal (PL) puede considerarse como uno de los grandes avances científicos habidos durante la primera mitad del siglo XX y sin duda es una
PROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
Unidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Lección 4. Ecuaciones diferenciales. 1. Ecuaciones diferenciales de primer orden. Trayectorias ortogonales.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 0.. Ecuaciones diferenciales de primer orden. Traectorias ortogonales. Muchas aplicaciones problemas de la ciencia, la ingeniería la economía se formulan en términos
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Propuesta de una arquitectura para la generación de mutantes de orden superior en WS-BPEL
Propuesta de una arquitectura para la generación de mutantes de orden superior en WS-BPEL Emma Blanco Muñoz, Antonio García Domínguez, Juan José Domínguez Jiménez, Inmaculada Medina Bulo Escuela Superior
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
Comparación de técnicas metaheurísticas para la generación automática de casos de prueba que obtengan una cobertura software
Comparación de técnicas metaheurísticas para la generación automática de casos de prueba que obtengan una cobertura software Eugenia Díaz, Raquel Blanco, Javier Tuya Departamento de Informática, Universidad
INTERVALOS Y SEMIRRECTAS.
el blog de mate de aida CSI: Inecuaciones pág 1 INTERVALOS Y SEMIRRECTAS La ordenación de números permite definir algunos conjuntos de números que tienen una representación geométrica en la recta real
Programación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
NOCIONES PRELIMINARES (*) 1
CONJUNTOS NOCIONES PRELIMINARES (*) 1 Conjunto no es un término definible, pero da idea de una reunión de cosas ( elementos ) que tienen algo en común. En matemática los conjuntos se designan con letras
PROGRAMACION CONCURRENTE Y DISTRIBUIDA
PROGRAMACION CONCURRENTE Y DISTRIBUIDA V.2 Redes de Petri: Análisis y validación. J.M. Drake 1 Capacidad de modelado y capacidad de análisis El éxito de un método de modelado es consecuencia de su capacidad
Una ecuación puede tener ninguna, una o varias soluciones. Por ejemplo: 5x 9 = 1 es una ecuación con una incógnita con una solución, x = 2
Podemos definir a las ecuaciones como una igualdad entre expresiones algebraicas (encadenamiento de números y letras ligados por operaciones matemáticas diversas),en la que intervienen una o más letras,
Probabilidad y Estadística
Probabilidad y Estadística Programa Probabilidad Teoría de conjuntos Diagramas de Venn Permutaciones y combinaciones Variables aleatorias y distribuciones Propiedades de distribuciones Funciones generadoras
Teoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
DOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Guía de Problemas. CINEMÁTICA de la MARCHA. Introducción
Guía de Problemas CINEMÁICA de la MARCHA Introducción La Cinemática es una rama de la Mecánica que estudia el movimiento sin tomar en cuenta las fuerzas que lo originan. Para la descripción cinemática
1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
INGENIERíA Y D E S A R R O L L O. Optimización de redes de comunicación por cable, un enfoque multiobjetivo
INGENIERíA Y D E S A R R O L L O ARTÍCULO DE INVESTIGACIÓN / RESEARCH ARTICLE Optimización de redes de comunicación por cable, un enfoque multiobjetivo Combinatorial optimization for cable communication
Dar una introducción sobre la asignatura IO Familiarizar al estudiante con las características y aplicación del modelo de matriz de decisiones
I Unidad: Introducción a al Investigación de Operaciones. Contenidos: 1. Breve reseña histórica de la l. De O. 2. Concepto de la l. De O. 3. Objeto de Estudio de la l. De O. 4. Introducción a la teoría
Complejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Universidad Nacional Autónoma de Nicaragua UNAN-Managua. Curso de Investigación de Operaciones
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Investigación de Operaciones Profesor: MSc. Julio Rito Vargas Avilés. Presentación del Programa de Investigación de Operaciones Estudiantes:
Diseño Óptimo de Dispositivos Electromagnéticos. Fermín Pascual Espino Cortés Alfredo Reyes Rosario
Diseño Óptimo de Dispositivos Electromagnéticos Fermín Pascual Espino Cortés Alfredo Reyes Rosario Resumen En este trabajo se realizan diseños geométricos óptimos de tres diferentes dispositivos electromagnéticos,
Breve introducción a la Investigación de Operaciones
Breve introducción a la Investigación de Operaciones Un poco de Historia Se inicia desde la revolución industrial, usualmente se dice que fue a partir de la segunda Guerra Mundial. La investigación de
Tema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Programa Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Contenidos Didácticos
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Métodos cuantitativos de la empresa Curso: 2º Créditos ECTS:
UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 4
Ing. César Urquizú UNIDAD UNO PROGRAMACIÓN LÍNEAL Parte 4 Ing. César Urquizú Teoría de la dualidad El desarrollo de esta teoría de la dualidad es debido al interés que existe en la interpretación económica
Contenido: Solución algebraica a los problemas de programación lineal con el método simplex.
Tema II: Programación Lineal Contenido: Solución algebraica a los problemas de programación lineal con el método simplex. Introducción El método simplex resuelve cualquier problema de PL con un conjunto
Práctica de cuerpo rígido
Cátedra de Física 1 (6.01) Práctica de cuerpo rígido Objetivos... Pre - requisitos para realizar la práctica... Bibliografía recomendada en referencia la modelo teórico... Competencias que el alumno puede
Máster Universitario en Tecnologías de la Información y las Comunicaciones Universidad de Alcalá Curso Académico 2013/14
Sistemas Distribuidos de Control Máster Universitario en Tecnologías de la Información y las Comunicaciones Universidad de Alcalá Curso Académico 2013/14 GUÍA DOCENTE Nombre de la asignatura: Código: 200593
Aritmética de Enteros
Aritmética de Enteros La aritmética de los computadores difiere de la aritmética usada por nosotros. La diferencia más importante es que los computadores realizan operaciones con números cuya precisión
Lo que se hace entonces es introducir variables artificiales ADAPTACIÓN A OTRAS FORMAS DEL MODELO.
Clase # 8 Hasta el momento sólo se han estudiado problemas en la forma estándar ADAPTACIÓN A OTRAS FORMAS DEL MODELO. Maximizar Z. Restricciones de la forma. Todas las variables no negativas. b i 0 para
TEMA 8. GEOMETRÍA ANALÍTICA.
TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos
Programa de Asignatura Programación Visual I
Programa de Asignatura Programación Visual I Managua, Abril, 2013 1. DATOS GENERALES Nombre de la asignatura: Programación Visual I Código: Requisito / Correquisito: Carrera (s): Modalidad: Turno: Semestre:
1 ÁLGEBRA DE MATRICES
1 ÁLGEBRA DE MATRICES 1.1 DEFINICIONES Las matrices son tablas numéricas rectangulares. Se dice que una matriz es de dimensión m n si tiene m filas y n columnas. Cada elemento de una matriz se designa
Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta
Análisis del NSGA-II para el TSALBP-1/3 cuando existe variación de demanda en una producción mixta Manuel Chica, Óscar Cordón, Sergio Damas y Joaquín Bautista Resumen En este trabajo introducimos la aplicación
Simulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
OPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Derivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Límites y continuidad de funciones reales de variable real
Límites y continuidad de funciones reales de variable real Álvarez S., Caballero M.V. y Sánchez M. a M. salvarez@um.es, m.victori@um.es, marvega@um.es Índice 1. Definiciones 3 2. Herramientas 10 2.1. Funciones
3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
La optimización evolutiva multi objetivo en la confección de equipos de desarrollo de software: una forma de lograr la calidad en el producto final
Copyright 2015 Universidad Tecnológica Equinoccial http://ingenieria.ute.edu.ec/enfoqueute/ e-issn: 1390 6542 / p-issn: 1390-9363 Recibido (Received): 2015/01/29 Aceptado (Accepted): 2015/03/25 La optimización
CIRCUITOS LÓGICOS. Lógica FCE 1. ALGEBRA DE BOOLE
Lógica FE IRUITOS LÓGIOS 1. LGER DE OOLE 1.1 Introducción Tanto la teoría de conjuntos como la lógica de enunciados tienen propiedades similares. Tales propiedades se utilizan para definir una estructura
SISTEMAS DE ECUACIONES LINEALES. Método de reducción o de Gauss. 1º DE BACHILLERATO DPTO DE MATEMÁTICAS COLEGIO MARAVILLAS AUTORA: Teresa González.
SISTEMAS DE ECUACIONES LINEALES Método de reducción o de Gauss 1º DE BACHILLERATO DPTO DE MATEMÁTICAS COLEGIO MARAVILLAS AUTORA: Teresa González. SISTEMAS DE DOS ECUACIONES LINEALES CON DOS INCÓGNITAS.
ESTADÍSTICA BAYESIANA Y TEORÍA DE DECISIONES
MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus diversas aplicaciones. ESTADÍSTICA BAYESIANA
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Función de dos variables
Funciones de dos y más variables, dominio y rango, y curva de nivel Marlon Fajardo Molinares - fenix.75@hotmail.com 1. Función de dos variables 2. Funciones de varias variables 3. Método para hallar el