SIMULADOR DE SISTEMAS MULTI-ROBOTS UTILIZANDO MODELOS DE ENJAMBRE PARA LA COORDINACION DE TAREAS
|
|
- Vanesa Serrano Aguilera
- hace 6 años
- Vistas:
Transcripción
1 SIMULADOR DE SISTEMAS MULTI-ROBOTS UTILIZANDO MODELOS DE ENJAMBRE PARA LA COORDINACION DE TAREAS Wilson Pérez Angel Gil Yurisan Collado Laboratorio de Prototipos. Universidad Nacional Experimental del Táchira. Av. Universidad. Pueblo Nuevo. San Cristóbal Venezuela. Resumen. La presente investigación generó un software de simulación de sistemas multi-robot móviles utilizando algoritmos de inteligencia de enjambre, el cual permite simular la ejecución de tareas de exploración y búsqueda por parte del sistema. El software consta de un módulo editor y uno de simulación; el editor tiene como objeto permitir al usuario diseñar entornos de trabajo, ubicando los nodos por los cuales el sistema multi-robot se puede mover, además de la ubicación de las tareas a ejecutar; mientras que en el módulo de simulación el usuario puede elegir bajo que algoritmo de inteligencia de enjambre se simulará la tarea y mostrará el resultado de la misma en un ambiente gráfico 3D. Para el sistema multi-robot se tomó en consideración la utilización de robots homogéneos. En cuanto a los algoritmos de inteligencia de enjambre se tomó en consideración el algoritmo de Optimización de Colonias de Hormigas, propuesto por Marco Dorigo, 1988, y algoritmo de Optimización de Colonias de Abejas, propuesto por Lucic y Teodorovic, Durante la investigación se realizó la adaptación de estos algoritmos en función de la ejecución de las tareas de búsqueda y/o exploración, aplicando el algoritmo de la pizarra propuesto por Yingying Ding y Miaoliang Zhu, 2006, permitiendo resolver los problemas de comunicación entre los robots que conforman el sistema. Para el desarrollo de este software se implementaron los módulos en Visual Studio 2008, usando C#, las herramientas de desarrollo para video juegos XNA 3.1, ambos de Microsoft y Blender 2.49 para el diseño de los modelos utilizados, bajo la licencia de Software Libre. Palabras Claves: Inteligencia de enjambre, Computación evolutiva, Simulador, Multirobot.
2 1. INTRODUCCION El trabajo en equipo es una práctica que el hombre realiza desde tiempos inmemorables y que le ha servido para conseguir diferentes objetivos a lo largo de su evolución, en función de mejorar su calidad de vida. En los animales estos comportamientos también se pueden hacer notar de manera acentuada, tal es el caso de los insectos, que son los que mantienen las comunidades más numerosas y las mas organizadas. Las abejas mantienen un orden jerárquico en su comunidad dividiéndose en tres tipos, la reina encargada de producir nuevas abejas, los zánganos que son los que fecundan a la reina y las obreras que se encargan de mantener las reservas de alimentos de la comunidad a través de estrategias para conseguir y llevar comida al panal. Por otra parte las hormigas, encargadas de buscar alimento dejan un rastro de feromona a lo largo del camino entre el alimento y el nido, que permiten a las demás guiarse hacia el alimento y llevarlo a formar parte de sus reservas. Inspirándose en estos comportamientos, se han desarrollado muchas investigaciones que han permitido modelar matemática y algorítmicamente los procesos que se llevan a cabo en estas comunidades. En función de plantear la solución a tareas de exploración y búsqueda, se tomaron como base los algoritmos de colonia de hormigas y colmena de abejas, se realizaron modificaciones en la comunicación entre los agentes y la clasificación de los mismos. 2. DESARROLLO Durante el desarrollo de esta investigación se realizaron adaptaciones a los algoritmos de Optimización por Colonia de Hormigas y Optimización por Colmena de Abejas, en función de resolver tareas de exploración y búsqueda. A continuación se relata cada algoritmo y las adaptaciones realizadas. 2.1 Optimización por Colonia de Hormigas Es un modelo basado en el comportamiento colectivo de las hormigas, durante la búsqueda de fuentes de alimento, los agentes se comunican mediante rastros de feromona artificial, consiguen el camino más corto de un punto a otro en un determinado grafo G=(G,L), donde G=N son los nodos que representan las ciudades y L=A son los arcos que unen a los nodos. [1] Previamente se debe inicializar el rastro de feromona de cada ciudad, el cual estará representado por. Un estimado del valor para inicializar la feromona se calcula con la Ec. (1), donde es el valor de la feromona inicial; m representa la cantidad de hormigas y C es la longitud de un tour nn creado aleatoriamente. En la construcción del tour, se asigna una ciudad inicial de forma aleatoria, luego las hormigas k seleccionan cual ciudad es la siguiente a visitar, aplicando reglas probabilísticas, en base a la información heurística y el rastro de feromonas, finalizando cuando se alcanza un estado objetivo. La ecuación (2) muestra el cálculo de esta probabilidad, donde es la probabilidad con la cual una k-ésima hormiga, se desplaza desde la ciudad i a la ciudad j.
3 El valor de la feromona de dicho arco se representa por, es la información heurística denotada por el inverso de la distancia entre las ciudades i y j, α y β son parámetros previamente definidos que determinan la influencia del rastro de feromona y la información heurística respetivamente. Si α = 0 la ciudad más cercana es escogida, debido que sólo se toma en cuenta la visibilidad. Si β = 0 sólo la feromona del arco será utilizada para determinar la siguiente cuidad. Si α > 1 permite que el problema se estabilice más rápido. Luego de la construcción del tour, se actualizará el rastro de feromona, en la cual primero se evaporará la feromona en todos los arcos por un factor constante y luego se depositará más feromona en los arcos que se encuentre en los tour construido por las hormigas, se lleva a cabo implementando la Ec. (3), donde es un valor atenuador de evaporación de feromonas mencionado en [1], que se utiliza para evitar la acumulación ilimitada de los rastros de feromonas y permite que el algoritmo pueda desechar las decisiones mal tomadas con anterioridad [2]. es definido mediante la Ec. (4) y es la longitud del tour construido por la k-ésima hormiga. [3] 2.2 Optimización por Colmena de Abejas Muñoz, López y Caicedo proponen un algoritmo donde a las abejas se les permite explorar y conseguir un tour completo de camino, desde la colmena hasta una fuente de alimento. Antes de que la b-ésima abeja deje la colmena, crea un conjunto de pasos llamado camino preferido denotado Ɵ, lo cual logra observando la danza de otras abejas. El camino preferido contiene un tour que ha sido examinado previamente por otras abejas exploradoras. Las abejas viajan de ciudad en ciudad hasta llegar a su destino, sometidas a una regla de transición heurística, Ec. (5), la cual consiste en el uso de la información heurística de la distancia y la resistencia del arco; donde α y β son parámetros que determinan la influencia de la resistencia del arco y la información heurística de distancia, respetivamente. En la información heurística de distancia, las abejas tienden a escoger el siguiente nodo donde más cercano, donde es la distancia entre los nodos i y j. La resistencia del arco es calculada por todos los caminos posibles que tiene un nodo i, que puede ser visitada por la b- ésima abeja, en un tiempo n; basándose en el camino preferido Ɵ. Un alto valor es asignado al
4 arco que pertenece al Ɵ. La resistencia del arco desde el nodo i hasta el nodo j en un tiempo n es denotada por ; se calcula en base a la Ec. (6). Cuando la abeja se encuentra en una ciudad i en un tiempo n, posee dos variables: que representa el siguiente nodo preferido recomendado por Ɵ y el conjunto de nodos permitidos, denotado por. Una vez que la abeja termine de construir el tour con la reglas de transición, regresa a la colmena para realizar una danza a las compañeras, pero no todas las abejas tienen derecho a danzar, sólo se le permite danzar a la abeja que realice un tour menor a los previos tour. Las abejas poseen la habilidad de recordar cuál es el mejor tour previo. Puede ocurrir que ninguna abeja dance, esto sucede cuando ninguna abeja consigue un mejor tour, para solucionar esto se aplica la siguiente política: si ninguna de las abejas danza por un periodo de 10 iteraciones continuas, la memoria de ellas será refrescada para alcanzar un valor que es 10% mayor que el largo del mejor tour. La duración de la danza de una abeja i,, es calculada por la Ec. (8), donde K, se refiere a un factor de escalabilidad de la danza de la abeja, es la probabilidad record de la abeja i, definida en la Ec. (9) y es la probabilidad promedio de la colonia. La duración de la danza es actualizada cuando cada abeja complete su tour y puede ser interpretado como la cantidad de néctar que recolecta la abeja i, cuando se asume que una abeja puede recolectar la mayor cantidad posible de néctar. [4] 2.3 Mejora propuesta para los algoritmos A los algoritmos de optimización por colonias de hormigas y por colmenas de abejas se les realizó una modificación orientada a mejorar la comunicación entre los agentes; Ding, Zhu y Jiang proponen una pizarra pública para la comunicación, donde cada agente del sistema escribe sus datos cada cierto instante de tiempo y estos son leídos por otros agentes de manera simultánea. En la Fig. 1, se muestran los datos almacenados en la pizarra, un ID o número de referencia de la tarea encontrada, su estado, la cantidad inicial de la tarea al ser encontrada, cantidad de la tarea en un instante de tiempo, un listado de todos los tour encontrados durante el proceso de exploración, un valor de feromona o duración de la danza (dependiendo del algoritmo que se esté ejecutando) y el mejor tour encontrado, el cual será su solución óptima.
5 ID Estado Cantidad inicial de la tarea Cantidad actual de la tarea Listados de tour encontrados Feromona o Duración de la danza Mejor Tour Figura 1 - Pizarra Al momento de la selección de una tarea, en el caso de la Optimización por Colonia de hormigas, es posible que queden tareas en espera, por lo cual cada agente tendrá un tiempo máximo de espera antes de elegir una nueva tarea, dicho tiempo es denotado por Tw. Se definieron dos clases de agentes, los agentes exploradores que se encargan de recorrer el entorno completamente desconocido en busca de tareas y dar a conocer el camino encontrado desde su ubicación hasta el nido o colmena; por otra parte se encuentran los agentes obreros, cuya función es la recolección y traslado de la tarea desde su ubicación hasta el nido o colmena, utilizando los datos almacenados en la pizarra como criterio de selección de la tarea a recolectar. 3. RESULTADOS Se tomaron para cada algoritmo valores para los parámetros fijos, mostrados en la Tabla 1, y se variaron los parámetros α, β, la cantidad de tareas ubicadas y el número de robots como se muestra en la Tabla 2. Tabla 1. Parámetros Fijos en ambos algoritmos Hormigas Abejas Parámetro ρ Q Tw λ k Valor 0,0003 0, ,5 100 Tabla 2. Variación de Parámetros Comunes para ambos algoritmos Prueba Cantidad Numero de Tareas de Robots α β 1 5 {5,10,15} {2,5} {2,5} 2 10 {5,10,15} {2,5} {2,5} 3 15 {5,10,15} {2,5} {2,5} De las pruebas realizadas se obtuvieron resultados en función de tiempo de ejecución promedio y la longitud promedio del mejor tour para cada algoritmo, tal y como se muestra en la Tabla 3. Tabla 3. Resultados Promedio Obtenidos Tiempo de ejecución (ms) Longitud Promedio (m) Hormigas Abejas Hormigas Abejas , ,42 58,92 44,59
6 En la Tabla 3, se puede observar que en promedio el algoritmo de optimización por Colonia de Hormigas (ACO), permite realizar las tareas asignadas en menor tiempo, siendo este tiempo de ejecución aproximadamente un 18,6% del tiempo empleado por el módulo de Optimización por Colmena de Abejas. En promedio el algoritmo de Optimización por Colmena de Abejas a pesar de tener mayores tiempos de ejecución, es el que obtiene las menores distancias recorridas en cuanto a la longitud promedio del mejor tour teniendo una reducción del 24,32% de la obtenida por el módulo de Optimización por Colonia de Hormigas. 4. CONCLUSIONES La optimización por colmena de abejas aprovecha de mejor manera los agentes involucrados puesto a que ellos solo cuentan con 2 estados a los largo de la simulación (Inactivo y Trabajando) en comparación del caso de la colonia de hormigas, debido a que puede que las tareas en algún instante mantenga agentes esperando a que se tengan la cantidad de agentes que se requiere para ejecutar una tarea, generando para este módulo un estado de Espera. A pesar de tener mayores tiempos de ejecución, el algoritmo de optimización por colmena de abejas, aprovecha de mejor manera los agentes del sistema, con la inclusión de la técnica de la pizarra, se está descartando el tiempo que invertirían los agentes exploradores en realizar la danza para que los obreros seleccionen la mejor opción en cuanto a tareas disponibles, y poder aprovechar dicho tiempo en el proceso de exploración. En cuanto a la optimización por colonia de hormigas, la pizarra permite a los agentes tomar mejores decisiones en cuanto a la selección de una tarea por parte de los agentes obreros, permitiendo una mejor distribución de los agentes en el momento de la recolección. REFERENCIAS [1] Muñoz, M.; López, J. y Caicedo, E. (2008, Agosto) Inteligencia de Enjambres: Sociedades para la solución de problemas. Revista De Ingeniería E Investigación, Vol. 2 (119). Universidad Nacional de Colombia, Bogotá. [2] Dorigo, M., y Stutzle, T. (2004). Ant Colony Optimization. Inglaterra: The MIT Press. [3] Wong, P.; Hean, M.; Chong, C. (s.f.) Bee Colony Optimization with Local Search for Traveling Salesman Problem.[Documento en línea]. Disponible: [Consulta: 2011, Abril 18]. [4] Alfonso, W.; Muñoz, M.: López, J. y Caicedo E., (2007). Optimización de Funciones Inspirada en el Comportamiento de Búsqueda de Néctar en Abejas [Documento en línea]. Ponencia presentada en Congreso Internacional de Inteligencia Computacional CIIC, Bogotá. Disponible: [Consulta: 2011, Febrero 7]. [5] Ding, Y.; Zhu M., He, Y. y Jiang J.(2006, Diciembre). An autonomous task allocation method of the multi-robot system. Ponencia presentada en International Conference on Control, Automation, Robotics and Vision, ICARCV, Singapore.
Algoritmos basados en hormigas
Algoritmos basados en hormigas Inteligencia Artificial Avanzada 1er. Semestre 2008 1 Aspectos Generales La metáfora de los insectos sociales para resolver problemas ha sido un tema importante a partir
Más detallesUNIVERSIDAD 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
Más detallesInteligencia de enjambres
Inteligencia de enjambres Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Autómata de estados finitos Definición A =< X, Y, E, D > Autómata de estados finitos Definición A
Más detallesNombre de la asignatura: Simulación. Créditos: Aportación al perfil
Nombre de la asignatura: Simulación Créditos: 2-4-6 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes y servicios, integrándolos
Más detallesOptimización de Colonia de Hormigas para resolver el problema de Distribución en Planta
Optimización de Colonia de Hormigas para resolver el problema de Distribución en Planta Luis Felipe Romero Dessens, José Alberto González Anaya y Luis Manuel Lozano Cota Universidad de Sonora, Departamento
Más detallesOptimización por Colonia de Hormigas para la Asignación Dinámica de Recursos en una Plataforma de Experimentación de Temperatura Multizona
82 IEEE LATIN AMERICA TRANSACTIONS, VOL. 5, NO. 2, MAY 2007 Optimización por Colonia de Hormigas para la Asignación Dinámica de Recursos en una Plataforma de Experimentación de Temperatura Multizona Mario
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesANEXO 1. CALIBRADO DE LOS SENSORES.
ANEXO 1. CALIBRADO DE LOS SENSORES. Las resistencias dependientes de la luz (LDR) varían su resistencia en función de la luz que reciben. Un incremento de la luz que reciben produce una disminución de
Más detallesACTIVIDAD: Control de Lectura # 1: Benchmarking para Competir con Ventaja Por: Roberto J. Boxwell. MATERIA: Ingeniería de Software.
UNIVERSIDAD DON BOSCO FACULTAD DE INGENIERIA ESCUELA DE COMPUTACION CICLO II/2008 ACTIVIDAD: Control de Lectura # 1: Benchmarking para Competir con Ventaja Por: Roberto J. Boxwell MATERIA: Ingeniería de
Más detallesColección de Tesis Digitales Universidad de las Américas Puebla. Romero Martínez, Modesto
1 Colección de Tesis Digitales Universidad de las Américas Puebla Romero Martínez, Modesto El procesamiento de consultas en un sistema multibase de datos es la pieza mas importante para la operación del
Más detallesCapítulo 4 Exploración del ambiente.
Capítulo 4 Exploración del ambiente. Para explorar el ambiente se tomó como base el vehículo explorador de Braitenberg, la idea es tomar este comportamiento y adaptarlo al uso de una cámara de video, esto
Más detallesAlgoritmos 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
Más detallesInicio. Cálculos previos GRASP. Resultados. Fin. Figura 5.1: Diagrama de flujo del algoritmo.
5. DISEÑO FUNCIONAL En este apartado vamos a detallar los diagramas funcionales que han constituido la base para la posterior implantación informática de la metaheurística. 5.1. Diseño funcional del algoritmo
Más detallesLABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERIA INGENIERÍA ELECTRÓNICA 1 SISTEMAS DINAMICOS 1160601 LABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS INSTRUCCIONES
Más detallesAprendizaje 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
Más detallesMetaheurísticas. Seminario 4. Problemas de optimización con técnicas basadas en adaptación social
Metaheurísticas Seminario 4. Problemas de optimización con técnicas basadas en adaptación social 1. Diseño de Componentes para Resolver un Problema con un Algoritmo de Optimización Basada en Colonias de
Más detalles3. ANÁLISIS DE DATOS DE PRECIPITACIÓN.
3. ANÁLISIS DE DATOS DE PRECIPITACIÓN. Teniendo en cuenta que la mayoría de procesos estadísticos se comportan de forma totalmente aleatoria, es decir, un evento dado no está influenciado por los demás,
Más detallesNombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
Más detallesPLAN DE MUESTREO PARA EL MONITOREO DE RESIDUOS DE MEDICAMENTOS VETERINARIOS Y CONTAMINANTES QUÍMICOS EN AVES
PLAN DE MUESTREO PARA EL MONITOREO DE RESIDUOS DE MEDICAMENTOS VETERINARIOS Y CONTAMINANTES QUÍMICOS EN AVES Grupo del Sistema de Análisis de Riesgos Químicos en Alimentos y Bebidas Dirección de Alimentos
Más detallesRobótica colectiva. Sirve de algo tener más de un robot? En principio depende de la tarea que queremos realizar:
Robótica colectiva Robótica colectiva Sirve de algo tener más de un robot? En principio depende de la tarea que queremos realizar: - Tareas inherentemente individuales - Llevar un mensaje de un lugar a
Más detallesANEXO 1 EJEMPLO DE CALCULO DE RESISTIVIDAD APARENTE. Subestaciones de Media Tensión Curso Fernando Berrutti Staino
ANEXO 1 EJEMPLO DE CALCULO DE RESISTIVIDAD APARENTE Subestaciones de Media Tensión Curso 015 Fernando Berrutti Staino Planteo del problema Se realizan mediciones con un telurímetro en el terreno de una
Más detallesReglas Categoría Regular Preparatoria. Mountaineering
Mountaineering Descripción del Reto El nombre del reto de la Categoría Regular Secundaria de este año es Mountaineering o Ingeniería de Montaña. El tema de este año, Robot Explorers, alienta a los estudiantes
Más detallesAplicación del algoritmo PRM a la planificación de caminos de robots móviles. David Alejo Teissière
Aplicación del algoritmo PRM a la planificación de caminos de robots móviles David Alejo Teissière 5 de octubre de 2007 Índice general 1. Introducción 8 1.1. Planificación del movimiento..................
Más detallesCONTENIDOS. 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
Más detallesBIOINFORMÁTICA 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 detallesIngeniería del Conocimiento
Universidad Nacional de Rosario Facultad de Ciencias Exactas, Ingeniería y Agrimensura Ingeniería del Conocimiento Trabajo Práctico Nº 1 Aplicación de la IA: Pool Computacional Autores: Nombre y Apellido
Más detallesUso de las medidas de tendencia central en un análisis de datos.
Grado 11 Matemáticas - Unidad 5 Un análisis de información con criterios estadísticos Tema Uso de las medidas de tendencia central en un análisis de datos. Nombre: Curso: El manejo de información cuantitativa,
Más detallesGuía práctica de estudio 03: Algoritmos
Guía práctica de estudio 03: Algoritmos Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 03: Algoritmos Objetivo:
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesINTRODUCCIÓN: OBJETIVOS:
INTRODUCCIÓN: En el desarrollo de esta práctica se observará experimentalmente el comportamiento del transistor bipolar BJT como amplificador, mediante el diseño, desarrollo e implementación de dos amplificadores
Más detallesUniversidad de Antioquia F.Q.F. Ingeniería de Alimentos Lab. Análisis Instrumental
Universidad de Antioquia F.Q.F. Ingeniería de Alimentos Lab. Análisis Instrumental 2. CONCENTRACIÓN Y CALIBRACIÓN: LEY DE BEER Profesor: Lucas Blandón Deymer Gómez Emilson León Florian PRÁCTICA 2: Concentración
Más detallesOPTIMIZACIÓN DEL PROBLEMA DEL AGENTE VIAJERO USANDO EL SISTEMA DE COLONIA DE HORMIGAS Y BUSQUEDA GREEDY
OPTIMIZACIÓN DEL PROBLEMA DEL AGENTE VIAJERO USANDO EL SISTEMA DE COLONIA DE HORMIGAS Y BUSQUEDA GREEDY Esquivel Estrada Jaime*, Ordoñez Arizmendi Armando*, Ortiz Servín Juan José**. *Universidad Autónoma
Más detallesAnálisis de rendimiento de algoritmos paralelos
Análisis de rendimiento de algoritmos paralelos Joaquín Andrés López Molina josandlopmol@gmail.com Daniel Mauricio Rodríguez Alpizar danielmau231995@hotmail.com Estudiantes de Ingeniería en Computación
Más detallesLos valores obtenidos de speedup tienden a incrementarse hasta los ocho procesadores. al usar diez procesadores éste se mantiene igual o decrece. Esto
En la Figura 6.9 se muestra el speedup obtenido en el tiempo de ejecución al ejecutar la aplicación con las distintas pol ticas de mapping, que pueden ser comparadas con el caso ideal. En el Apéndice D
Más detallesSimulación. 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.
Más detallesResolviendo Modelos de Mapas
Resolviendo Modelos de Mapas SMMC Prof. Teddy Alfaro Resolviendo Mapas o Grafos Entre las técnicas completas más utilizadas para resolver la ruta más corta se encuentran BFS Backtracking Dijkstra A* Uso
Más detallesBreve 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
Más detallesMODELAMIENTO DE UN PROCESO DE RESOLUCIÓN DE PROBLEMAS MEDIADO POR LA O EL DOCENTE DE PRIMERO BÁSICO.
MODELAMIENTO DE UN PROCESO DE RESOLUCIÓN DE PROBLEMAS MEDIADO POR LA O EL DOCENTE DE PRIMERO BÁSICO. A continuación se modela y propone una forma de enfrentar la resolución de problemas por parte de un
Más detalles6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS Velocidad de retorno del rayo con distribución uniforme
Aplicación de redes neuronales en el cálculo de sobretensiones y tasa de contorneamientos 233 6.4. APLICACIÓN DE REDES NEURONALES EN EL CÁLCULO DE LA TASA DE CONTORNEAMIENTOS 6.4.1. Introducción Como ya
Más detallesDOCUMENTO 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
Más detallesMODELOS DE INVESTIGACION DE OPERACIONES
MODELOS DE INVESTIGACION DE OPERACIONES CARACTERÍSTICAS Los modelos se dividen en determinísticos (no probabilisticos) y estocásticos (probilisticos). Hay otros modelos híbridos porque incluyen las dos
Más detallesComputación Aplicada. Universidad de Las Américas. Aula virtual de Computación Aplicada. Módulo de Excel 2013 LIBRO 11
Computación Aplicada Universidad de Las Américas Aula virtual de Computación Aplicada Módulo de Excel 2013 LIBRO 11 Contenido INFORME DE TABLA DINÁMICA... 3 CREAR UN INFORME DE TABLA DINÁMICA... 3 PERSONALIZAR
Más detallesValor esperado: ejemplo
Simulación de Negocios Internacionales Teoría de la Decisión Valor esperado: ejemplo. International Negotiation CARLOS MARIO CALDERÓN OSSA INGENIERO DE SISTEMAS. ESPECIALISTA EN MERCADEO ESPECIALISTA GERENCIA
Más detallesPractica 7. Medición del campo magnético de una bobina Solenoide
Practica 7. Medición del campo magnético de una bobina Solenoide A. Amud 1, L. Correa 2, K. Chacon 3 Facultad de Ciencias, Fundamentos de Electricidad y Magnetismo Universidad Nacional de Colombia, Bogotá
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesRetardo en la transmisión de información en la red Internet. PhD Fausto Freire Carrera de Ingeniería de Sistemas UPS Quito
22 Retardo en la transmisión de información en la red Internet PhD Fausto Freire Carrera de Ingeniería de Sistemas UPS Quito 23 El gran desarrollo tecnológico que en los últimos años ha sufrido la red
Más detallesResolución de problemas de búsqueda
Resolución de problemas de búsqueda Memoria de Prácticas de Segunda Entrega 26 de noviembre de 2007 Autores: Mariano Cabrero Canosa cicanosa@udc.es Elena Hernández Pereira elena@udc.es Directorio de entrega:
Más detallesOptimización basada en Colonia de Hormigas
Capítulo 11 Optimización basada en Colonia de Hormigas 11.1 Introducción Optimización de colonia de hormigas (ant colony optimization o ACO) está inspirado en el rastro y seguimiento de feromonas realizado
Más detallesTEMA 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
Más detallesIntroducción 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
Más detallesESTÁNDAR DE COMPETENCIA. Mantenimiento a equipo de cómputo y software
I.- Datos Generales Código Título Mantenimiento a equipo de cómputo y software Propósito del Estándar de Competencia Servir como referente para la evaluación y certificación de las personas que realicen
Más detallesFormulación 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,
Más detallesGuía práctica de estudio 03: Algoritmos
Guía práctica de estudio 03: Algoritmos Elaborado por: M.C. Edgar E. García Cano Ing. Jorge A. Solano Gálvez Revisado por: Ing. Laura Sandoval Montaño Guía práctica de estudio 03: Algoritmos Objetivo:
Más detallesSistemas de Interconexión entre Redes LAN
Los puentes Sistemas de Interconexión entre Redes LAN Generalidades Los puentes (bridges) operan en la capa de enlace de datos Sólo se usan las direcciones del nivel 2 de OSI En caso de redes IEEE 802.x,
Más detallesRedes Semánticas. IIMAS Inteligencia Artificial. Alumno: Vicente Iván Sánchez Carmona Profesora: Dr. Ana Lilia Laureano
Redes Semánticas IIMAS Inteligencia Artificial Alumno: Vicente Iván Sánchez Carmona Profesora: Dr. Ana Lilia Laureano Representación del conocimento El problema de cómo almacenar el conocimiento a ser
Más detallesClasificador Jerárquico de Imágenes utilizando Naive Bayes
Clasificador Jerárquico de Imágenes utilizando Naive Bayes Hernandez Torres Julio Noe, Marin Castro Maribel Angelica Instituto Nacional de Astrofísica Óptica y Electrónica {julio.hernandez.t, mmarinc}
Más detallesIntroducción a Maxima: Haciendo Matemáticas con Software Libre (2 a Edición)
Introducción a Maxima: Haciendo Matemáticas con Software Libre (2 a Edición) Teresa E. Pérez & Miguel A. Piñar Actividades de Formación Docente en Centros, Titulaciones y Departamentos Vicerrectorado para
Más detalles4.1 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
Más detallesTEMA 4. PROCESO UNIFICADO
TEMA 4. PROCESO UNIFICADO Diseño El objetivo final del diseño es producir un Modelo Lógico del sistema a implementar. Diferencia entre Análisis y Diseño del Proceso Unificado Modelo de Análisis Modelo
Más detallesUna Interfaz Grafo-Matriz
Una Interfaz Grafo-Matriz R. Carballo, C. Escribano, M.A. Asunción Sastre Dept. Matemática Aplicada F.Informática. U.P.M. Boadilla del Monte Madrid, 28660-Madrid e-mail: cescribano@fi.uib.es Resumen. El
Más detallesSIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION
UNIVERSIDAD DIEGO PORTALES FACULTAD CIENCIAS DE LA INGENIERIA INGENIERIA CIVIL INDUSTRIAL SIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION Profesor Responsable. Macarena Donoso Ayudante.
Más detalles(b) Cuál es la desventaja principal de una heurística con aprendizaje? es más informada que otra función heurística optimista h 2 *?
UNIVERIDD REY JUN CRLO CURO 0-0 INTELIGENCI RTIFICIL Hoja de Problemas Tema Ejercicio : Conteste a las siguientes preguntas: (a) Cómo funciona una heurística con aprendizaje? olución: Una heurística con
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
Más detallesTema: Los Grafos y su importancia para la optimización de redes.
Tema: Los Grafos y su importancia para la optimización de redes. Qué son los Grafos? Un grafo es una dupla G= {X,U}, donde X es un conjunto finito y no vacio de elementos llamados vértices y U es el conjunto
Más detallesCAPÍTULO III I. MARCO METODOLÓGICO. Este capítulo hace mención a los aspectos metodológicos de la
CAPÍTULO III I. MARCO METODOLÓGICO Este capítulo hace mención a los aspectos metodológicos de la investigación utilizados para la solución del problema. Antes de todo, es necesario definir lo que es una
Más detallesDiseño del proceso de lubricación - (LPD)
Diseño del proceso de lubricación - (LPD) Fase II - Diseño detallado Definición: La fase II del LPD consiste en el diseño detallado de las mejoras y de las modificaciones de cada una de las máquinas de
Más detallesCapítulo 1: INTRODUCCIÓN GENERALIDADES
Capítulo 1: INTRODUCCIÓN En este capítulo, como su nombre indica, se realiza la introducción de los conceptos generales sobre los que se fundamenta el trabajo desarrollado. A continuación, se definen los
Más detallesI. FUNDAMENTOS DE ARQUITECTURA
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: ARQUITECTURA DE COMPUTADORAS DES: Ingeniería Programa(s) Educativo(s): Ingeniería en Software
Más detallesUNIVERSIDAD TÉCNICA DE MANABÍ
UNIVERSIDAD TÉCNICA DE MANABÍ FACULTAD DE CIENCIAS MATEMÁTICAS, FÍSICAS Y QUÍMICAS ESCUELA DE INGENIERÍA CIVIL DISEÑO DE UN PUENTE COLGANTE PEATONAL DE ESTRUCTURA METÁLICA ENTRE LA CALLE 13 DE OCTUBRE
Más detallesALGORITMOS 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
Más detallesSERVICIO NACIONAL DE APRENDIZAJE SENA SISTEMA INTEGRADO DE GESTIÓN Procedimiento Ejecución de la Formación Profesional Integral GUÍA DE APRENDIZAJE
Nº 1 1. IDENTIFICACIÓN DE LA GUIA DE APRENDIZAJE Programa de Formación: Técnico en programación de software Nombre del Proyecto: Sistema de información para la gestión empresarial Fase del proyecto: FASE
Más detallesModelos de Inventarios
Modelos de Inventarios 1. Qué significa PERT? Program Evaluation Review Technique Técnica de Revisión de Evaluación de Programa 2. Qué significa las siglas C.E.P Cantidad Económica de Pedidos 3. Para qué
Más detallesInteligencia Artificial
Inteligencia Artificial Tema 2 Búsquedas Ivan Olmos Pineda Contenido Estructura General de un PSA Formulación de un PSA Algoritmos de Búsqueda de Soluciones Aplicaciones BUAP Inteligencia Artificial 2
Más detallesEstado 3.2 (coste = 9)
Búsqueda heurística Fernando Berzal, berzal@acm.org Búsqueda heurística Búsqueda primero el mejor p.ej. búsqueda de coste uniforme [UCS] Heurísticas Búsqueda greedy El algoritmo A* Heurísticas admisibles
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detalles1. (F, +) es un grupo abeliano, denominado el grupo aditivo del campo.
Capítulo 5 Campos finitos 5.1. Introducción Presentaremos algunos conceptos básicos de la teoría de los campos finitos. Para mayor información, consultar el texto de McEliece [61] o el de Lidl y Niederreiter
Más detallesProgramación Lineal. Modelo de Redes. Alcance de las aplicaciones. Curso: Investigación de Operaciones Ing. Javier Villatoro
Programación Lineal Modelo de Redes Alcance de las aplicaciones Curso: Investigación de Operaciones Ing. Javier Villatoro ALCANCE DE LAS APLICACONES DE REDES ALCANCE DE LAS APLICACIONES Muchas situaciones
Más detallesOferta tecnológica: Sistema de control que permite el vuelo autónomo de drones
Oferta tecnológica: Sistema de control que permite el vuelo autónomo de drones Oferta tecnológica: Sistema de control que permite el vuelo autónomo de drones RESUMEN Investigadores de la Universidad de
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesDossier de prensa Mayo 2016
Dossier de prensa Mayo 2016 1 Sinnaps es una empresa de desarrollo de software online para la gestión de proyectos profesionales. Nace de la experiencia La necesidad por encontrar un software capaz de
Más detallesEXAMEN EXTRAORDINARIO Informática y Computación IV
Nombre del alumno: EXAMEN EXTRAORDINARIO Informática y Computación IV Lee cada una de las preguntas y contesta con una V para verdedero o una F en caso de que sea falso lo que se propone. Una base de datos
Más detallesEn GSG Petroleum le brindamos soluciones tecnológicas personalizadas. de toma de decisiones.
En GSG Petroleum le brindamos soluciones tecnológicas personalizadas que le ayudarán en el proceso de toma de decisiones. Somos una firma que le ofrece soluciones en el área de Tecnologías de la Información
Más detallesDESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIOS SUBSECTOR: INFORMÁTICA
DESCRIPCIÓN ESPECÍFICA NÚCLEO: COMERCIO Y SERVICIOS SUBSECTOR: INFORMÁTICA Nombre del Módulo: PROGRAMACIÓN EN JAVASCRIPT Código: CSTI0087 total: 51 Horas Objetivo General: Crear contenido web basado en
Más detallesPara ingresar al a esta opción del sistema establezca la siguiente ruta en el menú: ubicar / personal como lo muestra la siguiente imagen.
MÓDULO DE REPORTES A).- UBICAR PERSONAL: Este módulo tiene como objetivo localizar tanto de la nómina Estatal como la Federal a un empleado o grupo de empleados y conocer todo registro histórico a lo largo
Más detallesCapitulo 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
Más detallesDiagramas De Casos De Uso
Estáticos Diagramas De Casos De Uso Los diagramas de casos de uso documentan el comportamiento de un sistema desde el punto de vista del usuario.. Por lo tanto los casos de uso determinan los requisitos
Más detallesSISTEMA DE VENTAS Y COMPRA DE TIENDA DE VESTIR SIVECO VISION. Versión 1.0 MANUEL PABLO GUERRA MARTÍNEZ.
SISTEMA DE VENTAS Y COMPRA DE TIENDA DE VESTIR SIVECO VISION Versión 1.0 MANUEL PABLO GUERRA MARTÍNEZ paulo987@hotmail.com grupo S8 SIVECO,2012 Pág. 1 Tabla de Contenidos 1. Introducción 3 1.1 1.2 Propósito
Más detallesTeorías del aprendizaje
Teorías del aprendizaje TEORÍAS DEL APRENDIZAJE 1 Sesión No. 7 Nombre: El cognitivismo: Aplicación en la educación Contextualización Sabías que las teorías cognitivas tienen un amplio campo de aplicación
Más detallesAPLICACIÓN DE LA METODOLOGÍA DE DAUDIN A LOS GRÁFICOS POR ATRIBUTOS
27 Congreso Nacional de Estadística e Investigación Operativa Lleida, 8-11 de abril de 2003 APLICACIÓN DE LA METODOLOGÍA DE DAUDIN A LOS GRÁFICOS POR ATRIBUTOS Elena Pérez Bernabeu 1, José M. Jabaloyes
Más detalles2. Cuál es el precio sugerido por tu grupo por cada carro que se lava? Justifica tu respuesta.
HOJA DE TRABAJO #1: RECAUDANDO FONDOS El Club de Matemáticas de la escuela necesita recaudar fondos para un viaje a Washington D.C. y para su baile del Día de San Valentín. Los miembros del club proponen
Más detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesBayer S.A. Sanidad animal. Presenta
Bayer S.A. Sanidad animal Presenta Buena miel para sus abejas Bayvarol Reina Características Unica hembra con órganos reproductivos desarrollados. Tiene cuerpo alargado Poner huevos Funciones Mantener
Más detallesBúsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución.
BÚSQUEDA HEURÍSTICA estudio de los métodos y reglas del descubrimiento y la invención. Búsqueda en e.e. --> reglas para elegir entre las ramas que con más probabilidad lleven a la solución. Situaciones
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesCAPITULO III. El propósito de la investigación fue recopilar información actualizada de las Micro
90 CAPITULO III INVESTIGACIÓN DE CAMPO SOBRE LA APLICACION DE UN SISTEMA DE DESARROLLO DE MARCA PARA LA COMERCIALIZACIÓN DE LA MIEL DE ABEJAS PRODUCIDA POR LAS MICRO EMPRESAS, UBICADAS EN EL DEPARTAMENTO
Más detallesEvaluación Integral Sostenible
Escala de evaluación COMERCIO CALIFICACIÓN Sobresaliente Desarrollado En proceso Emergente Incipiente INDICADOR Le realiza mejoras constantes. Tiene herramientas innovadoras. Ha transferido el conocimiento
Más detallesEncuesta Anual de Hogares 2012 Ciudad de Buenos Aires
Encuesta Anual de Hogares 2012 Ciudad de Buenos Aires Síntesis metodológica Dirección General de Estadística y Censos Ministerio de Hacienda Gobierno de la Ciudad de Buenos Aires Encuesta Anual de Hogares
Más detallesLocalizando el punto de intersección
Localizando el punto de intersección Realiza las siguientes actividades, mientras trabajas con el tutorial. 1. En la gráfica de una función, los valores de la variable están en el eje horizontal y los
Más detalles1: 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
Más detallesProyecto de grado. Control y Comportamiento de Robots Omnidireccionales. Campos Potenciales
Proyecto de grado Control y Comportamiento de Robots Omnidireccionales Campos Potenciales Santiago Martínez, Rafael Sisto pgomni@ng.edu.uy http://www.ng.edu.uy/~pgomni Tutor Gonzalo Tejera Cotutores Facundo
Más detalles