Hiperheurísticas: Un Nuevo Enfoque para la Resolución de Problemas Complejos
|
|
- Ángel Lozano Vega
- hace 6 años
- Vistas:
Transcripción
1 Tipos de : Un Nuevo Enfoque para la Resolución de Problemas Complejos Departamento de Informática Universidad Técnica Federico Santa María 10 de septiembre de 2006 Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
2 Introducción Tipos de Tipos de 4 Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
3 Tipos de Pablo Garrido mail:
4 Orígenes Introducción Tipos de Concepto que nace formalmente en el grupo de investigación ASAP en la Universidad de Nottingham a mediados del año El término hiperheurística, sin embargo, tuvo sus primeros usos a mediados de los 60 por Fisher y Thompson (1961, 1963) y Crowson(1963) enfrentando el problema de Job Shop Scheduling (elección de heurísticas en base a probabilidades). Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
5 Introducción Tipos de Diseñar metaheurísticas eficientes requiere incorporar conocimiento específico lo que implica un gran esfuerzo en tiempo y recursos. Consecuencia: Difíciles de reusar o aplicar en otros problemas. Complicadas de entender. Estrategia: Optar por usar técnicas simples, baratas y razonablemente eficientes. Idea: Compromiso entre la calidad de la solución y la rapidez de la implementación y ejecución. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
6 Introducción Tipos de Diseñar metaheurísticas eficientes requiere incorporar conocimiento específico lo que implica un gran esfuerzo en tiempo y recursos. > necesidad de expertos Consecuencia: Difíciles de reusar o aplicar en otros problemas. Complicadas de entender. Estrategia: Optar por usar técnicas simples, baratas y razonablemente eficientes. Idea: Compromiso entre la calidad de la solución y la rapidez de la implementación y ejecución. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
7 Introducción Tipos de Diseñar metaheurísticas eficientes requiere incorporar conocimiento específico lo que implica un gran esfuerzo en tiempo y recursos. > gran inversión en dinero Consecuencia: Difíciles de reusar o aplicar en otros problemas. Complicadas de entender. Estrategia: Optar por usar técnicas simples, baratas y razonablemente eficientes. Idea: Compromiso entre la calidad de la solución y la rapidez de la implementación y ejecución. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
8 Introducción Tipos de Diseñar metaheurísticas eficientes requiere incorporar conocimiento específico lo que implica un gran esfuerzo en tiempo y recursos. > sintonización de parámetros Consecuencia: Difíciles de reusar o aplicar en otros problemas. Complicadas de entender. Estrategia: Optar por usar técnicas simples, baratas y razonablemente eficientes. Idea: Compromiso entre la calidad de la solución y la rapidez de la implementación y ejecución. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
9 Introducción Tipos de Diseñar metaheurísticas eficientes requiere incorporar conocimiento específico lo que implica un gran esfuerzo en tiempo y recursos. > elección de heurísticas Consecuencia: Difíciles de reusar o aplicar en otros problemas. Complicadas de entender. Estrategia: Optar por usar técnicas simples, baratas y razonablemente eficientes. Idea: Compromiso entre la calidad de la solución y la rapidez de la implementación y ejecución. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
10 Introducción Tipos de Diseñar metaheurísticas eficientes requiere incorporar conocimiento específico lo que implica un gran esfuerzo en tiempo y recursos. Consecuencia: Difíciles de reusar o aplicar en otros problemas. Complicadas de entender. Estrategia: Optar por usar técnicas simples, baratas y razonablemente eficientes. Idea: Compromiso entre la calidad de la solución y la rapidez de la implementación y ejecución. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
11 Introducción Tipos de Es siempre válido aplicar este enfoque? Se deben distinguir 2 escenarios. Escenario 1: Se busca la mejor solución posible. Se está preparado para invertir tiempo y dinero para obtener dicha solución. Escenario 2: Se desea ocupar el mismo método en una cantidad considerable de problemas sin gastar mucho tiempo y recursos re-adaptándolo. Se desean obtener resultados de calidad aceptable. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
12 Tipos de Pablo Garrido mail:
13 Tipos de Hiperheurística: Caja Negra Pablo Garrido mail:
14 Definición Introducción Tipos de Método que inteligentemente controla la elección de la heurística (método) de bajo nivel que debiera ser aplicada en cada punto de decisión dependiendo de las características de las heurísticas y de la región del espacio de solución que se está explorando (estado del problema). Para ello, la hiperheurística debiera tener un mecanismo de aprendizaje. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
15 Definición Introducción Tipos de Método que inteligentemente controla la elección de la heurística (método) de bajo nivel que debiera ser aplicada en cada punto de decisión dependiendo de la características de las heurísticas y de la región del espacio de solución que se está explorando (estado del problema). Para ello, la hiperheurística debiera tener un mecanismo de aprendizaje. }{{} Analogía del estratega Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
16 Tipos de Características Que puedan ser aplicadas a un amplio rango de problemas. Su fin no es vencer a técnicas construidas a la medida, sino demostrar que son competitivas y capaces de generar resultados de calidad. Que no sean sensibles a perturbaciones del problema y a distintos problemas. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
17 Tipos de Requerimientos No deben tener conocimiento del dominio. Deben proveer una interfaz genérica y común para cada heurística de bajo nivel. Capaces de tomar decisiones dinámicamente en base al estado actual de la búsqueda. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
18 Estructura Introducción Tipos de Pablo Garrido mail:
19 Tipos de Clasificación de hiperheurísticas: Sin aprendizaje Aleatorias Greedy Con aprendizaje Función de elección Metaheurísticas Basadas en razonamiento Aprendizaje incremental Pablo Garrido mail:
20 Tipos de Pablo Garrido mail:
21 Aleatorias Introducción Tipos de Aleatoria Simple Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling, SMD Multi-Head Placement Machine. Mecanismo: Aleatoriamente elige la siguiente heurística de bajo nivel, aceptándola en base a criterios de sólo mejora o cualquier movimiento. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
22 Aleatorias Introducción Tipos de Aleatoria Descendente Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Aleatoriamente elige la siguiente heurística de bajo nivel y la aplica hasta que no se produzca una mejora. La elección de cada heurística se realiza mediante criterios de sólo mejora o cualquier movimiento. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
23 Aleatorias Introducción Tipos de Permutación Aleatoria Descendente Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Pablo Garrido mail:
24 Aleatorias Introducción Tipos de Permutación Aleatoria Descendente Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Pablo Garrido mail:
25 Aleatorias Introducción Tipos de Permutación Aleatoria Descendente Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Pablo Garrido mail:
26 Aleatorias Introducción Tipos de Permutación Aleatoria Descendente Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Pablo Garrido mail:
27 Aleatorias Introducción Tipos de Permutación Aleatoria Descendente Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Pablo Garrido mail:
28 Aleatorias Introducción Tipos de Permutación Aleatoria Descendente Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Pablo Garrido mail:
29 Greedy Introducción Tipos de Greedy Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3]. Aplicaciones: Sales Summit, Project Presentation Scheduling. Mecanismo: Evalúa cada heurística y elige la que tenga el mejor desempeño del conjunto. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
30 Tipos de Pablo Garrido mail:
31 Tipos de Función de Elección Agrupada Propuesta por Soubeiga, Cowling, Kendall [1, 2, 3, 4]. Aplicaciones: Sales Summit, Project Presentation Scheduling, SMD Multi-Head Placement Machine, Nurse Rostering. Pablo Garrido mail:
32 Tipos de Función de Elección Agrupada La elección de la heurística H k es la que maximiza/minimiza el valor de: αf 1 (H k ) + βf 2 (H j, H k ) γf 3 (H k ) donde f 1 es la mejora reciente de la heurística, f 2 es la mejora reciente de dos heurísticas aplicadas secuencialmente y f 3 es el tiempo en que la heurística no ha sido aplicada. Se definen dos versiones: Con sintonización de parámetros. Con control. Parámetros se ajustan mediante mecanismo de aprendizaje reforzado. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
33 Tipos de Función de Elección Múltiples Objetivos Propuesta por Soubeiga y Landa Silva [2, 3, 4, 16]. Aplicaciones: Sales Summit, Project Presentation Scheduling, Nurse Rostering, Two-Objective Space Allocation. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
34 Tipos de Función de Elección Múltiples Objetivos La elección de la heurística H k es la que maximiza/minimiza el valor de: [α l f 1l (H k ) + β l f 2l (H j, H k ) γ l L f 3l(H k )] l L donde L es el conjunto de subobjetivos. Los parámetros de la función son ajustados para enfatizar la búsqueda en ciertos objetivos. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
35 Tipos de Elección de Heurísticas Usando Metaheurísticas Pablo Garrido mail:
36 Tipos de Elección de Heurísticas Usando Metaheurísticas Tabu Search Incremental Propuesta por Soubeiga y Kendall [16, 20, 21]. Aplicaciones: Examination Timetabling, University Course Timetabling, Nurse Rostering, Two-Objective Space Allocation. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
37 Tipos de Elección de Heurísticas Usando Metaheurísticas Tabu Search Incremental Pablo Garrido mail:
38 Tipos de Elección de Heurísticas Usando Metaheurísticas Algoritmos Genéticos Propuesta por Han [5, 6, 14] y otros. Aplicaciones: Trainer Scheduling, Project Presentation Scheduling. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
39 Tipos de Elección de Heurísticas Usando Metaheurísticas Algoritmos Genéticos Operadores: Cruzamiento: Simple en un punto sobre grupos de genes o cromosoma completo. Mutación: Inserción/eliminación/modificación de (grupos de) genes. Se definen versiones con cromosomas de tamaño fijo y variable. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
40 Tipos de Elección de Heurísticas Usando Metaheurísticas Ants Propuesta por O Brien [17, 18] y otros. Aplicaciones: Project Presentation Scheduling. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
41 Tipos de Elección de Heurísticas Usando Metaheurísticas Ants Pablo Garrido mail:
42 Tipos de Elección de Heurísticas Usando Metaheurísticas Simulated Annealing Incremental Propuesta por Ayob [15] y Bai [23]. Aplicaciones: SMD Multi-Head Placement Machine, Shelf Space Allocation. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
43 Tipos de Elección de Heurísticas Usando Metaheurísticas Simulated Annealing Incremental El vecindario corresponde a un conjunto de heurísticas a aplicar. Se puede elegir la mejor heurística del vecindario o una al azar. Si la solución mejora se continúa la búsqueda, si empeora se puede aceptar el movimiento por probabilidad. Incrementalmente agrega una heurística a la secuencia. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
44 Tipos de Case Based Reasoning Propuesta por Petrovic y Qu [7, 8, 9]. Aplicaciones: University Course Timetabling, Examination Timetabling. Mecanismo: Se emplea un conjunto de instancias de entrenamiento para detectar patrones de estado/solución, posteriormente, los patrones son aplicados sobre instancias nuevas. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
45 Tipos de Case Based Reasoning En base a casos pasados es capaz de elegir la mejor metodología o heurística para resolver una instancia o el estado actual de un problema. Para comparar casos ocupa medidas de similaridad. Proceso de entrenamiento de dos etapas: Selección del conjunto de características que representan bien a todos los problemas (uso de herramientas de selección y extracción de características). Eliminación de casos redundantes (técnicas de edición y condensado). Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
46 Tipos de Metodología: A partir de instancias de entrenamiento se deducen iterativamente un conjunto de reglas que posteriormente son ocupadas para resolver nuevas instancias. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
47 Tipos de XCS Propuesta por Ross [11], Marín-Blázquez [22] y otros. Aplicaciones: One-Dimensional Bin Packing. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
48 Tipos de XCS El sistema evoluciona un conjunto de reglas que asocian estados con heurísticas a medida que se resuelven instancias. La heurística asociada es la que genera la máxima recompensa (mejor desempeño). La evolución de las reglas se lleva a cabo con un algoritmo genético (sólo se evolucionan reglas con máxima recompensa). Se distinguen dos versiones: Entornos en que se evalúa el desempeño luego de realizar un movimiento (paso simple) o entornos en que se evalúa el desempeño luego de cambiar de estado (múltiples pasos). Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
49 Tipos de : XCS Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
50 Tipos de Algoritmos Genéticos Propuesta por Ross [12]. Aplicaciones: One-Dimensional Bin Packing. Pablo Garrido mail:
51 Tipos de Algoritmos Genéticos Cada cromosoma es de tamaño variable y contiene un conjunto de reglas que asocian un estado con una heurística. Así, cada gen es una tupla (estado,heurística). La regla del cromosoma que está más cercana al estado actual del problema es la aplicada. Cada cromosoma es un solucionador del problema. Operadores: Cruzamiento en un punto (preservando genes). Mutación de alelos. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
52 Tipos de Algoritmos Genéticos Pablo Garrido mail:
53 Tipos de Pablo Garrido mail:
54 Introducción Tipos de Las hiperheurísticas no son la panacea. Su objetivo no es resolver todos los problemas, sino proveer una interfaz uniforme que permita resolver un amplio rango de problemas. Una adecuada elección de heurísticas de bajo nivel es necesaria. Deben ser diversas y hacer movimientos que le ayuden a la hiperheurística a tomar decisiones según su mecanismo de aprendizaje. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
55 Introducción Tipos de Algunas hiperheurísticas tienen el problema de contener demasiados parámetros, muchos de los cuales son sintonizados (por ejemplo: ants y genéticos). Existen hiperheurísticas que asumen que existe mucha información que puede ser aprovechada para resolver problemas. Lo anterior limita su generalidad. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
56 Tipos de Trabajo Futuro Aún está en duda si pueden ser efectivamente aplicadas en escenarios donde se desea tener la mejor solución. No se han visto enfoques que junten el aprendizaje con el razonamiento. Ocupar metaheurísticas que, en lugar de construir una secuencia de heurísticas, sean capaces de reparar secuencias (i.e., simulated annealing, tabu search). Pablo Garrido mail:
57 Referencias Introducción Tipos de P. Cowling, G. Kendall, E. Soubeiga. A Hyperheuristic Approach to Scheduling a Sales Summit. Selected Papers of the Third International Conference on Practice and Theory of Automated Timetabling, PATAT LNCS, pp , Konstanz, Germany, August Springer-Verlag. P. Cowling, G. Kendall, E. Soubeiga. A Parameter-Free Hyperheuristic for Scheduling a Sales Summit. In proceedings of 4th International Conference, Porto Portugal, July 2001, pp P. Cowling, G. Kendall, E. Soubeiga. Hyperheuristic: A Tool for Rapid Prototyping in Scheduling and Optimisation. Second European Conference on Evolutionary Computing for Combinatorial Optimisation, EvoCop LNCS, pp. 1-10, Kinsale, Ireland, April 3-5, 2002, Springer-Verlag. P. Cowling, G. Kendall, E. Soubeiga. Hyperheuristic: A Robust Optimisation Method Applied to Nurse Scheduling. Parallel Problem Solving from Nature VII, PPSN LNCS, pp , Granada, Spain, September , Springer-Verlag. Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
58 Referencias Introducción Tipos de P. Cowling, G. Kendall, L. Han. An Investigation of a Hyperheuristic Genetic algorithm applied to a Trainer Scheduling Problem. Accepted for 2002 Congress on Evolutionary Computation (CEC2002), Hilton Hawaiian Village Hotel, Honolulu, Hawaii, May P. Cowling, G. Kendall, L. Han. An Adaptive Length Chromosome Hyperheuristic Genetic Algorithm for a Trainer Scheduling Problem. Technical Report NOTTCS-TR (submitted to SEAL 2002 Conference), University of Nottingham, UK, School of Computer Science & IT E. Burke, B. MacCarthy, S. Petrovic, R. Qu. Knowledge Discovery in a HyperHeuristic for Course Timetabling Using Case-Based Reasoning. Proceedings of the Fourth International Conference on the Practice and Theory of Automated Timetabling (PATAT 02), pp , Ghent, Belguium, August S. Petrovic, R. Qu. Case-Based Reasoning as a Heuristic Selector in a Hyper-Heuristic for Course Timetabling Problems. Knowledge-Based Intelligent Information Engineering Systems and Allied Technologies, Volume 82. Proceedings of KES 02, pp , Crema, Italy, September Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
59 Referencias Introducción Tipos de E. Burke, S. Petrovic, R. Qu. Case-Based Heuristic Selection for Timetabling Problems S. W. Wilson. Generalization in the XCS Classifier System. In Proceedings of the Third Genetic Programming Conference (J. Koza ed.), pp , Morgan Kaufmann, San Francisco, P. Ross, S. Schulenburg, J. G. Marín-Blázquez, E. Hart. Hyper-heuristics: Learning to Combine Simple Heuristics in Bin-Packing Problems. Accepted for Genetic And Evolutionary Computation Conference (GECCO 20020) 2002, New York, July Learning a Procedure that Can Solve Hard Bin-Packing Problems: A New GA-Based Approach to Hyper-heuristics E. Burke, J. Newall. A new Adaptive Heuristic Framework for Examination Timetabling Problems. Technical Report NOTTCS-TR , University of Nottingham, UK February Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
60 Referencias Introducción Tipos de L. Han, G. kendall. Guided Operators for a Hyper-Heuristic Genetic Algorithm. In Proceedings of AI-2003: Advances in Artificial Intelligence. The 16th Australian Conference on Artificial Intelligence, Perth, Autralia, pp , 3-5 December M. Ayob, G. Kendall. A Monte Carlo Hyper-Heuristic to Optimise Component Placement Sequencing for Multi Head Placement Machine E. Burke, J. D. Landa Silva, E. Soubeiga. Hyperheuristic Approaches for MultiObjective Optimisation. The Fifth Metaheuristics International Conference, pp. 052-{1-6}. Kyoto, Japan, August 25-28, E. Burke, G. Kendall, R. O Brien, D. Redrup, E. Soubeiga. An Ant Algorithm Hyperheuristic. The Fifth Metaheuristics International Conference. Kyoto, Japan, August 25-28, E. Burke, G. Kendall, D. Landa Silva, R. O brien, E. Soubeiga. An Ant Algorithm Hyperheuristic for the Project Presentation Problem Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
61 Referencias Introducción Tipos de E. Bonabeau, M. Dorigo, G. Theraulaz. Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press, Oxford, New York, E. Burke, G. Kendall, E. Soubeiga. A Tabu-Search Hyperheuristic for Timetabling and Rostering. Journal of Heuristics, No 9, pp , G. Kendall, N. M. Hussin. An Investigation of a Tabu Search Based Hyper-Heuristic for Examination Timetabling J. G. Marín-Blazquez, S. Schulenburg. Multi-Step Environment Learning Classifier Systems Applied to Hyper-Heuristics. GECCO 06, July , Seatte, Washington, USA. R. Bai, G. Kendall. An Investigation of Automated Planograms Using a Simulated Annealing Based Hyper-Heuristic, Pablo Garrido mail: pgarrido@alumnos.inf.utfsm.cl
62 Preguntas? Introducción Tipos de Pablo Garrido mail:
Optimización global en espacios restringidos mediante el sistema inmune artificial.
Optimización global en espacios restringidos mediante el sistema inmune artificial. Tesista: Daniel Trejo Pérez dtrejo@computacion.cs.cinvestav.mx Director de tesis: Dr. Carlos Artemio Coello Coello CINVESTAV-IPN
Más detallesUna propuesta de una herramienta flexible para problemas de scheduling
Una propuesta de una herramienta flexible para problemas de scheduling Guillermo Ordoñez y Guillermo Leguizamón Laboratorio de Investigación y Desarrollo en Inteligencia Computacional * Línea: Metaheurísticas
Más detallesBIOINFORMÁTICA
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 detallesOptimizando el mundo real utilizando inteligencia artificial
Optimizando el mundo real utilizando inteligencia artificial Dr. Ricardo Soto [ricardo.soto@ucv.cl] [http://www.inf.ucv.cl/ rsoto] FONDECYT Iniciación 11130459, CONICYT Adaptive Enumeration and Propagation
Más detallesA Hyper-Heuristic Based On An Adapter Layer For Transportation Combinatorial Problems
A Hyper-Heuristic Based On An Adapter Layer For Transportation Combinatorial Problems E. Urra, C. Cubillos and D. Cabrera Abstract Hyper-heuristics are optimization techniques for solving hard combinatorial
Más detallesAcademia de la carrera de Licenciatura en Informática del Instituto Tecnológico de Aguascalientes
1. DATOS DE LA ASIGNATURA Nombre: Técnicas de Inteligencia Artificial y Sistemas Multi-agentes Carrera: Licenciatura en Informática Clave de la asignatura: IFS-0405 Horas teoría - horas práctica - créditos:
Más detalles1. Historial de la asignatura.
Nombre de la asignatura: PROGRAMACIÓN HEURÍSTICA Línea de investigación: Optimización Inteligente Horas teóricas - Horas prácticas - Horas trabajo adicional - Horas totales Créditos 32 16 64 112-7 1. Historial
Más detallesBIOINFORMÁTICA
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 detallesAlgoritmos Genéticos. Héctor Alejandro Montes
Algoritmos Genéticos hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes Evaluación del curso Ordinaria Tareas Examenes parciales Proyecto final Extraordinaria y a Título de Suficiencia Examen teórico Examen
Más detallesMANUEL LOZANO MARQUEZ
Ficha de investigador MANUEL LOZANO MARQUEZ Grupo de Investigación: SOFT COMPUTING Y SISTEMAS DE INFORMACIÓN INTELIGENTES (Cod.: TIC186) Departamento: Universidad de Granada. Ciencias de la Computación
Más detallesHOJA DE VIDA DE ROBERTO CRUZ RODES
HOJA DE VIDA DE ROBERTO CRUZ RODES FORMACIÓN 1996 2000 Doctorado en Ciencias Matemáticas. Instituto de Cibernetica Matemática y Física, ICIMAF, Cuba, Año de obtención: 2000 1981 1986 Pregrado/Universitario
Más detallesRevisión de Algoritmos Genéticos Aplicados al Problema de la Programación de Cursos Universitarios
Programación Matemática y Software (2011) Vol. 3. No 1. ISSN: 2007-3283 Recibido: 28 de Febrero de 2011/Aceptado: 29 de Junio de 2011 Publicado en línea: 06 de septiembre de 2011 Revisión de Algoritmos
Más detallesAplicaciones. Inteligencia Computacional Carrera de Ingeniería Informática
Aplicaciones Inteligencia Computacional Carrera de Ingeniería Informática Aplicaciones de IC Unidad VIII: Configuración del problema y aplicación de las técnicas de inteligencia computacional en: clasificación
Más detalles240ST Técnicas de Optimización en la Cadena de Suministro
Unidad responsable: 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona Unidad que imparte: 732 - OE - Departamento de Organización de Empresas Curso: 2017 Titulación: Créditos
Más detallesALGORÍTMICA
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
Más detallesMejoras a algoritmos genéticos. Inteligencia Computacional Blanca A. Vargas Govea Sep 25, 2012
Mejoras a algoritmos genéticos Inteligencia Computacional Blanca A. Vargas Govea vargasgovea@itesm.mx Sep 25, 2012 Conocer las mejoras usuales a algoritmos genéticos 2 1. Diseñar una representación 2.
Más detallesModelos predictivos y de optimización de estructuras de hormigón
http://optimizacionheuristica.blogs.upv.es 1 Modelos predictivos y de optimización de estructuras de hormigón Dr. Ing. Víctor Yepes Piqueras Departamento de Ingeniería de la Construcción y Proyectos de
Más detallesDiseño de una metodología basada en técnicas inteligentes para la distribución de procesos Académicos en ambientes de trabajo job shop.
5 th International Conference on Industrial Engineering and Industrial Management XV Congreso de Ingeniería de Organización Cartagena, 7 a 9 de Septiembre de 2011 Diseño de una metodología basada en técnicas
Más detallesPUBLICACIONES. Parallel Genetic Algorithms. Theory and Real World Applications PUBLICACIÓN: Springer-Verlag, (en imprenta) 2011
PUBLICACIONES 2010 libros escritos G. Luque, E. Alba Parallel Genetic Algorithms. Theory and Real World Applications Springer-Verlag, (en imprenta) 2011 2010 revistas de impacto (JCR-ISI) J. García-Nieto,
Más detallesAnálisis de esquemas de manejo de restricciones en optimización global.
Análisis de esquemas de manejo de restricciones en optimización global. Tesista: Daniel Trejo Pérez dtrejo@computacion.cs.cinvestav.mx Director de tesis: Dr. Carlos Artemio Coello Coello CINVESTAV-IPN
Más detallesInvestigación de Operaciones (IO) Operations Research
Investigación de Operaciones (IO) Operations Research Dr. Ricardo Soto [ricardo.soto@ucv.cl] [http://www.inf.ucv.cl/ rsoto] Escuela de Ingeniería Informática Pontificia Universidad Católica de Valparaíso
Más detallesAnálisis Espacial aplicando Técnicas de Inteligencia Artificial
Análisis Espacial aplicando Técnicas de Inteligencia Artificial OBJETIVO. Proporcionar al estudiante técnicas variadas de inteligencia artificial para el tratamiento de datos espaciales y presentar cómo
Más detallesProgramación entera para el cálculo automatizado de horarios de clase
1 / 32 Programación entera para el cálculo automatizado de horarios de clase Daniel Ayala María Belén Heredia Luis Miguel Torres Centro de Modelización Matemática Escuela Politécnica Nacional Segundo Congreso
Más detallesOptimización de Algoritmos PSO Mediante Regresión Exponencial
Optimización de Algoritmos PSO Mediante Regresión Exponencial Miguel Augusto Azar, Fabiola Patricia Paz, Analía Herrera Cognetta Facultad de Ingeniería - Universidad Nacional de Jujuy auazar@live.com,
Más detallesReduciendo el Ancho de Banda de Matrices Dispersas Simétricas con Algoritmos Genéticos
Reduciendo el Ancho de Banda de Matrices Dispersas Simétricas con Algoritmos Genéticos RICARDO LÓPEZ GUEVARA rlopezg@unmsm.edu.pe rlopezgperu@yahoo.es Universidad Nacional Mayor de San Marcos Facultad
Más detallesA MEMETIC ALGORITHM FOR. Zhipeng Lü, Jin-Kao Hao
A MEMETIC ALGORITHM FOR GRAPH COLORING Zhipeng Lü, Jin-Kao Hao European Jornal of Operational Research Introducción Aplicaciones generales Aplicaciones prácticas Heurísticas Algoritmo propuesto: MACOL
Más detallesIngeniería de Aplicaciones Web
Ingeniería de Aplicaciones Web Carrera: Ingeniería en Computación Profesor Responsable: Rossi, Gustavo Héctor Año: Optativa Duración: Semestral Carga Horaria Semanal: 6hs Carga Horaria Total: 96hs OBJETIVOS
Más detallesPlanificación Dinámica para el Mantenimiento Eficiente de Locaciones Petroleras
Planificación Dinámica para el Mantenimiento Eficiente de Locaciones Petroleras A. Villagra, C. Montenegro, E. de San Pedro, M. Lasso, D. Pandolfi Universidad Nacional de la Patagonia Austral - Unidad
Más detallesTÉCNICAS EVOLUTIVAS EN PROBLEMAS MULTI-OBJETIVOS EN EL PROCESO DE PLANIFICACIÓN DE LA PRODUCCIÓN
TÉCNICAS EVOLUTIVAS EN PROBLEMAS MULTI-OBJETIVOS EN EL PROCESO DE PLANIFICACIÓN DE LA PRODUCCIÓN Resumen. La planificación, en el ámbito productivo, se encarga de diseñar, coordinar, administrar y controlar
Más detallesC U R R I C U L U M V I T AE
C U R R I C U L U M V I T AE Datos personales Nombre: Mario Alberto Villalobos Arias. Fecha y lugar de nacimiento: 17 de Noviembre de 1966, en Alajuela, Costa Rica. Nacionalidad: Costarricense. Cedula
Más detallesAsignatura: Horas: Total (horas): Obligatoria Teóricas 3.0 Semana 3.0 Optativa X Prácticas Semanas 48.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS Y PROCESAMIENTO INTELIGENTE DE TEXTOS 0575 8, 9 06 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería
Más detallesBIOINFORMÁTICA
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 detallesUN ALGORITMO EVOLUTIVO PARA LA OPTIMIZACIÓN DE UN PROCESO DE SECUENCIACION EN UN AMBIENTE PRODUCCIÓN JOB SHOP
UN ALGORITO EVOLUTIVO PARA LA OPTIIZACIÓN DE UN PROCESO DE SECUENCIACION EN UN ABIENTE PRODUCCIÓN JOB SHOP Omar D. Castrillón. anizales, Caldas 0017, Colombia. odcastrillong@unal.edu.co Jaime Alberto Giraldo
Más detallesSELECCION AUTOMATICA DE ALGORITMO DE ASIGNACION PARA GENERAR CODIGO PARALELO EFICIENTE
CONICYT: Repositorio Institucional: Ficha de Iniciativa de CIT (Ciencia, Tecnología e Innovación) 1 FONDECYT-REGULAR - 2000-1000074 SELECCION AUTOMATICA DE ALGORITMO DE ASIGNACION PARA GENERAR CODIGO PARALELO
Más detallesUna búsqueda tabú para el Bin Packing Problem
International Conference on Industrial Engineering & Industrial Management - CIO 2007 1437 Una búsqueda tabú para el Bin Packing Problem Mª del Carmen Delgado, Pablo Cortés, Alejandro Escudero, Jesús Muñuzuri
Más detallesJOSÉ OCTAVIO GUTIÉRREZ GARCÍA
JOSÉ OCTAVIO GUTIÉRREZ GARCÍA Profesor de Tiempo Completo del Departamento Académico de Computación DOMICILIO Río Hondo No. 1 Progreso Tizapán México 01080, D.F. Tel: +52 (55) 5628-4000 Ext. 3645 Fax:
Más detallesSISTEMA INNMUNE EN LA OPTIMIZACION DE UN PROBLEMA FLOW SHOP
SISTEMA INNMUNE EN LA OPTIMIZACION DE UN PROBLEMA FLOW SHOP Omar D. Castrillón. Manizales, Caldas 0017, Colombia. odcastrillong@unal.edu.co Jaime Alberto Giraldo Manizales, Caldas 0017, Colombia. jaiagiraldog@unal.edu.co
Más detallesGUÍA DOCENTE DE LA ASIGNATURA
GUÍA DOCENTE DE LA ASIGNATURA G655 - Introducción a los Sistemas Inteligentes Grado en Ingeniería Informática Obligatoria. Curso Grado en Matemáticas Optativa. Curso 4 Curso Académico 017-018 1 1. DATOS
Más detallesComportamiento Sinérgico En Hiperheurística de Selección para la Solución de los Problemas del Agente Viajero
Programación Matemática y Software (2016 ) 8 (3): 30-41. ISSN: 2007-3283 Comportamiento Sinérgico En Hiperheurística de Selección para la Solución de los Problemas del Agente Viajero Synergy behavior in
Más detallesCURRICULUM VITAE DE MIEMBROS DE COMISIONES PARA CONCURSOS DE ACCESO A LOS CUERPOS DOCENTES UNIVERSITARIOS
CURRICULUM VITAE DE MIEMBROS DE COMISIONES PARA CONCURSOS DE ACCESO A LOS CUERPOS DOCENTES UNIVERSITARIOS 1. DATOS PERSONALES Apellidos y Nombre: Puerta Callejón, José Miguel Cuerpo docente al que pertenece:
Más detallesTema 1. Heurísticos en Optimización Combinatorial
Tema 1. Heurísticos en Optimización Combinatorial p. 1/2 Tema 1. Heurísticos en Optimización Combinatorial Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e
Más detallesTema 1. Heurísticos en Optimización Combinatorial
Tema 1. Heurísticos en Optimización Combinatorial Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal
Más detalles2.1.a Publicados en extenso en revistas de prestigio internacional con arbitraje estricto.
Toscano Pulido Gregorio 1. Datos Generales Nombre: G. Toscano Pulido Grado académico: Doctor en Ciencias. Fecha de ingreso: 15 de Octubre de 2006. Categoría y nivel: Investigador 2-C Unidad: Laboratorio
Más detallesY ELECTRÓNICA División Departamento Carrera. Área del Conocimiento. Asignatura: Horas/semana: Horas/semestre: Obligatoria Teóricas 4.0 Teóricas 64.
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO HERRAMIENTAS COMPUTACIONALES PARA LA OPTIMACIÓN DE SISTEMAS ENERGÉTICOS INGENIERÍA ELÉCTRICA 9 8 Asignatura Clave Semestre
Más detallesALGORITMO BIO-INSPIRADO EN LA NATURALEZA DE UNA FAMILIA EN PARTICULAR DE AVES LLAMADAS CUCOS PARA LA OPTIMIZACIÓN DE PROBLEMAS MATEMÁTICOS
ALGORITMO BIO-INSPIRADO EN LA NATURALEZA DE UNA FAMILIA EN PARTICULAR DE AVES LLAMADAS CUCOS PARA LA OPTIMIZACIÓN DE PROBLEMAS MATEMÁTICOS Maribel Guerrero a, Oscar Castillo b, Mario García b a Instituto
Más detallesSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
UNA CONTRIBUCIÓN AL PROBLEMA DE HORARIOS EN INSTITUCIONES EDUCACIONALES Víctor Parada Departamento de Ingeniería Informática, Universidad de Santiago de Chile. Av. Ecuador 3659, Santiago Chile; E-mail:
Más detallesResumen. Contexto. Introducción
Optimización de rutas en el transporte de personas para la pequeña y mediana empresa Villagra A., Villagra S., Alancay N., Rasjido J., Pandolfi D. Laboratorio de Tecnologías Emergentes (LabTEm) Instituto
Más detallesTema 3. Algoritmos de Estimación de Distribuciones
Tema 3 Algoritmos de Estimación de Distribuciones Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal
Más detallesAlgoritmos Metaheurísticos para Optimización y Aplicación a Problemas NP Completos
Algoritmos Metaheurísticos para Optimización y Aplicación a Problemas NP Completos Hugo Alfonso 1, Carolina Salto 1, Gabriela Minetti 1, Natalia Stark 1 Carlos Bermúdez 2, Alina Orellana 3, Patricia Graglia
Más detalles-matemáticas aplicadas: análisis numérico, ecuaciones diferenciales parciales, computación
Áreas de Interés -control automático -ingeniería eléctrica -ingeniería industrial Especialidad científica -computadoras digitales, analógicas e híbridas -problemas de simulación analógica, digital e híbrida
Más detallesALGORITMO BASADO EN TABU SEARCH PARA EL PROBLEMA DE ASIGNACIÓN DE HORARIOS DE CLASES
ALGORITMO BASADO EN TABU SEARCH PARA EL PROBLEMA DE ASIGNACIÓN DE HORARIOS DE CLASES MARCOS GIL TALLAVÓ Departamento de Computación Facultad de Ciencias y Tecnología Universidad de Carabobo Valencia, Estado
Más detallesALGORÍTMICA
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
Más detallesS I L V I A D E L C A R M E N G U A R D A T I B U E M O
S I L V I A D E L C A R M E N G U A R D A T I B U E M O DOMICILIO Profesora de Tiempo Completo del Departamento Académico de Computación Río Hondo No. 1 Tizapán San Angel México 01080, D.F. Tel: +52 (55)
Más detallesSISTEMAS ADAPTADOS DE CLASIFICACION PARA EL RECONOCIMIENTO BIOMÉTRICO
SISTEMAS ADAPTADOS DE CLASIFICACION PARA EL RECONOCIMIENTO BIOMÉTRICO Eric Granger Laboratorio de imágenes, vision e inteligencia artificial École de technologie supérieure Montreal, Canada eric.granger@etsmtl.ca
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN PRINCIPIOS Y TECNICAS DE INTELIGENCIA ARTIFICIAL OBJETIVOS Los objetivos específicos es el estudio
Más detallesUn algoritmo genético para el problema de Job Shop Flexible
Ingeniare. Revista chilena de ingeniería, vol. 19 Nº 1, 2011, pp. 53-61 Un algoritmo genético para el problema de Job Shop Flexible A genetic algorithm for the Flexible Job Shop problem Rosa Medina Durán
Más detallesScienceDirect. Revista Iberoamericana de Automática e Informática industrial 13 (2016)
ScienceDirect Revista Iberoamericana de Automática e Informática industrial 1 (016) 0 7 Solución al Problema de Secuenciación de Trabajos mediante el Problema del Agente Viajero G.E. Anaya Fuentes, E.S.
Más detallesSelección de atributos
Selección de atributos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Clasificación de las técnicas Esquema General Evaluadores
Más detallesINGENIERIA DE APLICACIONES WEB. Año 2017 UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE INFORMÁTICA FUNDAMENTACIÓN
INGENIERIA DE APLICACIONES WEB Año 2017 Carrera/Plan: Licenciatura en Informática Plan 2003-07/ Plan 2012 Licenciatura en Sistemas Plan 2003-07/ Plan 2012 Año: 4º o 5º año Régimen de Cursada: Semestral
Más detallesBIOINFORMÁTICA
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 detallesMETAHEURÍSTICA ACO APLICADA A PROBLEMAS DE PLANIFICACIÓN
METAHEURÍSTICA ACO APLICADA A PROBLEMAS DE PLANIFICACIÓN EN ENTORNOS DINÁMICOS de San Pedro M., Pandolfi D., Lasso M., Villagra A. Laboratorio de Tecnologías Emergentes (LabTEm) Proyecto UNPA-29/B084/1
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: INTELIGENCIA ARTIFICIAL FECHA DE ELABORACIÓN: MARZO 2005. ÁREA DEL PLAN DE ESTUDIOS: AS ( ) AC
Más detallesDr. Leonardo Garrido
Dr. Leonardo Garrido Publicaciones Capítulos de libros Bustamante Horta, Carlos Fernando; Garrido Luna, Leonardo. Soccer Robotics. Probabilistic and Statistical Layered Approach for High-Level Decision
Más detallesAlgoritmos Evolutivos inspirados en la teoría del gen egoísta.
Algoritmos Evolutivos inspirados en la teoría del gen egoísta. Villagra A., De San Pedro M.; Lasso M; Pandolfi D. Proyecto UNP-29/B032 División Tecnología Unidad Académica Caleta Olivia Universidad Nacional
Más detallesConectividad de EJS con Matlab/Simulink y otras herramientas
Curso-Taller CEA: Nuevas Posibilidades de Desarrollo en EJS Conectividad de EJS con Matlab/Simulink y otras herramientas Gonzalo Farias Departamento de Informática y Automática Universidad Nacional de
Más detallesInteligencia Artificial II: Conocimiento, Razonamiento y Planeación. Presentación del Curso.
Inteligencia Artificial II: Conocimiento, Razonamiento y Planeación. Presentación del Curso. Dr. Alejandro Guerra-Hernández Departamento de Inteligencia Artificial Universidad Veracruzana Facultad de Física
Más detallesFiabilidad. Fiabilidad. María Isabel Hartillo Hermoso Granada, 25 de Mayo FQM-5849
Fiabilidad María Isabel Hartillo Hermoso hartillo@us.es Granada, 25 de Mayo FQM-5849 Sistemas Partimos de un sistema en serie: r 1 r 2 r 3 r 4 Sistemas Partimos de un sistema en serie: r 1 r 2 r 3 r 4
Más detallesPROGRAMA DE CURSO. Resultados de Aprendizaje
PROGRAMA DE CURSO Código Nombre CONTROL INTELIGENTE PARA PROBLEMAS DINÁMICOS DE TRANSPORTE Nombre en Inglés INTELLIGENT CONTROL FOR DYNAMIC TRANSPORT PROBLEMS es Horas de Horas Docencia Horas de Trabajo
Más detallesLA IMPORTANCIA DE LA PROGRAMACIÓN DE HORARIOS DE CLASE EN INSTITUCIONES DE EDUCACIÓN SUPERIOR:
LA IMPORTANCIA DE LA PROGRAMACIÓN DE HORARIOS DE CLASE EN INSTITUCIONES DE EDUCACIÓN SUPERIOR: Un avance hacia la calidad académica - Facultad de Administración Universidad Nacional de Colombia sede Manizales
Más detallesEl Problema de Carga de Contenedores: una Aproximación Paralela y Multi-objetivo
El Problema de Carga de Contenedores: una Aproximación Paralela y Multi-objetivo Jesica de Armas, Yanira Gonzalez, Gara Miranda, Coromoto León Resumen El problema de carga de contenedores surge en muchas
Más detallesEXTENSIÓN DE UN PAQUETE DE ALGORITMOS METAHEURÍSTICOS EN R PARA LA DOCENCIA RESUMEN
INDUSTRIA INGENIARITZA TEKNIKOKO ATALA SECCIÓN INGENIERÍA TÉCNICA INDUSTRIAL GRADO EN INGENIERÍA INFORMÁTICA DE GESTIÓN Y SISTEMAS DE INFORMACIÓN TRABAJO FIN DE GRADO 2015 / 2016 EXTENSIÓN DE UN PAQUETE
Más detallesAgrupación de secuencias genómicas bajo la distancia de edición
Agrupación de secuencias genómicas bajo la distancia de edición Dr. Abdiel Emilio Cáceres González Resumen La distancia de edición, también conocida como distancia de Levenshtein ha sido utilizada frecuentemente
Más detallesAplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú
Aplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú Vladimir Cáceres Salazar Innovaciones Tecnológicas S.A.C. 1 Agenda 1. Introducción 2. Marco teórico 3. Metodología
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesRevista Cubana de Ciencias Informáticas ISSN: Universidad de las Ciencias Informáticas Cuba
ISSN: 1994-1536 Universidad de las Ciencias Informáticas Cuba Rodríguez Varona, Karel Aplicación de algoritmos genéticos en la generación automática de horarios docentes en la Facultad Regional de Granma
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 detallesExploraciones sobre el soporte Multi-Agente en Minería de Datos
Exploraciones sobre el soporte Multi-Agente en Minería de Datos Alejandro Guerra-Hernández Nicandro Cruz-Ramírez Rosibelda Mondragón-Becerra Departamento de Inteligencia Artificial Facultad de Física e
Más detallesBIOINFORMÁTICA
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 detallesXXVIII Congreso Nacional de Estadística e Investigación Operativa, Cádiz, Octubre 2004
XXVIII Congreso Nacional de Estadística e Investigación Operativa, Cádiz, 25-29 Octubre 2004 Optimización mediante Cúmulos de Partículas del problema de secuenciación CONWIP Carlos Andrés Romano 1, José
Más detallesUniversidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO
Universidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO CODIGO DEL CURSO: CS360 1 Datos Generales FACULTAD : Ingeniería de Producción y Servicios DEPARTAMENTO :Ingeniería de Sistemas e Informática
Más detallesMODELO DE ASIGNACIÓN DE CARGA ACADÉMICA USANDO ALGORITMOS GENÉTICOS
MODELO DE ASIGNACIÓN DE CARGA ACADÉMICA USANDO ALGORITMOS GENÉTICOS Bruno López Takeyas 1 Jaime David Johnston Barrientos 2 Instituto Tecnológico de Nuevo Laredo Reforma Sur 2007, C.P. 88250, Nuevo Laredo,
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS 1. ALGORITMOS GENÉTICOS. INTRODUCCIÓN 2. CÓMO SE CONSTRUYE? 3. SOBRE SU UTILIZACIÓN 4. ALGUNAS CUESTIONES: DIVERSIDAD, EXPLORACIÓN vs EXPLOTACIÓN 5. MODELOS: GENERACIONAL vs ESTACIONARIO
Más detallesEL servicio del transporte público es una de las principales
103 Entre Ciencia e Ingeniería, año 12 (vol 12), no. 23 Primer semestre de 2018, página 103-108 ISSN 1909-8367 (Impreso), ISSN 2539-4169 (En línea) DOI: http://dx.doi.org/10.31908/19098367.3709 Hiperheurística
Más detallesGUÍA DOCENTE Computación Neuronal y Evolutiva. Grado en Ingeniería Informática
GUÍA DOCENTE 2016-2017 Computación Neuronal y Evolutiva 1. Denominación de la asignatura: Computación Neuronal y Evolutiva Titulación Grado en Ingeniería Informática Código 6382 Grado en Ingeniería Informática
Más detallesAlgoritmos basados en inteligencia de enjambres: Hormigas y Abejas
Algoritmos basados en inteligencia de enjambres: Hormigas y Abejas Miguel Cárdenas Montes - Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesUNIVERSIDAD NACIONAL DEL SUR 1 BAHÍA BLANCA. Laboratorio 12 hs CORRELATIVAS DESCRIPCIÓN
UNIVERSIDAD NACIONAL DEL SUR 1 CÓDIGO: 684 CARRERAS Licenciatura en Ciencias de la Computación PROFESOR RESPONSABLE: Dr. Guillermo Simari Profesor Titular con Dedicación Exclusiva CARGA HORARIA Teoría
Más detallesMétodos Descriptivos en Minería de Datos
Métodos Descriptivos en Minería de Datos Descripción: En este curso se presentarán los principales conceptos y métodos en Minería de Datos. El énfasis principal del curso será examinar dichos métodos desde
Más detallesTÓPICOS SELECTOS DE OTROS CURSOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: TÓPICOS SELECTOS DE OTROS CURSOS DES: Ingeniería Ingeniería en Sistemas Programa(s) Educativo(s):
Más detallesFundamentos de la Computación TC4001
Fundamentos de la Computación TC4001 Centro de Manufactura / Centro de Sistema Inteligentes ITESM TC4001 - p. 1/11 Hasta ahora se han abordado problemas que en su mayoría pueden resolverse en tiempo polinomial.
Más detallesOptimización Heurística
Recocido Simulado (RS) Optimización Heurística Recocido Simulado Problema de la búsqueda local: Como siempre trata de mejorar, se atora en los máximos locales Idea: Escapar de máximos locales permitiendo
Más detallesCarrera : Academia de Sistemas y Computación. a) RELACIÓN CON OTRAS ASIGNATURAS DEL PLAN DE ESTUDIOS ASIGNATURAS TEMAS ASIGNATURAS TEMAS
1.- IDENTIFICACION DE LA ASIGNATURA Nombre de la asignatura : Carrera : Aplicaciones Avanzadas de los Sistemas Computacionales Ingeniería en Sistemas Computacionales Clave de la asignatura : Horas teoría-horas
Más detallesTareas 20% Primer Examen Parcial 20% Segundo Examen Parcial 20% Proyecto Final 25% Examen Final 15%
Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello CINVESTAV-IPN Departamento de Computación Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México, D.F. 07360
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 103000361 - PLAN DE ESTUDIOS 10AJ - CURSO ACADÉMICO Y SEMESTRE 2017-18 - Primer semestre Índice Guía de Aprendizaje 1. Datos descriptivos...1
Más detallesDISEÑO DE CALENDARIOS DE EXAMENES EN LA UNIVERSIDAD: ALGORITMOS GENÉTICOS
DISEÑO DE CALENDARIOS DE EXAMENES EN LA UNIVERSIDAD: ALGORITMOS GENÉTICOS Zulema Furones Joaquín Pacheco - jpacheco@teleline.es Alberto Aragón - aaragon@ubu.es Universidad de Burgos Reservados todos los
Más detallesInteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento Departamento de Ciencias de la Computación e Inteligencia Artificial Curso 2008/2009 Curso: 4 Cuatrimestre: 1 Tipo: Troncal Nº créditos: 4,5T + 4,5
Más detallesSistema integrado para el diseño óptimo de topología de estructuras basado en técnicas de crecimiento (SIDOTEC)
Sistema integrado para el diseño óptimo de topología de estructuras basado en técnicas de crecimiento (SIDOTEC) Departamento de Estructuras y Construcción Escuela Técnica Superior de Ingeniería Industrial
Más detalles