Un Algoritmo Genético Híbrido Paralelo para Instancias Complejas del Problema VRP
|
|
- María Isabel Navarrete Acuña
- hace 8 años
- Vistas:
Transcripción
1 Un Algoritmo Genético Híbrido Paralelo para Instancias Complejas del Problema VRP Bernabé Dorronsoro, Antonio J. Nebro, Daniel Arias, y Enrique Alba Resumen En este trabajo proponemos un algoritmo genético (GA) híbrido para resolver las instancias de mayor tamaño existentes para el problema de rutas de vehículos (VRP). La población de nuestro algoritmo se encuentra estructurada siguiendo dos modelos clásicos de paralelización en GAs, como son el modelo de grano grueso y el de grano fino. En concreto, el modelo propuesto es un GA distribuido en islas (grano grueso), en cada una de las cuales se ejecuta un algoritmo genético celular, o cga (grano fino). Dicho algoritmo, que llamamos PEGA (Parallel cellular Genetic Algorithm), ha sido ejecutado en una plataforma grid compuesta por más de 100 ordenadores para reducir los tiempos de ejecución. Los resultados obtenidos mejoran en muchos casos a los mejores reportados por cualquier algoritmo existente en la literatura. Palabras clave Algoritmo genético celular, computación grid, problema de rutas de vehículos I. Introducción El problema de rutas de vehículos (VRP) [1] consiste en minimizar el coste de repartir la mercancía a un conjunto de clientes desde un almacén (ver Fig. 1). Reducir el coste implica minimizar el número de vehículos utilizados y la longitud de sus rutas. El interés de este problema viene dado por dos causas principales. Por un lado, el VRP es un problema de alto interés académico debido a su dificultad (es un problema NP-duro [2]), a las restricciones que incluye, y a la multitud de variantes existentes. Por otro lado, tiene una aplicación directa al mundo real, siendo aplicable tanto a grandes empresas logísticas como a empresas locales de reparto (prensa, alimentación, etc.). De hecho, el uso de métodos computerizados en empresas de transporte puede llegar a proporcionar a menudo un ahorro significativo, llegando en muchos casos a suponer hasta el 20 % del coste total del producto [3]. Almacén VRP Almacén Fig. 1. El problema VRP. Departamento de Lenguajes y Ciencias de la Computación, Universidad de Málaga, {bernabe, antonio, eat}@lcc.uma.es, yauros@hotmail.com En la historia reciente de VRP existe una evolución constante en la calidad de las metodologías empleadas para resolver el problema. Estas técnicas comprenden tanto algoritmos exactos como métodos heurísticos. De cualquier forma, debido a la dificultad que presenta el problema, no existe ningún método exacto capaz de resolver instancias de más de 50 clientes [3], [4]. De hecho, es claro que, como es el caso de la mayoría de los problemas complejos, las heurísticas genéricas no pueden competir con las técnicas actuales como las descritas en [3], [5] en términos de la calidad de la solución encontrada. Además, el potencial de exploración de algunas técnicas modernas, como son los algoritmos genéticos (GAs) no ha sido completamente aprovechado aún, especialmente al combinarlos con mecanismos de búsqueda local efectivos. Todas estas consideraciones nos podrían permitir mejorar la capacidad de búsqueda de un algoritmo. Adicionalmente, el uso de varios ordenadores colaborando de forma simultánea en la ejecución del algoritmo ayuda a incrementar la velocidad de cómputo. Cuando se trata con poblaciones de individuos en el ámbito de los GAs, existen dos estrategias de paralelización especialmente relevantes: (i) la paralelización de la computación, en la que las operaciones que se aplican comúnmente a cada individuo se realizan en paralelo, y (ii) la paralelización de la población, en la que la población se divide en diferentes subpoblaciones, cada una de las cuales evoluciona de forma parcialmente independiente. Esta última estrategia permite, además, mejorar la capacidad de búsqueda del algoritmo [6], [7]. En este artículo proponemos un algoritmo genético celular (cga) paralelo, que hemos llamado PEGA (Parallel cellular Genetic Algorithm). En PEGA, adoptamos las estrategias de paralelización anteriormente explicadas: la población se encuentra estructurada en islas, ejecutándose en cada una de estas islas un cga de forma independiente que seguirá un modelo maestro/esclavo para realizar las operaciones más costosas que se aplican a cada individuo. Cada cierto tiempo se intercambiará información entre los distintos cgas (migración). Un cga es un algoritmo genético en el que la población está descentralizada de forma que los individuos que la componen están dispuestos en una malla toroidal; y sólo se permite la interacción de los individuos con sus respectivos vecinos. Estructurando la población de esta forma conseguimos mantener una buena relación entre exploración y explotación sobre el espacio de solu-
2 ciones, incrementando de esta manera la capacidad del algoritmo de resolver problemas difíciles [6], [8]. Adicionalmente, los cgas utilizados en PEGA están hibridados con un método de búsqueda local, que se aplica a cada solución generada para intentar mejorarla. PEGA ofrece la posibilidad de ser ejecutado en plataformas grid gracias a que las comunicaciones han sido implementadas utilizando ProActive [9]. ProActive es una biblioteca de Java para la programación en entornos grid de una forma simple. ProActive proporciona mecanismos para la creación y manejo en máquinas remotas de objetos que colaboran entre sí (llamados objetos activos). El acceso a un objeto activo se realiza como si estuviera en la máquina local, y ProActive se encarga de realizar automáticamente las comunicaciones necesarias utilizando Java RMI. Como principal contribución de este artículo, hemos diseñado un nuevo algoritmo genético celular híbrido que se ejecuta en modo paralelo sobre plataformas grid. El algoritmo se ha utilizado para resolver las instancias más grandes conocidas del problema VRP, presentadas en [10], y se han conseguido mejorar las mejores soluciones conocidas obtenidas por un algoritmo en la mayoría de las instancias estudiadas. A continuación detallamos la estructura de este artículo. En la Sección II definimos matemáticamente el problema VRP. A continuación describimos PE- GA, nuestra propuesta para resolver instancias grandes de VRP. En la Sección IV mostramos la parametrización del algoritmo, así como el benchmark utilizado y los resultados obtenidos. Finalmente, presentamos en la Sección V nuestras conclusiones y las principales líneas de trabajo futuro que surgen de este trabajo. II. El problema VRP Podemos definir el VRP como un problema de programación de números enteros que pertenece a la categoría de problemas NP-duros [2]. De entre las diferentes variantes que existen de VRP, nosotros nos centramos en este trabajo en el Capacitated VRP (CVRP), en el que todos los vehículos tienen la misma capacidad de almacenamiento de un único producto. El problema CVRP se define en un grafo no dirigido G = ( V, E), donde V = {v 0, v 1,..., v n } es un conjunto de vértices y E = {(v i, v j )/v i, v j V, i < j} es un conjunto de ejes. El vértice v 0 es el almacén, desde el que m vehículos idénticos de capacidad Q deben servir a un conjunto de ciudades o clientes, representados por el conjunto de n vértices {v 1,..., v n }. Definimos en E una matriz C = (c ij ) de costes, distancias, o tiempos de viaje no negativos entre los clientes v i y v j. Cada cliente v i tiene asociados una demanda no negativa de artículos q i y un tiempo de entrega δ i (tiempo necesario para descargar los artículos re- MIGRACIÓN CPU 1 CPU 2 CPU 3 CPU 4 Búsqueda Local Búsqueda Local Esclavos CPU K CPU K+1 CPU K+N CPU 2 Fig. 2. Estructura del algoritmo PEGA. Búsqueda Local Maestro queridos). Sea V 1,..., V m una partición de V, una ruta R i es una permutación de los clientes en V i especificando el orden de visita, y comenzando y finalizando en el almacén v 0. El coste de una ruta dada R i = {v 0, v 1,..., v k+1 }, donde v j V i si 0 j k, y v 0 = v k+1 = 0 (siendo 0 el almacén), viene dado por: Cost( R k k i ) = c j,j+1 + δ j, (1) j=0 j=0 y el coste de una solución al problema ( S) es: F CVRP ( S) = m Cost( R i ). (2) i=1 El problema CVRP consiste en determinar un conjunto de m rutas (i) de mínimo coste total ver (2) ; (ii) comenzando y terminando en el almacén v 0 ; de forma que (iii) cada cliente se visita exactamente una vez por un único vehículo; y sujeto a las restricciones de que (iv) la demanda total de ninguna ruta excede el límite Q ( v j R i q j Q); y (v) la duración total de todas las rutas no es mayor que un límite D predefinido (Cost( R i ) D). III. El algoritmo PEGA PEGA es un algoritmo paralelo en el que la población está estructurada en dos niveles y de dos formas distintas. Como se puede ver en la Fig. 2, la población está, en un primer nivel, descentralizada en un modelo de islas que se encuentran colocadas en forma de anillo, de manera que cada subpoblación sólo puede intercambiar información con una subpoblación próxima (migración). En un segundo nivel, con el fin de mejorar la capacidad de búsqueda de las islas, cada isla tiene implementado un cga (ver Sección III-A), por lo que la población de cada isla está descentralizada en forma de grano fino. Cada uno de estos cgas que se ejecuta en las islas es un proceso maestro que envía a otros ordenadores esclavos la búsqueda local que se le aplica a cada individuo, que es el trabajo más duro computacionalmente del ciclo reproductivo del cga. Este modelo y sus
3 implementaciones paralelas en clusters de máquinas distribuidas se propusieron inicialmente en [11]. A. Algoritmo genético celular En esta sección se describe el cga utilizado en cada una de las islas. En el Algoritmo 1 se puede ver el pseudocódigo del cga utilizado en este trabajo. Usualmente, la población se encuentra estructurada en una rejilla toroidal de 2 dimensiones, en el que se define una estructura de vecindario. Iterativamente, el algoritmo va considerando cada uno de los individuos que forman la población actual (líneas 3 y 4). Los individuos sólo pueden interactuar con sus vecinos (línea 5), por lo que los padres son elegidos del vecindario del individuo actual (línea 6) de acuerdo a un criterio dado. Los operadores de recombinación y mutación son aplicados a los individuos en las líneas 7 y 8 con probabilidades P c y P m, respectivamente. Tras esto, se le aplica la búsqueda local al individuo resultante (línea 9), y a continuación se calcula su valor de fitness (i.e., el coste de la solución representada). El método de búsqueda local aplicado se explica más abajo. Tras la búsqueda local, el mejor individuo de entre el actual y el descendiente se coloca en la posición equivalente de una población auxiliar (línea 11). Una vez aplicado el ciclo reproductor explicado para todos los individuos de la población, la población actual se sustituye por la auxiliar (línea 14), y se actualizan las estadísticas (línea 15). Este bucle se repite hasta que la condición de terminación se cumpla (línea 2). En nuestro caso, la condición de terminación será realizar generaciones o, lo que es lo mismo, evaluaciones. A continuación se detallan algunos aspectos importantes de la implementación del cga utilizado: Representación de los individuos. La representación utilizada para los individuos es la llamada GVR (Genetic Vehicle Representation) [12]. En GVR, el genotipo contiene una permutación de enteros (representando a los distintos clientes), así como información de la posición en la que termina cada ruta. En nuestro algoritmo no se admite la existencia de individuos no factibles, por lo que cuando se exceden bien la capacidad del vehículo o bien la lon- Algorithm 1 Pseudocódigo de un cga. 1: proc Evoluciona(cga) //Parametros del algoritmo en cga 2: while not Condición Terminación() do 3: for x 1 to WIDTH do 4: for y 1 to HEIGHT do 5: vecinos Obtener Vecindario(cga,posición(x,y)); 6: padres Selección(vecinos); 7: indiv aux Recombinación(cga.Pc,padres); 8: indivaux aux Mutación(cga.Pm,indiv aux); 9: indiv aux Búsqueda Local(cga.Pl,indiv aux); 10: Evalua Fitness(indiv aux); 11: Reemplazo(posición(x,y),indiv aux,cga,pop aux); 12: end for 13: end for 14: cga.pop pop aux; 15: Actualiza Estadísticas(cga); 16: end while 17: end proc Evoluciona; Algorithm 2 Pseudocódigo del operador de cruce. // Sean I 1 e I 2 los padres seleccionados del vecindario; Seleccionar una sub-ruta aleatoria SR = {a 1,..., a n} de I 2 Buscar el cliente c / SR más cercano geográficamente a a 1 Eliminar todos los clientes de I 1 que están en SR El descendiente se obtiene tras insertar SR en el material genético de I 1 de forma que a 1 esté situado inmediatamente después de c gitud máxima en una ruta, se procede a su reparación mediante la partición de la ruta en dos rutas (o más si es necesario) distintas que no violen ninguna restricción. Generación de la población inicial. Los individuos de la población inicial son generados de forma aleatoria y a continuación son modificados como se detalla en [12] para forzar que representen soluciones válidas al problema (i.e., no incumplen ninguna restricción). Operador de cruce. El operador de cruce utilizado en PEGA es generic crossover, propuesto originalmente en [12]. Este operador tiene la principal característica de promover de una forma importante la diversidad en la población. Consideramos que ésta es una característica muy importante del operador, ya que en nuestra experiencia en trabajos anteriores [8], [13], [14] la población completa termina convergiendo hacia un mismo óptimo local en multitud de ocasiones. Este operador de cruce es algo inusual, puesto que el descendiente generado no contiene exactamente una mezcla del material genético de los padres, como puede verse en la Fig. 3. En el Algoritmo 2 se muestra un pseudocódigo del operador de cruce utilizado. Padre 1 Padre 2 Si el cliente más próximo geográficamente a 9 es 6 Sub-ruta Aleatoria Descendiente Fig. 3. El operador de cruce utilizado: Generic crossover. Mutación. La mutación está compuesta por cuatro tipos de mutaciones distintas que se aplican con diferentes probabilidades (sólo se aplica una de ellas en cada caso), igual que en [12]. El uso de estos cuatro operadores de mutación nos permite modificar el itinerario de una ruta, mover clientes entre rutas, y añadir o eliminar rutas, al igual que sucede con el operador de cruce utilizado. Estos operadores son (ver Fig. 4): Intercambio. Consiste en intercambiar la posición de dos clientes (pertenecientes a la misma ruta o no) elegidos aleatoriamente. Inversión. Invierte el orden de visita de los clientes que se encuentran entre dos clientes elegidos alea-
4 Intercambio Ind. Original Ind. Mutado Inserción Ind. Original Ind. Mutado Fig. 4. Los operadores de mutación. Inversión Dispersión toriamente. En este caso, todos los clientes deben pertenecer a la misma ruta. Inserción. Consiste en insertar un cliente seleccionado aleatoriamente en otro lugar del cromosoma del individuo también aleatorio, perteneciente a la misma ruta o a otra. Dispersión. Es similar al operador de inserción, pero aplicado a una sub-ruta (conjunto de clientes) en lugar de un único cliente. Búsqueda Local. El método de búsqueda consiste en aplicar hasta 50 pasos de búsqueda por 1- Intercambio [16], y después se aplican hasta 50 pasos de 2-Opt [17] a cada ruta de la solución obtenida tras el 1-Intercambio. El método de 1-Intercambio consiste en intercambiar un cliente de una ruta por otro perteneciente a otra ruta, o insertar un cliente de una ruta en otra ruta distinta. Por otro lado, 2-Opt trabaja siempre dentro de cada ruta, y consiste en eliminar dos ejes de una ruta y conectar los clientes en la otra forma posible (ver Figura 5). Como estos dos métodos de búsqueda local son deterministas, la búsqueda para en el caso de que no se haya logrado mejorar la solución en un paso del algoritmo. Esto nos permitirá reducir considerablemente el tiempo de ejecución. a d b c a d Fig. 5. El operador 2-Opt. IV. Experimentación Recientemente, Li, Golden y Wasil presentaron en [10] un nuevo conjunto de instancias del problema CVRP caracterizado fundamentalmente por el elevado número de clientes de que estaban compuestas. Este conjunto de problemas fue llamado VLSVRP, acrónimo de Very Large Scale VRP, que se puede traducir como VRP de escala muy grande. El tamaño de las instancias propuestas por los autores en VLSVRP oscila entre los 560 y los 1200 clientes, b c mientras que los conjuntos de instancias más aceptados y utilizados en la comunidad científica hasta entonces estaban formados por instancias de entre 50 y 199 clientes en el caso de CMT [15], o problemas desde 200 a 483 clientes en el caso de las propuestas en [4] por Golden et al. Algunas características importantes adicionales de VLSVRP es que se ha creado utilizando un generador de instancias, por lo que resulta sencillo obtener instancias de mayor tamaño (para más detalles acerca de este generador de instancias, consulte [10]). Además, las instancias generadas son geométricamente simétricas, siguiendo un patrón circular. Esto nos permite sin mucho esfuerzo obtener una estimación visual de la mejor solución al problema. Todas las instancias de VLSVRP incluyen restricciones en la longitud máxima de las rutas. TABLA I Parametrización utilizada en PEGA. Tamaño de Población Islas: 100 Individuos (10 10) Total: 400 Individuos (4 islas) Vecindario NEWS Selección de Padres Torneo Binario + Individuo Actual Recombinación generic crossover [12], p c = 1,0 Intercambio (p int = 0,05), Mutación de Individuos Inversión (p inv = 0,1), Inserción (p ins = 0,05), y Dispersión (p disp = 0,15) Reemplazo Reemplazar si es Mejor Búsqueda Local 1-Intercambio + 2-Opt, 50 Pasos de Optimización por Método Frec. de Migración Cada 10 4 Evaluaciones Condición de Parada Evaluaciones en Cada Isla PEGA ha sido diseñado con la idea de ser utilizado para resolver las instancias que forman VLSVRP. Debido a la dificultad y gran tamaño de estos problemas, decidimos ejecutar PEGA en un entorno grid compuesto por un máximo de 125 ordenadores de diversas características, como por ejemplo PCs o estaciones de trabajo Sun. El algoritmo está codificado utilizando Java y la biblioteca ProActive para gestionar el entorno grid. La parametrización utilizada en nuestro algoritmo para las pruebas realizadas se detalla en la Tabla I. En concreto, como ya se avanzó en la Sección III, hemos descentralizado el algoritmo en 4 islas en anillo, que intercambian sólo un individuo con una única isla vecina cada 10 4 evaluaciones. En cada una de estas islas se ejecuta un cga como el descrito en la Sección III-A, que trabaja sobre una rejilla de individuos. Uno de los padres es seleccionado mediante torneo binario dentro del vecindario del individuo actual (que está compuesto por los individuos situados al norte, sur, este, oeste NEWS). El otro padre es el propio individuo actual. Ambos padres se recombinan con una probabilidad del 100 % usando el operador generic crossover, y el individuo resultante se muta utilizando uno de los operadores de intercambio, inversión, inserción, y dispersión con probabilidades 0.05, 0.1, 0.05, y 0.15, respectivamente [12]. Posteriormente, se le aplica al descendiente un método
5 de búsqueda local que está compuesto por 50 pasos del algoritmo 1-Intercambio (explora combinaciones de clientes entre diferentes rutas) y tras esto, otros 50 pasos de 2-Opt (para optimizar cada una de las rutas generadas por separado). El recién generado descendiente reemplazará al individuo actual en la población sólo si tiene un valor de fitness mejor. En la implementación propuesta, la migración se realiza cada 10 4 evaluaciones mediante el intercambio del mejor individuo de cada subpoblación con su subpoblación vecina. Cuando una subpoblación recibe un individuo en la migración, éste reemplaza al individuo de la subpoblación local con peor valor de fitness. En la Tabla II presentamos los resultados obtenidos con PEGA para la batería de problemas VLSVRP (el mejor resultado para cada una de las 12 instancias está marcado en negrita). En concreto, se muestra el nombre de las instancias estudiadas, su tamaño (número de clientes a proveer), la mejor solución conocida para cada instancia (MSC), la mejor solución encontrada por nuestro algoritmo, la media de las soluciones reportadas por PEGA y el tiempo medio en horas empleado por el algoritmo. Los valores de la soluciones representan el coste en términos de la distancia global recorrida por los vehículos. Los valores que se muestran en la Tabla II han sido obtenidos tras realizar cuatro ejecuciones para las instancias más pequeñas (VLS21 a VLS25) y dos para el resto. Este bajo número de ejecuciones realizadas es debido al elevado tiempo de cómputo requerido por el algoritmo para resolver el problema, que va desde las 10 horas para las instancias más pequeñas hasta las 72 horas para el caso de VLS32. Estos elevados tiempos de cómputo vienen motivados fundamentalmente por dos aspectos: (i) por un lado, utilizamos una búsqueda local pesada, creciendo casi exponencialmente el tiempo necesario para realizarla con el tamaño de la instancia a resolver; (ii) por otro lado, debido a que no está demostrado que se conozca el óptimo para ninguna de las instancias, la condición de terminación del algoritmo depende únicamente del número de evaluaciones realizadas, y este número debe ser lo suficientemente grande como para que el algoritmo tenga tiempo suficiente para encontrar o incluso superar a la mejor solución conocida. Cabe destacar los buenos resultados obtenidos aún cuando el número de ejecuciones realizadas es tan bajo, ya que PEGA encuentra la mejor solución conocida para 7 de las 12 instancias estudiadas. Incluso mejora la mejor solución conocida hasta ahora para la instancia VLS26, ya que, aunque la diferencia es de únicamente una centésima, representan soluciones bien distintas, como puede observarse en la zona sombreada de la Fig. 6. Además, la mejor solución conocida para todas las instancias excepto VLS22 y VLS27 ha sido estimada visualmente utilizando las propiedades geométricas de los problemas, y ningún Distancia Total Recorrida VLS21 VRTR =1 VRTR =0.6 VRTR =0.4 PEGA VLS22 VLS23 Mejores Soluciones Encontradas VLS24 VLS25 VLS26 VLS27 VLS28 VLS29 VLS30 VLS31 Fig. 7. PEGA vs. el estado del arte para VLSVRP. algoritmo hasta el presente trabajo había sido capaz de encontrarlas. Además, en el caso de VLS22 y VLS27 las soluciones han sido encontradas por distintos algoritmos RTR (Record-to-Record) durante las pruebas realizadas para desarrollar VRTR (una mejora de RTR) en [10] (ORTR significa otros RTR), pero no se facilitan en ese trabajo ni detalles de las implementaciones de estos algoritmos ni referencias en las que se puedan consultar dichos detalles. En la Fig. 7 se muestra una comparación de las mejores soluciones obtenidas por PEGA y los tres algoritmos que conforman el estado del arte para VLSVRP. Estos tres algoritmos son distintas parametrizaciones de VRTR, propuesto en [10]. Como se puede ver, PEGA obtiene mejores resultados que los tres algoritmos comparados para todas las instancias excepto VLS25, VLS27 y VLS32. En la Tabla III mostramos la comparación de los cuatro algoritmos en términos de la diferencia (en porcentaje) entre la solución reportada por los algoritmos para cada problema y la mejor solución conocida para el problema dado (los mejores valores están en negrita). Este valor se puede entender como una medida de la calidad de los resultados obtenidos por los algoritmos. Se puede ver cómo PEGA es notablemente más robusto que los otros tres algoritmos para el conjunto de problemas estudiado, ya que es el algoritmo que más se aproxima, obteniendo los mejores resultados en 9 de los 12 problemas. Además, PEGA encuentra la mejor solución conocida en 7 instancias, soluciones que nunca antes habían sido encontradas por un algoritmo como ya se ha comentado anteriormente. En la última fila de la Tabla III se presenta la media de las diferencias entre las soluciones encontradas por cada algoritmo y las mejores soluciones conocidas para las 12 instancias de VLSVRP. Como puede verse, PEGA consigue el mejor valor de los cuatro algoritmos comparados, siendo este valor la mitad del resultado del mejor de los algoritmos comparados (VRTR con α = 1,0). V. Conclusiones y trabajo futuro Se ha presentado en este trabajo un potente algoritmo para resolver instancias muy duras del problema CVRP. El algoritmo propuesto, PEGA, se trata VLS32
6 Solución estimada para VLS26 = Nueva solución encontrada para VLS26 = Fig. 6. Nueva mejor solución para VLS26. TABLA II Resultados obtenidos por PEGA para el conjunto de instancias VLSVRP. Instancia Tamaño MSC Mejor Media Tiempo (h) VLS , , ,83 ±4,42e 4 10,08 VLS , , ,90 ±98,88 10,08 VLS , , ,13 ±4,32e 6 11,28 VLS , , ,43 ±7,63e 6 13,20 VLS , , ,42 ±72,10 18,00 VLS , , ,73 ±3,49e 5 23,76 VLS , , ,57 ±37,66 26,40 VLS , , ,04 ±1,33e 6 30,00 VLS , , ,34 ±4,24e 5 39,60 VLS , , ,51 ±3,67 48,72 VLS , , ,54 ±0,60 60,00 VLS , , ,73 ±7,79 74,88 Solución estimada visualmente [10]; ORTR [10] TABLA III Diferencia (en %) entre la mejor solución conocida y los resultados de PEGA y los algoritmos del estado del arte. Instancia VRTR α = 1,0 α = 0,6 α = 0,4 PEGA VLS21 2,41 2,56 3,25 0,00 VLS22 0,07 0,10 0,19 0,07 VLS23 1,09 1,56 0,20 0,00 VLS24 1,85 1,06 2,54 0,00 VLS25 0,58 0,65 0,55 1,68 VLS26 0,88 0,93 0,13 0,00 VLS27 0,97 1,61 1,42 3,83 VLS28 0,15 0,82 0,83 0,00 VLS29 0,09 0,10 0,85 0,00 VLS30 0,74 0,69 4,74 3,78e 3 VLS31 3,02 2,98 5,85 0,00 VLS32 1,36 1,33 6,76 1,37 Media 1,10 1,20 2,28 0,58 de un modelo distribuido en islas, en cada una de las cuales se ejecuta un algoritmo genético celular, por lo que la población se encuentra estructurada en dos niveles. Adicionalmente, debido a la complejidad que supone el tipo de problema que estudiamos, este modelo ha sido paralelizado de forma que pueda funcionar sobre plataformas grid utilizando la librería de Java ProActive. El modelo de paralelización es maestro/esclavo, y cada una de las islas se ejecuta en una CPU. PEGA ha sido comparado con los algoritmos del estado del arte para la batería de instancias más grandes existentes para el problema CVRP, la recientemente propuesta VLSVRP. Como resultado, PEGA no sólo ha encontrado los mejores resultados para 9 de las 12 instancias estudiadas, sino que ha encontrado la mejor solución conocida para 7 instancias (nunca antes encontrada por un algoritmo, ya que estas soluciones son cotas estimadas visualmente aprovechando su simetría), y ha encontrado una nueva mejor solución para la instancia VLS26. Como trabajo futuro más inmediato estamos trabajando en incrementar el número de ejecuciones de nuestras pruebas, ya que el resultado de tan pocas ejecuciones no puede considerarse relevante en algoritmos de naturaleza estocástica como el nuestro. También se está trabajando en la posibilidad de reducir los tiempos de ejecución. Esto se puede con-
7 seguir incrementando el tamaño de nuestro grid, y modificando el algoritmo para hacerlo más eficiente. En este segundo aspecto creemos que debemos centrarnos en desarrollar nuevos métodos de búsqueda local más eficientes que el utilizado en este trabajo, ya que es el paso más costoso computacionalmente del ciclo reproductor del algoritmo. [17] G.A. Croes, A method for solving traveling salesman problems, Operations Research, vol. 6, pp , Agradecimientos Este trabajo ha sido subvencionado por MEC y FEDER bajo el contrato TIN C04-01 (el proyecto OPLINK: Referencias [1] G.B. Dantzing and R.H. Ramster, The truck dispatching problem, Management Science, vol. 6, pp , [2] J.K. Lenstra and A.H.G. Rinnooy Kan, Complexity of vehicle routing and scheduling problems, Networks, vol. 11, pp , [3] P. Toth and D. Vigo, The Vehicle Routing Problem, Monographs on Discrete Mathematics and Applications. SIAM, Philadelphia, [4] B.L. Golden, E.A. Wasil, J.P. Kelly, and I-M. Chao, Fleet Management and Logistics, chapter The Impact of Metaheuristics on Solving the Vehicle Routing Problem: algorithms, problem sets, and computational results, pp , Kluwer, Boston, [5] J.F. Cordeau, M. Gendreau, A. Hertz, G. Laporte, and J.S. Sormany, New Heuristics for the Vehicle Routing Problem, Kluwer Academic Publishers, 2004, to appear. [6] E. Alba and M. Tomassini, Parallelism and evolutionary algorithms, IEEE Transactions on Evolutionary Computation, vol. 6, no. 5, pp , October [7] E. Cantú-Paz, Efficient and Accurate Parallel Genetic Algorithms, vol. 1 of Book Series on Genetic Algorithms and Evolutionary Computation, Kluwer Academic Publishers, 2nd edition, [8] E. Alba and B. Dorronsoro, Engineering Evolutionary Intelligent Systems, chapter 13, A Hybrid Cellular Genetic Algorithm for the Capacitated Vehicle Routing Problem, Studies in Computational Intelligence. Springer- Verlag, [9] ProActive official web site, [10] F. Li, B. Golden, and E. Wasil, Very large-scale vehicle routing: New test problems, algorithms, and results, Computers & Operations Research, vol. 32, pp , [11] E. Alba, Análisis y Diseño de Algoritmos Genéticos Paralelos Distribuidos, Ph.D. thesis, Universidad de Málaga, Málaga, Febrero [12] F.B. Pereira, J. Tavares, P. Machado, and E. Costa, GVR: a new representation for the vehicle routing problem, in 13th Irish Conference Proceedings on Artificial Intelligence and Cognitive Science (AICS), M. O Neill et al., Ed., Ireland, 2002, pp , Springer-Verlag. [13] E. Alba and B. Dorronsoro, Solving the vehicle routing problem by using cellular genetic algorithms, in Evolutionary Computation in Combinatorial Optimization EvoCOP 2004, Jens Gottlieb and Günther R. Raidl, Eds., Coimbra, Portugal, 5-7 April 2004, vol of LNCS, pp , Springer Verlag. [14] E. Alba and B. Dorronsoro, Computing nine new bestso-far solutions for capacitated VRP with a cellular genetic algorithm, Information Processing Letters, vol. 98, no. 6, pp , June [15] N. Christofides, A. Mingozzi, and P. Toth, Combinatorial Optimization, chapter The Vehicle Routing Problem, pp , John Wiley, [16] I.H. Osman, Metastrategy simulated annealing and tabu search algorithms for the vehicle routing problems, Annals of Operations Research, vol. 41, pp , 1993.
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos
Más detallesAnálisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Más detallesModelización Avanzada en Logística y Transporte
Modelización Avanzada en Logística y Transporte El problema de enrutamiento vehicular (VRP) Luis M. Torres Escuela Politécnica del Litoral Guayaquil, Diciembre 2010 Maestría en Control de Operaciones y
Más detalles4. Programación Paralela
4. Programación Paralela La necesidad que surge para resolver problemas que requieren tiempo elevado de cómputo origina lo que hoy se conoce como computación paralela. Mediante el uso concurrente de varios
Más detallesAlgoritmos Genéticos. Introduccion a la Robótica Inteligente
Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesImplementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Resumen
Implementación de algoritmos genéticos paralelos de grano burdo en redes locales de computadoras. Arturo Gómez Cortés y Raúl Leal Ascencio ITESO, Guadalajara Resumen El presente trabajo describe una arquitectura
Más detalles7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesPráctica 5. Curso 2014-2015
Prácticas de Seguridad Informática Práctica 5 Grado Ingeniería Informática Curso 2014-2015 Universidad de Zaragoza Escuela de Ingeniería y Arquitectura Departamento de Informática e Ingeniería de Sistemas
Más detallesMétodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid
Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated
Más detallesBase de datos en Excel
Base de datos en Excel Una base datos es un conjunto de información que ha sido organizado bajo un mismo contexto y se encuentra almacenada y lista para ser utilizada en cualquier momento. Las bases de
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesEn cualquier caso, tampoco es demasiado importante el significado de la "B", si es que lo tiene, lo interesante realmente es el algoritmo.
Arboles-B Características Los árboles-b son árboles de búsqueda. La "B" probablemente se debe a que el algoritmo fue desarrollado por "Rudolf Bayer" y "Eduard M. McCreight", que trabajan para la empresa
Más detallesIMPLANTACIONES DE ERP. CÓMO CONSEGUIR EL ÉXITO? MasEmpresa
IMPLANTACIONES DE ERP. CÓMO CONSEGUIR EL ÉXITO? MasEmpresa Implantaciones de ERP. Cómo conseguir el éxito?. Parte I Aunque los sistemas de información para la gestión ERPs tienen muchos años de historia,
Más detallesGedicoPDA: software de preventa
GedicoPDA: software de preventa GedicoPDA es un sistema integrado para la toma de pedidos de preventa y gestión de cobros diseñado para trabajar con ruteros de clientes. La aplicación PDA está perfectamente
Más detallesProgramación Genética
Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino
Más detallesMétodos Heurísticos en Inteligencia Artificial
Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de
Más detallesInternet Information Server
Internet Information Server Internet Information Server (IIS) es el servidor de páginas web avanzado de la plataforma Windows. Se distribuye gratuitamente junto con las versiones de Windows basadas en
Más detallesDesarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos
MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15
Más detallesCapítulo 5. Cliente-Servidor.
Capítulo 5. Cliente-Servidor. 5.1 Introducción En este capítulo hablaremos acerca de la arquitectura Cliente-Servidor, ya que para nuestra aplicación utilizamos ésta arquitectura al convertir en un servidor
Más detallesModificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
Más detallesCreación de Funciones de Conducción
Creación de Funciones de Conducción Requerimientos Para el desarrollo de esta actividad se requiere que: Contemos con un robot BoeBot armado con placa Arduino. Repetición En estos momentos habremos notado
Más detallesDISEÑO DE FUNCIONES (TRATAMIENTOS)
DISEÑO DE FUNCIONES (TRATAMIENTOS) Diseño Estructurado. Estrategias para Derivar el Diagrama de Estructura. Diseño de Módulos Programables. 1. DISEÑO ESTRUCTURADO El Diseño es el proceso por el cual se
Más detallesSERVIDOR WEB PARA ACCESO EN TIEMPO REAL A INFORMACIÓN METEOROLÓGICA DISTRIBUIDA
SERVIDOR WEB PARA ACCESO EN TIEMPO REAL A INFORMACIÓN METEOROLÓGICA DISTRIBUIDA E. SÁEZ, M. ORTIZ, F. QUILES, C. MORENO, L. GÓMEZ Área de Arquitectura y Tecnología de Computadores. Departamento de Arquitectura
Más detallesUn algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau
Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos
Más detallesApp para realizar consultas al Sistema de Información Estadística de Castilla y León
App para realizar consultas al Sistema de Información Estadística de Castilla y León Jesús M. Rodríguez Rodríguez rodrodje@jcyl.es Dirección General de Presupuestos y Estadística Consejería de Hacienda
Más detallesSISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS
62 CAPITULO 3 SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS En este capítulo se describe de manera general lo que es SISI / TS / AG / SR y se explica cada una de las opciones que
Más detallesAmpliación de Estructuras de Datos
Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios
Más detallesUtilidades de la base de datos
Utilidades de la base de datos Desde esta opcion del menú de Access, podemos realizar las siguientes operaciones: Convertir Base de datos Compactar y reparar base de datos Administrador de tablas vinculadas
Más detallesPropuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA
Propuesta de Portal de la Red de Laboratorios Virtuales y Remotos de CEA Documento de trabajo elaborado para la Red Temática DocenWeb: Red Temática de Docencia en Control mediante Web (DPI2002-11505-E)
Más detallesIntroducción. Ciclo de vida de los Sistemas de Información. Diseño Conceptual
Introducción Algunas de las personas que trabajan con SGBD relacionales parecen preguntarse porqué deberían preocuparse del diseño de las bases de datos que utilizan. Después de todo, la mayoría de los
Más detalles1.- INTRODUCCIÓN 2.- PARÁMETROS
1.- INTRODUCCIÓN Hemos diseñado una aplicación que facilite el envío a las entidades bancarias de las de cobro por domiciliación. La entrada de esta aplicación pueden ser, tanto ficheros cuyos formatos
Más detallesEcuaciones de primer grado con dos incógnitas
Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad
Más detallese-mailing Solution La forma más efectiva de llegar a sus clientes.
e-mailing Solution La forma más efectiva de llegar a sus clientes. e-mailing Solution Es muy grato para nosotros presentarles e-mailing Solution, nuestra solución de e-mail Marketing para su empresa. E-Mailing
Más detallesComputación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones
Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del
Más detallesPrototipo de un sistema. interactivo de soporte y ayuda a los compradores de un centro. comercial de equipamiento del hogar
Prototipo de un sistema interactivo de soporte y ayuda a los compradores de un centro comercial de equipamiento del hogar Chema Lizano Lacasa. Miguel Ancho Morlans. IPO1-5 INDICE 1.- Descripción general....3
Más detallesEstructuras de Control - Diagrama de Flujo
RESOLUCIÓN DE PROBLEMAS Y ALGORITMOS Ingeniería en Computación Ingeniería en Informática UNIVERSIDAD NACIONAL DE SAN LUIS DEPARTAMENTO DE INFORMÁTICA AÑO 2015 Índice 1. Programación estructurada 2 1.1.
Más detallesUN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR
UN ENTORNO A MEDIDA PARA EL DISEÑO Y LA SIMULACIÓN DE MAQUINARIA POR COMPUTADOR Manuel González y Javier Cuadrado Departamento de Ingeniería Industrial II, Campus de Esteiro, 15403 Ferrol Universidad de
Más detallesAdelacu Ltda. www.adelacu.com Fono +562-218-4749. Graballo+ Agosto de 2007. Graballo+ - Descripción funcional - 1 -
Graballo+ Agosto de 2007-1 - Índice Índice...2 Introducción...3 Características...4 DESCRIPCIÓN GENERAL...4 COMPONENTES Y CARACTERÍSTICAS DE LA SOLUCIÓN...5 Recepción de requerimientos...5 Atención de
Más detalles1. INTRODUCCIÓN 1.1 INGENIERÍA
1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo
Más detallesConceptos de franquicias
Conceptos de franquicias Tener negocio propio disminuyendo los riesgos de toda nueva aventura empresarial y de la mano de una empresa consolidada y con experiencia. Esto es lo que permite la franquicia,
Más detallesScheduling Problem. Cuándo y dónde debo hacer cada trabajo?
Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera
Más detallesPRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE
PRUEBAS DE SOFTWARE La prueba del software es un elemento crítico para la garantía de la calidad del software. El objetivo de la etapa de pruebas es garantizar la calidad del producto desarrollado. Además,
Más detallesLa práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del capítulo 18 Análisis de correspondencias múltiples Primera edición:
Más detallesAnálisis de aplicación: Virtual Machine Manager
Análisis de aplicación: Virtual Machine Manager Este documento ha sido elaborado por el Centro de Apoyo Tecnológico a Emprendedores bilib, www.bilib.es Copyright 2011, Junta de Comunidades de Castilla
Más detallesManual de uso de la plataforma para monitores. CENTRO DE APOYO TECNOLÓGICO A EMPRENDEDORES -bilib
Manual de uso de la plataforma para monitores CENTRO DE APOYO TECNOLÓGICO A EMPRENDEDORES -bilib [Manual de uso de la plataforma para monitores] 1. Licencia Autor del documento: Centro de Apoyo Tecnológico
Más detallesIngeniería en Informática
Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se
Más detallesOptimización de Procesos
Optimización de Procesos Tier I: Métodos Matemáticos de Click to edit Master title style Optimización Sección 4: Optimización Multi-Objetivo Click to Introducción edit Master title style La optimización
Más detallesProbabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.
Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma
Más detallesIntroducción a la Firma Electrónica en MIDAS
Introducción a la Firma Electrónica en MIDAS Firma Digital Introducción. El Módulo para la Integración de Documentos y Acceso a los Sistemas(MIDAS) emplea la firma digital como método de aseguramiento
Más detallesQUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.
QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no
Más detallesELABORACIÓN DE TABLEROS DINÁMICOS DE COMUNICACIÓN CON EL PROGRAMA EDITOR TICO
ELABORACIÓN DE TABLEROS DINÁMICOS DE COMUNICACIÓN CON EL PROGRAMA (Tico 2.0) EDITOR TICO La idea principal que motivo este proyecto fue trasladar la definición tradicional de tablero de comunicación en
Más detallesTABLA DE DECISION. Consideremos la siguiente tabla, expresada en forma genérica, como ejemplo y establezcamos la manera en que debe leerse.
TABLA DE DECISION La tabla de decisión es una herramienta que sintetiza procesos en los cuales se dan un conjunto de condiciones y un conjunto de acciones a tomar según el valor que toman las condiciones.
Más detallesMANUAL DE AYUDA TAREA PROGRAMADA COPIAS DE SEGURIDAD
MANUAL DE AYUDA TAREA PROGRAMADA COPIAS DE SEGURIDAD Fecha última revisión: Diciembre 2010 Tareas Programadas TAREAS PROGRAMADAS... 3 LAS TAREAS PROGRAMADAS EN GOTELGEST.NET... 4 A) DAR DE ALTA UN USUARIO...
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesGestión de Retales WhitePaper Noviembre de 2009
Gestión de Retales WhitePaper Noviembre de 2009 Contenidos 1. Introducción 3 2. Almacén de retales 4 3. Propiedades de los materiales 6 4. Alta de retales 8 5. Utilización de retales en un lote de producción
Más detallesby Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true
by Tim Tran: https://picasaweb.google.com/lh/photo/sdo00o8wa-czfov3nd0eoa?full-exif=true I. FUNDAMENTOS 3. Representación de la información Introducción a la Informática Curso de Acceso a la Universidad
Más detallesSitios remotos. Configurar un Sitio Remoto
Sitios remotos Definir un sitio remoto significa establecer una configuración de modo que Dreamweaver sea capaz de comunicarse directamente con un servidor en Internet (por eso se llama remoto) y así poder
Más detallesSeminario Electrónico de Soluciones Tecnológicas sobre VPNs de Extranets
Seminario Electrónico de Soluciones Tecnológicas sobre VPNs de Extranets 1 de 12 Seminario Electrónico de Soluciones Tecnológicas sobre VPNs de Extranets 3 Bienvenida. 4 Objetivos. 5 Interacciones de Negocios
Más detallesARREGLOS DEFINICION GENERAL DE ARREGLO
ARREGLOS DEFINICION GENERAL DE ARREGLO Conjunto de cantidades o valores homogéneos, que por su naturaleza se comportan de idéntica forma y deben de ser tratados en forma similar. Se les debe de dar un
Más detallesPROGRAMACIÓN ORIENTADA A OBJETOS Master de Computación. II MODELOS y HERRAMIENTAS UML. II.2 UML: Modelado de casos de uso
PROGRAMACIÓN ORIENTADA A OBJETOS Master de Computación II MODELOS y HERRAMIENTAS UML 1 1 Modelado de casos de uso (I) Un caso de uso es una técnica de modelado usada para describir lo que debería hacer
Más detallesAGREGAR COMPONENTES ADICIONALES DE WINDOWS
INSTALACIÓN DE IIS EN WINDOWS XP El sistema está desarrollado para ejecutarse bajo la plataforma IIS de Windows XP. Por esta razón, incluimos la instalación de IIS (Servidor de Web) para la correcta ejecución
Más detallesManual para la utilización de PrestaShop
Manual para la utilización de PrestaShop En este manual mostraremos de forma sencilla y práctica la utilización del Gestor de su Tienda Online mediante Prestashop 1.6, explicaremos todo lo necesario para
Más detallesGUIA APLICACIÓN DE SOLICITUDES POR INTERNET. Gestión de Cursos, Certificados de Aptitud Profesional y Tarjetas de Cualificación de Conductores ÍNDICE
ÍNDICE ACCESO A LA APLICACIÓN... 2 1.- HOMOLOGACIÓN DE CURSOS... 4 1.1.- INICIAR EXPEDIENTE... 4 1.2.- CONSULTA DE EXPEDIENTES... 13 1.3.- RENUNCIA A LA HOMOLOGACIÓN... 16 2.- MECÁNICA DE CURSOS... 19
Más detallesGuía de uso del Cloud Datacenter de acens
guíasdeuso Guía de uso del Cloud Datacenter de Calle San Rafael, 14 28108 Alcobendas (Madrid) 902 90 10 20 www..com Introducción Un Data Center o centro de datos físico es un espacio utilizado para alojar
Más detalles1.4.1.2. Resumen... 1.4.2. ÁREA DE FACTURACIÓN::INFORMES::Pedidos...27 1.4.2.1. Detalle... 1.4.2.2. Resumen... 1.4.3. ÁREA DE
MANUAL DE USUARIO DE ABANQ 1 Índice de contenido 1 ÁREA DE FACTURACIÓN......4 1.1 ÁREA DE FACTURACIÓN::PRINCIPAL...4 1.1.1. ÁREA DE FACTURACIÓN::PRINCIPAL::EMPRESA...4 1.1.1.1. ÁREA DE FACTURACIÓN::PRINCIPAL::EMPRESA::General...4
Más detallesGuía Rápida de Inicio
Guía Rápida de Inicio 1. Acerca de esta Guía Esta guía le ayudará a instalar y dar los primeros pasos con BitDefender Security for SharePoint. Para disponer de instrucciones detalladas, por favor, diríjase
Más detallesSelección de los puntos de montaje
PARTICIONES PARA LINUX Selección de los puntos de montaje Tanto para aquellos que vayan a instalar ahora, como para quienes quieran cambiar el tamaño de una partición o formatear este apunte (resumen de
Más detallesResumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración
5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una
Más detallesManual CMS Mobincube
Manual CMS Mobincube CMS Mobincube Qué es? El CMS (Sistema de Gestión de Contenidos) es un completo website que permite la creación y actualización de contenido remoto. De esta forma, una vez creada una
Más detallesActividades con GeoGebra
Conectar Igualdad - "Netbooks Uno a Uno" Actividades con GeoGebra Nociones básicas, rectas Silvina Ponce Dawson Introducción. El GeoGeobra es un programa que permite explorar nociones matemáticas desde
Más detallesAdministración del conocimiento y aprendizaje organizacional.
Capítulo 2 Administración del conocimiento y aprendizaje organizacional. 2.1 La Importancia Del Aprendizaje En Las Organizaciones El aprendizaje ha sido una de las grandes necesidades básicas del ser humano,
Más detallesWINDOWS 2008 5: TERMINAL SERVER
WINDOWS 2008 5: TERMINAL SERVER 1.- INTRODUCCION: Terminal Server proporciona una interfaz de usuario gráfica de Windows a equipos remotos a través de conexiones en una red local o a través de Internet.
Más detallesConclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
Más detallesSOLUCIÓN CASO GESTIÓN DE PERSONAL I
SOLUCIÓN CASO GESTIÓN DE PERSONAL I Empezaremos abriendo un nuevo libro de trabajo que podemos guardar como Nóminas e introducimos los datos que nos proporciona el enunciado relativos a coste por hora
Más detallesEl Éxito del ICFES frente al reto de la Flexibilidad. Ingrid Picón Directora de Tecnología e Información ICFES
El Éxito del ICFES frente al reto de la Flexibilidad Ingrid Picón Directora de Tecnología e Información ICFES Acerca del ICFES Entidad especializada en ofrecer servicios de evaluación de la educación en
Más detallesOficina Online. Manual del administrador
Oficina Online Manual del administrador 2/31 ÍNDICE El administrador 3 Consola de Administración 3 Administración 6 Usuarios 6 Ordenar listado de usuarios 6 Cambio de clave del Administrador Principal
Más detallesOperación de Microsoft Excel
Representación gráfica de datos Generalidades Excel puede crear gráficos a partir de datos previamente seleccionados en una hoja de cálculo. El usuario puede incrustar un gráfico en una hoja de cálculo,
Más detallesPROCEDIMIENTOS DE TÍTULOS. Para solicitar los títulos al finalizar determinadas enseñanzas es preciso seguir un proceso en la aplicación Plumier XXI.
PROCEDIMIENTOS DE TÍTULOS Para solicitar los títulos al finalizar determinadas enseñanzas es preciso seguir un proceso en la aplicación Plumier XXI. EVALUACIÓN Cuando se ha cursado el último curso de una
Más detallesIntroducción En los años 60 s y 70 s cuando se comenzaron a utilizar recursos de tecnología de información, no existía la computación personal, sino que en grandes centros de cómputo se realizaban todas
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesDiseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos
TESIS DOCTORAL Diseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos Autor Bernabé Dorronsoro Díaz Director Dr. Enrique Alba Torres Departamento Lenguajes y Ciencias de la
Más detallesAplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI
Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad
Más detalles&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN
&$3Ì78/2 6.1. INTRODUCCIÓN Los primeros avances para solucionar el TSP, por medio de Algoritmos Evolutivos han sido introducidos por Goldberg y Lingle en [68] y Grefenstette en [72]. En éste área muchos
Más detallesCOMO CONFIGURAR UNA MAQUINA VIRTUAL EN VIRTUALBOX PARA ELASTIX
COMO CONFIGURAR UNA MAQUINA VIRTUAL EN VIRTUALBOX PARA ELASTIX En este manual se presenta el proceso de configuración de una Maquina Virtual en VirtualBox, que será utilizada para instalar un Servidor
Más detallesWorkflows? Sí, cuántos quiere?
Workflows? Sí, cuántos quiere? 12.11.2006 Servicios Profesionales Danysoft Son notables los beneficios que una organización puede obtener gracias al soporte de procesos de negocios que requieran la intervención
Más detallesDescubra las novedades de EasyProf 3.0! Cambios en la filosofía de trabajo
Descubra las novedades de EasyProf 3.0! EasyProf 3.0 incorpora potentes mejoras y funcionalidades que le permitirá crear sus propios contenidos con mayor facilidad y rapidez. Con EasyProf 3.0 podrá crear
Más detallesCREACIÓN Y OPERABILIDAD DE UNA BASE DE DATOS DE ADN DISTRIBUIDA MEDIANTE EL USO DE UN SISTEMA GRID CREACIÓN DE ÁRBOLES DE SUFIJOS
CREACIÓN Y OPERABILIDAD DE UNA BASE DE DATOS DE ADN DISTRIBUIDA MEDIANTE EL USO DE UN SISTEMA GRID CREACIÓN DE ÁRBOLES DE SUFIJOS BÚSQUEDA DE PATRONES HABITUALES COMPRESIÓN DE MOLÉCULAS DE ADN ESTUDIOS
Más detallesCorrespondencias entre taxonomías XBRL y ontologías en OWL Unai Aguilera, Joseba Abaitua Universidad de Deusto, EmergiaTech
Correspondencias entre taxonomías XBRL y ontologías en OWL Unai Aguilera, Joseba Abaitua Universidad de Deusto, EmergiaTech Resumen Todo documento XBRL contiene cierta información semántica que se representa
Más detallesCapitulo V Administración de memoria
Capitulo V Administración de memoria Introducción. Una de las tareas más importantes y complejas de un sistema operativo es la gestión de memoria. La gestión de memoria implica tratar la memoria principal
Más detallesAHORRACOM SOLUCIONES AVANZADAS S.L. Avda. de la Industria 13, Oficina 25. 28108 Alcobendas, Madrid. www.ahorracom.com
PAGTE Plan de Ahorro y Gestión de Telecomunicaciones para Empresas En Ahorracom nos ponemos de su parte. Por eso nos interesa que usted, nuestro cliente, esté al tanto de todos los procesos que llevamos
Más detallesRedes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Más detallesGUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES
GUÍA TÉCNICA PARA LA DEFINICIÓN DE COMPROMISOS DE CALIDAD Y SUS INDICADORES Tema: Cartas de Servicios Primera versión: 2008 Datos de contacto: Evaluación y Calidad. Gobierno de Navarra. evaluacionycalidad@navarra.es
Más detallesServicios Educativos Del Estado De Chihuahua Sistema Integral de Presupuestos y Materiales. Indice. Introducción... 2. Barra de Herramientas...
Indice Página Introducción... 2 Acceso al Sistema... 3 Barra de Herramientas... 4 Menú Principal... 5 Operación Catálogos Reportes Consultas Entradas Por Orden de Compra... 6 Entradas Directas... 8 Salidas
Más detallesTools. Ibermática Soluciones Empresariales 2012, Todos los derechos reservados http://soluciones.ibermatica.com
Tools http://soluciones.ibermatica.com La aplicación Tools Ibermática incluye 15 aplicaciones que llevan a cabo varios trabajos centrados en el diseño. Estas aplicaciones han sido desarrolladas pensando
Más detalles1 Introducción. Titulo
8 1 Introducción Brindamos soluciones para usted o su empresa que apoyan su gestión de negocio; aplicaciones para inteligencia corporativa, desarrollos de última tecnología y servicios en línea que pueden
Más detallesDESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS
DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS Replicar un índice Formar una cartera que replique un índice (o un futuro) como el IBEX 35, no es más que hacerse con
Más detallesLa ventana de Microsoft Excel
Actividad N 1 Conceptos básicos de Planilla de Cálculo La ventana del Microsoft Excel y sus partes. Movimiento del cursor. Tipos de datos. Metodología de trabajo con planillas. La ventana de Microsoft
Más detallesCAPÍTULO 3 Servidor de Modelo de Usuario
CAPÍTULO 3 Servidor de Modelo de Usuario Para el desarrollo del modelado del estudiante se utilizó el servidor de modelo de usuario desarrollado en la Universidad de las Américas Puebla por Rosa G. Paredes
Más detallesNovedades en Q-flow 3.02
Novedades en Q-flow 3.02 Introducción Uno de los objetivos principales de Q-flow 3.02 es adecuarse a las necesidades de grandes organizaciones. Por eso Q-flow 3.02 tiene una versión Enterprise que incluye
Más detalles