$3/,&$%,/,'$''(0(72'26'(,17(/,*(1&,$$57,),&,$/$/$ 6DOGDUULDJD-6DODV'\*yPH]5
|
|
- Xavier Rojas Venegas
- hace 5 años
- Vistas:
Transcripción
1 $3/,&$%,/,'$''(0(72'26'(,17(/,*(1&,$$57,),&,$/$/$ &$/,%5$&,21'(5('(6'($&8('8&72 6DOGDUULDJD-6DODV'\*yPH]5 8QLYHUVLGDGGHORV$QGHV%RJRWi'&&RORPELD 5(680(1 El problema de la calibración de redes de acueducto es matemáticamente insoluble. Esto ha llevado a utilizar métodos de ensayo y error, optimización e inteligencia artificial para su resolución. A través de la inteligencia artificial, se ha logrado cierta efectividad para resolver dicho problema. Sin embargo, algunos métodos de inteligencia artificial son muy lentos, otros muy estáticos, otros no se adaptan automáticamente, etc. Por esta razón, se realiza un planteamiento de experimentos que se realizarán para determinar las ventajas y desventajas de utilizar cada uno de estos métodos en la calibración de redes de acueducto. $%675$&7 Water distribution network calibration is mathematically unsolvable. Then, trial and error, optimization and artificial intelligence methods have been used to solve it. Artificial intelligence has given some effectiveness. However, some artificial intelligence methods are too slow, static or hard to adapt to changes in problem, etc. Therefore, some experiments are proposed to determine advantages and disadvantages of each AI method used to calibrate water distribution networks.,1752'8&&,21 Los algoritmos genéticos son la metodología con mayor uso en el problema de calibración. En redes pequeñas y con modelaciones estáticas, han demostrado una gran efectividad y eficiencia. Sin embargo, en redes grandes (más de 1000 tuberías) y con modelaciones dinámicas amplias (p.e. cada 5 minutos durante una semana), el algoritmo es lento. Las redes neuronales también se utilizan en la calibración. Si la red neuronal ya está calibrada, el algoritmo es muy rápido. Pero, si alguna variable topológica de la red llega a cambiar, hay que calibrar la red neuronal nuevamente. Y este proceso en redes grandes y con modelaciones dinámicas amplias, requiere más tiempo de cálculo que el algoritmo genético. Como cada metodología de inteligencia artificial tiene ventajas y desventajas, se plantean hipótesis sobre métodos para resolver la calibración utilizando sistemas híbridos. Por sistema híbrido se entiende aquel que utiliza la combinación de dos o más sistemas de inteligencia artificial. Se estudiaron primero las metodologías de inteligencia artificial: Algoritmos genéticos, Redes neuronales, Lógica difusa, Evolución de algoritmos, Sistemas expertos. Los métodos de calibración son bastante sensibles a pequeños errores, y son sistemas complejos de alta precisión. Por esto se recomienda siempre el uso de ecuaciones físicamente basadas en vez de ecuaciones empíricas en el sistema hidráulico. La dificultad matemática introducida por las ecuaciones físicamente basadas, es ahora una trivialidad, superada de sobra con la complejidad de los sistemas de inteligencia artificial. Adicionalmente, las herramientas de computación actuales permiten sortear las dificultades de las ecuaciones físicamente basadas. Hacer procesos de calibración en redes de acueducto complejas, reales, con más de 1000 tuberías utilizando ecuaciones empíricas, no tiene sentido. 5('(61(8521$/(6 +LSyWHVLV El problema se puede plantear como una red neuronal con conjuntos de entradas y de salidas idénticos a los del problema de calibración de la red de acueducto. En este caso se pueden plantear redes neuronales de dos o tres capas, con conectividad total de una capa a la siguiente. La cantidad de nodos de la capa oculta sería el número de entradas o más. La razón es que se espera que la capa oculta sea un punto de combinación de todas las variables que conjuntamente lleven al cálculo de una salida. Las variables de entrada de la red neuronal serían: Variables de sistema: Viscosidad, Gravedad; Variables de tuberías: Longitud, Diámetro, Material; Variables de nodos: Demanda, Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 250
2 Topografía; Variables de fuentes: Energía disponible, Topografía; Variables de bombas: Ecuación de Presión Caudal, Presión mínima de trabajo; Variables de válvulas: Tipo de válvula, Estado; Mediciones en campo: Tipo de medición, Objeto de red medido, Variable medida, Instante del tiempo, Valor de la medición. Las variables de salida serían: Variables de tuberías: Rugosidad, Coeficiente de pérdidas menores; Variables de nodos: Coeficiente de fugas, Exponente de fugas. El entrenamiento de la red se realizaría a partir de datos teóricos en los que se simula el envejecimiento de tuberías y la aparición de fugas. Para el entrenamiento, se requieren 2n modelos teóricos simulando distintas condiciones hidráulicas, envejecimiento y fugas, siendo n el número de valores de entrada. Este tipo de red neuronal serviría para una única red de acueducto. Ante cualquier cambio topológico en la red, se debe realizar un nuevo entrenamiento. +LSyWHVLV Consiste en minimizar el tamaño y complejidad de la red neuronal. Esto se puede hacer porque la red neuronal solo se utilizaría para una red de acueducto, lo que hace estática cierta información. En éste caso, las variables de entrada son únicamente las mediciones y la energía inicial. Las salidas son las rugosidades, coeficientes de pérdidas menores de las tuberías, coeficientes y exponentes de fugas de los nodos. En este caso, se requiere al menos una capa oculta, pero sería útil probar también con 2. Esto porque en los pesos de las relaciones se almacenará de alguna manera la dependencia con respecto al resto de variables hidráulicas y topológicas que no se introducen explícitamente a la red neuronal. Este tipo de red neuronal solo sirve para una red de acueducto específica, con topología y demandas constantes. Cualquier cambio de estas variables en la red de acueducto puede implicar un reentrenamiento o, incluso, la reconstrucción total de la red neuronal. Esto puede ocurrir si cambia el número de tuberías o mediciones. Ver Figura 1. Figura 1. Esquema red neuronal Hipótesis 2 $/*25,702*(1(7,&202',),&$'2 La metodología de calibración con algoritmos genéticos que se desarrolló incluye algunas modificaciones al algoritmo genético básico para adaptarlo de mejor manera al proceso particular de la calibración. También se realizaron modificaciones para asemejar más el proceso a la selección natural, y permitir probar varias configuraciones del algoritmo genético de manera simultánea. 6HPHMDQ]DFRQHOSURFHVRGHVHOHFFLyQQDWXUDO Existen ciertas propiedades evolutivas que no pertenecen a los individuos ni al modelo original. Algunas de estas propiedades son: Cantidad de individuos por generación; Cantidad de supervivientes con los mejores calificadores; Otras variables que determinan el paso de una generación a otra. Como no se tiene certeza de cuáles son los valores óptimos de éstas variables, y tampoco son variables del problema que el algoritmo intenta resolver, se debe dar un tratamiento distinto a estas variables. Para esto, se definieron especies. Cada especie es un algoritmo genético Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 251
3 independiente con sus propias variables evolutivas. Todas las especies van evolucionando en paralelo. Esto permite observar cuales son los mejores valores de las variables evolutivas. Además, cada especie tiene su propio modelo original. Esto permite que el algoritmo genético trabaje con distintas hipótesis iniciales que pueden ser bastante diferentes en sus propiedades topológicas. También se introduce al algoritmo genético el concepto de ambiente y competencia. El ambiente puede mantener una cantidad máxima de individuos totales, sumando los de todas las especies que se encuentran compitiendo. A medida que transcurren las generaciones, el ambiente quita o añade cupos a cada especie para que ésta pueda generar menos o más individuos. Esta repartición de cupos se realiza de acuerdo con el comportamiento de los calificadores de las especies. Así, eventualmente, se puede extinguir una o más especies, y solo las mejores siguen evolucionando. También se permite la posibilidad de supervivencia de ciertos individuos con bajos calificadores. Esto se hace para evitar los máximos locales. Si los mejores individuos se empiezan a bloquear en un máximo local, los individuos con bajos calificadores empiezan a volverse más importantes y promisorios. Figura 2. Importancia de los individuos con bajo calificador Figura 3. Estructura de datos en algoritmos evolutivos En la Figura 2, se pueden observar los individuos A y B. La curva representa el problema que se quiere maximizar. Los individuos, a través de la evolución, van mejorando, y sus hijos se van ubicando en posiciones superiores, pero no pueden superar la curva. El individuo A es mejor que el individuo B, sin embargo, la descendencia del individuo B tiene mejor potencial que la descendencia del individuo A. Por esta razón, es importante que individuos de bajo calificador también sobrevivan. $GDSWDFLyQDOSUREOHPDGHFDOLEUDFLyQ\ODFRQVHUYDFLyQGHFULWHULRV Se realizaron otras modificaciones al algoritmo genético para hacerlo más versátil, permitir la prueba de ciertas hipótesis menos convencionales y asegurar la política de conservación de criterios. Uno de estos cambios es la definición de un porcentaje de individuos bien apareados. Entre los individuos sobrevivientes, algunos se aparean únicamente con otros que tengan calificadores semejantes. Los demás se aparean con cualquier individuo sobreviviente. También se permite la definición de especies asexuales, sexuales y multisexuales. Entonces cada individuo puede tener uno, dos o más padres, según la definición de su especie. Se añadió también el concepto de eslabón. Con éste, las cadenas de ADN no están formadas directamente por cromosomas sino por eslabones. Los eslabones almacenan listas de cromosomas. Esto se hizo porque cada cromosoma representa un elemento de la red de acueducto, y se necesitaba un método para diferenciar el tipo de los elementos (nodos, tubos, tanques). Entonces, la cadena de ADN está formada por eslabones. Existe un eslabón que almacena los tubos, un eslabón que almacena los nodos, un eslabón que almacena los tanques, etc. Cada eslabón guarda como cromosomas objetos de la red del tipo respectivo (el eslabón de tubos guarda objetos tipo tubo, el eslabón de nodos, guarda objetos tipo nodo, etc.). Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 252
4 0RGLILFDFLyQSRUJUXSRV También se permite la definición de grupos que obligan a modificar algunos genes al tiempo. Esto evita que la aleatoriedad del algoritmo genere rugosidades muy desiguales en tuberías sometidas a condiciones hidráulicas parecidas. Los grupos se pueden establecer por material, posición geográfica, diámetro, o por varias condiciones al tiempo. Además, se pueden generar grupos como uniones e intersecciones de otros grupos. Estos procesos pueden hacerse de manera aleatoria. $/*25,7026(92/87,926 +LSyWHVLV Utilizando el método de evolución de algoritmos, se puede intentar encontrar una ecuación que permita estimar fácil y rápidamente las variables de calibración. Para esto, se plantea la estructura de la Figura 3. Este diagrama permite definir la estructura de las ecuaciones. Es un diagrama de clases y se puede interpretar como un diseño de entidades de una base de datos. La Figura 3 se interpreta de la siguiente forma. Una ecuación es un bloque. Un bloque puede ser un valor constante, una variable o una operación entre dos bloques. En caso de ser una constante, se define su valor. En caso de ser una variable, se define cuál es la variable, obteniéndola de una tabla donde se encuentran todas. Si es una operación entre dos bloques, se obtiene el operador de otra tabla. Los dos bloques se obtienen como referencias a la misma tabla de bloques. Esta estructura permite definir cualquier ecuación. Después, de manera aleatoria, se añaden nuevos bloques con estructura y valores aleatorios. El sistema de selección funciona de la siguiente manera. Dado un individuo (posible solución), representado en un bloque, se interpreta como ecuación, se evalua la ecuación, se compara con el resultado conocido y se califica al individuo. La ecuación debe evaluarse ante distintas condiciones de las variables de entrada. El proceso de generación de nuevos bloques (Ver Figura 4) inicia decidiendo de manera aleatoria si se trata de un bloque variable, constante o compuesto. Si es un bloque variable, se escoge aleatoriamente una de las variables del sistema. Si es un bloque constante, se elige de manera aleatoria un número dentro de un rango predefinido con distribución de probabilidad uniforme. Si es un bloque compuesto, se escoge aleatoriamente un operador, y luego se generan dos nuevos bloques que son los operadores. Estos nuevos bloques se crean como constantes o variables, sin la posibilidad de que sean compuestos. Esto se hace para truncar el proceso de generación de un bloque evitando que sea demasiado largo. Figura 4. Generación de un bloque Figura 5. Mutación de bloque variable o constante Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 253
5 El esquema del proceso de mutación de un bloque se puede observar en la Figura 5 y en la Figura 6. Se muestra primero el caso de los bloques simples (variables o constantes). Se crea un nuevo bloque compuesto, en el que uno de los operandos es el bloque simple. El operador y la posición de los operandos se escogen de manera aleatoria. El otro operando se genera con el proceso de generación descrito anteriormente. En la mutación de un bloque compuesto existen varias opciones. La primera es hacer lo mismo que en caso de los bloques simples. Crear un nuevo bloque compuesto y hacer del bloque original uno de los operandos. Una segunda opción consiste en modificar aleatoriamente el operador. Otra opción es modificar uno solo o ambos operandos del bloque original. La última opción consiste invertir el orden de los operandos. En ambos casos (bloques simples y compuestos), el proceso de mutación también permite cierto nivel de probabilidad para dejar el bloque en su estado original. El proceso de reproducción se muestra en la Figura 7. Allí se muestra que la reproducción entre n ecuaciones consiste simplemente en unirlas con operadores. Se anida, la primera con la segunda, y su resultado, se anida con la tercera. El resultado de esta última operación se anida con la cuarta, etc. El proceso evolutivo no es igual al utilizado en el método de algoritmos genéticos. En este caso, después del proceso de reproducción, es posible tener individuos que no son producto de la reproducción de otros, sino que son simplemente mutaciones de otros. Además, los individuos sobrevivientes (ecuaciones escogidas tras cada iteración) se escogen entre las dos últimas generaciones, y no solo de la última. Estas variaciones del algoritmo se realizan debido a que es bastante difícil encontrar una nueva buena ecuación. Además, es difícil mejorarla a través de mutaciones. Entonces, se intenta que los buenos individuos sobrevivan a través del proceso, hasta que aparezcan otros que los mejoren significativamente. Figura 6. Mutación de bloque compuesto Figura 7. Reproducción de ecuaciones Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 254
6 Finalmente, se podría realizar una calibración sobre las constantes de la ecuación final. Esta última calibración se puede realizar con el algoritmo genético básico. +LSRWHVLV Se plantea una segunda hipótesis en la que cada posible ecuación tiene un tamaño máximo fijo. Así, se puede hacer una cadena de ADN que tenga un tamaño fijo para cualquier individuo en todas las generaciones. Esto permite utilizar el algoritmo genético básico. Cada posible ecuación se describe como un árbol binario de n niveles, siendo n una cantidad fija para todo el proceso. Éste árbol tendrá entonces 2n-1 nodos en cada nivel, y 2n-1 nodos en total (Ver Figura 8 y Figura 9). Cada nodo contiene un operador, una variable (presión1, longitud3, etc.) o un valor constante. Las hojas, o nodos del último nivel no pueden contener operadores. La cadena genética es una lista de 2n-1 valores. Esta cadena genética puede evolucionar con el algoritmo genético básico. El único proceso que cambia es el de selección. Para evaluar un individuo (una ecuación), se debe analizar el árbol de abajo a arriba. En los nodos en los que se encuentren variables, se deben reemplazar por sus valores correspondientes en el ejemplo dado (p.e. presión2 := 34.5, etc.). En los nodos en los que se encuentren operadores, se reemplaza el operador por el resultado de la operación indicada, entre sus dos subnodos asociados. Al llegar al nivel superior, se encuentra entonces el resultado de la ecuación para la variable que se está calibrando. Figura 8. Árbol binario para representar la ecuación Figura 9. Ejemplo de representación de una ecuación en un árbol /Ï*,&$',)86$ Figura 10. Conceptos subjetivos formalizables con lógica difusa Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 255
7 La lógica difusa permite plantear procesos subjetivos que se utilizan para controlar sistemas manualmente (Ver Figura 10). El problema de calibración también se puede plantear como un sistema de control, en el que las salidas del sistema controlado son las variables hidráulicas en los puntos donde existen mediciones en campo. Las variables de control son las rugosidades en las tuberías, las pérdidas menores, los coeficientes y los exponentes de fugas. La idea es llevar las variables hidráulicas a valores cercanos a las mediciones, manejándolas con las variables de control. Las variables de control podrían o no manejarse de manera individual para cada tubería. Cada variable de control es una variable topológica (o su variación) sobre un elemento o grupo. Por ejemplo, una variable de control podría ser la variación porcentual en la rugosidad de todas las tuberías de la subzona 4, o en alguna tubería en particular. La definición de los grupos se podría hacer de igual manera que en el algoritmo genético modificado (Ver Numeral 3.3). Sin embargo, en este caso los grupos de mayor utilidad son aquellos que definen rutas o zonas. Para establecer las reglas y la malla de relaciones entre situaciones y reglas, se requiere la ayuda de una persona experta en calibración, y un análisis de sensibilidad de las variables hidráulicas con respecto a cambios en las variables de control. También para establecer las funciones de membresía de los conjuntos. Esto significa que el sistema de calibración es útil únicamente para la red para la cual se diseñó. Si se desea calibrar otra red, se debe montar totalmente el sistema difuso de nuevo. Como las variables de control podrían ser agregadas, cabe la posibilidad de que el sistema se comporte bien aun cuando haya cambios topológicos en la red, mientras éstos no sean muy importantes. Con este sistema difuso se podría realizar muy rápidamente una calibración dado un conjunto de mediciones obtenidas en campo. Esto permitiría detectar en tiempo real problemas en la red, zonas con fugas, etc. 6,67(0$6+,%5,'26 Se plantea también la experimentación de sistemas híbidos. El primero consiste en calibrar la red neuronal con un algoritmo genético, así se podrían utilizar calibraciones previas de la red neuronal para reentrenarla en caso de que la red de acueducto presente cambios topológicos. El segundo es realizar una calibración inicial con una red neuronal, lo cual provee una primera aproximación a la calibración definitiva. Luego, se realizaría un afinamiento de la calibración con un algoritmo genético. &21&/86,21(6 El nivel de complejidad del problema de calibración, su insolubilidad, y la incertidumbre en los resultados que provee, obliga a utilizar métodos no convencionales en su resolución. Los métodos de inteligencia artificial tienen un buen potencial para solucionar éste tipo de problemas. Dentro de los métodos de inteligencia artificial, existe una gran cantidad de combinaciones y formas de utilización. Éstas brindan un área amplia de investigación para hallar nuevos métodos rápidos y eficaces para resolver el problema de la calibración. Hacia el futuro, con la creatividad de los investigadores y experimentos como los planteados en éste documento, se puede llegar a un sistema inteligente que intente resolver el problema de calibración basado en su propio aprendizaje. 5()(5(1&,$6 Hayes-Roth, F. (1999). The state of knowledge based systems. Communications of the ACM Lippmann, R. (1987). An introduction to computing with neural nets.,((($6630djd]lqh Munakata, T. (1994). Fuzzy systems, an overview. Communications of the ACM Lofti, A. (1994). Fuzzy logic, Neural networks, and soft computing. Communications of the ACM Salas, D. & Saldarriaga, J. (2002). Algoritmo genético modificado para calibración de redes de acueducto. Universidad de los Andes Saldarriaga, J. & Salas, D. (2002). Calibración de redes de acueducto bajo un ambiente de fugas. ;9 &RQJUHVRODWLQRDPHULFDQRGHKLGUiXOLFD Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 256
8 Pudar R. & Liggett J. (1992). Leaks in pipe networks. -RXUQDORI+\GUDXOLF(QJLQHHULQJ Tucciarelli T. & Criminisi A. (1997). Leak analisis in pipeline systems by means of optimal valve regulation. -RXUQDORI+\GUDXOLF(QJLQHHULQJ Martínez F. & Conejos P. (1999). Developing an integrated model for water distribution systems considering both distributed leakage and pressure-dependent demands Universidad del Valle/Instituto Cinara Saldarriaga, J. HWDO 257
APLICABILIDAD DE MÉTODOS DE INTELIGENCIA ARTIFICIAL A LA CALIBRACIÓN DE REDES DE ACUEDUCTO
APLICABILIDAD DE MÉTODOS DE INTELIGENCIA ARTIFICIAL A LA CALIBRACIÓN DE REDES DE ACUEDUCTO Juan Guillermo Saldarriga Valderrama * Profesor Titular del Departamento de Ingeniería Civil y Ambiental de la
Más detalles8QLYHUVLGDGGHORV$QGHV%RJRWi'&&RORPELD &RUUHRHOHFWUyQLFRMVDOGDUU#XQLDQGHVHGXFR
&$/,%5$&,2'(5('(6'($&8('8&7287,/,=$'25('(6(852$/(6 &2',)(5(7(6&2),*85$&,2(6
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesTEMA 3: Áreas de la IA: Ejemplos de investigación actual.
Tema 3: Áreas de la IA: Ejemplos de investigación actual pp. 1 TEMA 3: Áreas de la IA: Ejemplos de investigación actual. Algoritmos Genéticos 1 Introducción 2.1 Operadores Bibliografía Bibliografía S.
Más detallesTutorías: 10:00 a 14:00 de lunes a viernes en el L (Solicitud mediante )
1 José María Font Fernández jm.font@upm.es Tutorías: 10:00 a 14:00 de lunes a viernes en el L-3101. (Solicitud mediante email) http://dl.dropbox.com/u/1074349/computacionevolutiva.pdf 2 o La Computación
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
Más detallesINDICE. Procedimiento 4. Mutación Paramétrica. 8
INDICE Introducción. 3 Objetivo 4 Procedimiento 4 Algoritmo Principal. 6 Inicialización de la Población 6 Función de Aptitud.. 7 Selección de la Nueva Población. 7 Mutación Estructural 8 Mutación Paramétrica.
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesCAPITULO 2: MARCO TEÓRICO. En el desarrollo de este capítulo se presentan descripciones generales,
CAPITULO 2: MARCO TEÓRICO En el desarrollo de este capítulo se presentan descripciones generales, definiciones y métodos, que nos pueden ayudar a entender con claridad el método que desarrolló en esta
Más detallesCalibración de modelos de redes de distribución de agua mediante la utilización conjunta de demandas y consumos dependientes de la presión
IV Jornadas de Ingeniería del Agua La precipitación y los procesos erosivos Córdoba, 21 y 22 de Octubre 2015 Calibración de modelos de redes de distribución de agua mediante la utilización conjunta de
Más detallesTema 2: Algoritmos Genéticos
Tema 2: Algoritmos Genéticos p. 1/3 Tema 2: Algoritmos Genéticos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País
Más detallesCONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA
CONSTRUCCIÓN AUTOMÁTICA DE REGLAS DE INVERSIÓN UTILIZANDO PROGRAMACIÓN GENÉTICA Mario Alberto Llorente Lopez PFC Ingeniería en Informática 24 de Enero de 2012 CONTENIDO Introducción Objetivos Planificación
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detallesSINTONIZACION DE UN CONTROLADOR PID PARA FUNCION DE TRANSFERENCIA DE SEGUNDO ORDEN USANDO ALGORITMOS GENETICOS BASADO EN TOOLBOX DE MATLAB.
1 SINTONIZACION DE UN CONTROLADOR PID PARA FUNCION DE TRANSFERENCIA DE SEGUNDO ORDEN USANDO ALGORITMOS GENETICOS BASADO EN TOOLBOX DE MATLAB. Fredy Alexander Guasmayan Guasmayan Cedula: 14 590 212 Universidad
Más detallesClasificación de los sistemas
Clasificación de los sistemas Para clasificar los sistemas tomaremos en cuenta las características que poseen los modelos matemáticos empleados. La siguiente clasificación jerárquica permite señalar el
Más detallesTransitorios por oscilación de masa en acueductos a presión
Transitorios por oscilación de masa en acueductos a presión Rafael Carmona Paredes Instituto de Ingeniería, UNAM En los sistemas de conducción de agua a presión pueden presentarse estados de flujo transitorio
Más detallesOPTIMIZACIÓN DE MODELOS
OPTIMIZACIÓN DE MODELOS SISTEMA DECIMAL Sistema numérico que utiliza al 10 como base y requiere 10 números. 156.7 1x10 2 + 5x10 1 + 6x10 0 + 7x10-1 = 100 + 50 + 6 +0.7 = 156.7 SISTEMA BINARIO Sistema que
Más detallesRevista de Ingeniería ISSN: Universidad de Los Andes Colombia
Revista de Ingeniería ISSN: 0121-4993 reingeri@uniandes.edu.co Universidad de Los Andes Colombia Ávila Rangel, Humberto; González Barreto, Carolina Determinación de parámetros de fuga para fallas longitudinales,
Más detallesALGORITMOS GENÉTICOS. En lugar de envidiar la naturaleza debemos emularla Holland
ALGORITMOS GENÉTICOS En lugar de envidiar la naturaleza debemos emularla Holland Algoritmos genéticos Algoritmos basados en los principios de la evolución natural Se utilizan en problemas donde no se pueden
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES
ALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES CRISTIAN C. FORERO 35 ALGORITMOS GENÉTICOS EN LA SOLUCIÓN DE ECUACIONES DIOFÁNTICAS LINEALES CRISTIAN C. FORERO* Recibido / Aceptado
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesDETERMINACIÓN DE PARÁMETROS DE FUGA PARA FALLAS LONGITUDINALES, EN CONEXIONES DOMICILIARIAS Y EN UNIONES DE TUBERÍAS EN PVC.
DETERMINACIÓN DE PARÁMETROS DE FUGA PARA FALLAS LONGITUDINALES, EN CONEXIONES DOMICILIARIAS Y EN UNIONES DE TUBERÍAS EN PVC. Juan Guillermo Saldarriga Valderrama* Profesor Titular del Departamento de Ingeniería
Más detalles2. ANÁLISIS DEL PROBLEMA
2. ANÁLISIS DEL PROBLEMA 2.1. Descripción del problema de Nesting 2.1.1. Situación de la industria del calzado. La industria del calzado en México es un sector importante en la economía por su participación
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 detallesUniversidad de La Sabana Análisis comparativo de los paradigmas de simulación
Universidad de La Sabana Análisis comparativo de los paradigmas de simulación Autor: Alfonso Sarmiento Agenda 1. Definiciones previas 2. Comparación cualitativa de los paradigmas 3. Comparación cuantitativa
Más detalles6. Conclusiones y trabajo
Capítulo 6. Conclusiones y trabajo futuro En esta sección se dan las conclusiones a las que se llegaron a lo largo del desarrollo de esta investigación. Así mismo, se enlista el conjunto de aportaciones
Más detallesArchivos Indice. Indexación y. Asociación. Conceptos Básicos Indices Ordenados Arboles. Asociación. Docente: Albert A.
Docente: Albert A. Osiris Sofía 1º Cuatrimestre 2002 Conceptos Básicos Indices Ordenados Arboles Asociación Indexación y Asociación Archivos Indice 1 2 3 1 Archivos Indice Ordenados Asociativos Primario
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
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 detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesConceptos básicos de programación genética
LA INFORMÁTICA Y EL CONOCIMIENTO UNIVERSIDAD NACIONAL DE COLOMBIA Revista de la Facultad de Medicina 2001; 49 (2):110-114 Conceptos básicos de programación genética José Jesús Martínez Páez, Profesor,
Más detallesEstándares de Referencia en el Examen Ultrasónico
1 2 Estándares de Referencia en el Examen Ultrasónico Qué es un bloque de referencia? Definición en ASTM E 1316: Reference block a block that is used both as a measurement scale and as a means of providing
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que razonan bajo incertidumbre Introducción Repaso de probabilidad
Más detallesDefinir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Más detallesPlaneación experimental
Planeación experimental Diseño de Experimentos Diseño de Experimentos Ventajas Identifica uno o más factores influyen dentro de la variable de respuesta. Permite establecer la combinación adecuada de tratamientos
Más detallesIndexación y Asociación
Bases de Datos Indexación y Asociación Contenidos Conceptos básicos Indices Ordenados Árboles B+ ArbolesB Asociación estática Bases de Datos Indexación y Asociación 2 Conceptos básicos Los Indices se utilizan
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T4: Algoritmos Genéticos {jdiez, juanjo} @ aic.uniovi.es La idea es Qué pretende la IA? Producir agentes inteligentes Cuál es el mejor ejemplo de agente inteligente? El Hombre Cómo
Más detallesPONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR Facultad de Ingeniería Escuela de Sistemas. Programa Analítico
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR Facultad de Ingeniería Escuela de Sistemas 1. DATOS GENERALES DE LA ASIGNATURA Materia: APLICACIONES DIFUSAS Carrera SISTEMAS Nivel: 8vo. No. Créditos: 4 créditos
Más detallesComputación Evolutiva Algoritmos Genéticos
Computación Evolutiva Algoritmos Genéticos Diego Milone Inteligencia Computacional Departamento de Informática FICH-UNL Hace 200 años... Inteligencia Computacional - FICH - UNL La idea de que las especies
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesAplicación a la Computación Distribuida
Métodos de Optimización Multiobjetivo. Aplicación a la Computación Distribuida Dr. Miguel Ángel Vega Rodríguez Grupo de Investigación ARCO (http://arco.unex.es) Universidad de Extremadura 0. Índice de
Más detallesSIMULACIÓN POR ORDENADOR PARA LA PLANIFICACIÓN Y GESTIÓN (Ejercicio de evaluación. Febrero 2010) - SOLUCIÓN -
[ 2009/2010 ] SIMULCIÓN POR ORDENDOR PR L PLNIFICCIÓN Y GESTIÓN (Ejercicio de evaluación. Febrero 2010) - SOLUCIÓN - Se trata de extender el ejercicio 4 de la Relación 1 de Ejercicios. Por tanto, considérese
Más detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detalles3. Diseño de la solución
3. Diseño de la solución 3.1. Diseño del Algoritmo En el siguiente capítulo se desarrollará cada de las variables y requerimientos en el sistema de lógica difusa desarrollado. 3.2. Diagrama de bloques
Más detallesSistema Control de Presiones. 1. Reducir la presión en la red disminuye el agua perdida por fuga.
Sistema Control de Presiones. Introducción: Dentro de los distintos aspectos que abarcan las pérdidas operacionales en cualquier sistema de abastecimiento de Agua Potable se distingue aquella que tiene
Más detallesRECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 4 : PROGRAMACIÓN
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detalles7. PARAMETRIZACIÓN SOBRE LA RED DE PRUEBA
7. PARAMETRIZACIÓN SOBRE LA RED DE PRUEBA 7.1. Red de prueba Para realizar el análisis de los parámetros del problema e intentar encontrar los valores óptimos de estos se ha hecho uso de un modelo de ciudad
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur Regresión simbólica, búsqueda genética y algoritmos de estimación de distribuciones Regresión lineal Regresión:
Más detallesLas expresiones son combinaciones de constantes, variables, símbolos de operación, paréntesis y nombres de funciones especiales.
Expresiones Las expresiones son combinaciones de constantes, variables, símbolos de operación, paréntesis y nombres de funciones especiales. Por ejemplo: a + (b + 3) / c Cada expresión toma un valor que
Más detallesVideoCom MFD
VideoCom MFD - 1999 1 VideoCom Movimientos Introducción El elemento CCD de la cámara consiste de 2048 pixeles. Cada pixel tiene dimensiones de 14 µm de ancho por 200 µm de alto. El resultado es una área
Más detalles1º E.S.O. Criterios de evaluación y contenidos mínimos (septiembre 2018)
1º E.S.O. y contenidos mínimos (septiembre 2018) Bloque 1: Procesos, métodos y actitudes matemáticas 1.2 Utilizar procesos de razonamiento y estrategias de resolución de problemas, realizando los cálculos
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 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 detallesMetaheurísticas. Seminario 3. Problemas de optimización con técnicas basadas en poblaciones
Metaheurísticas Seminario 3. Problemas de optimización con técnicas basadas en poblaciones 1. Estructura de un Algoritmo Genético/Memético y Aspectos de Implementación 2. Problemas de Optimización con
Más detallesIntroducción a la Inteligencia Artificial. Introducción a la Inteligencia Artificial. Material de estudio y bibliografía.
Introducción a la Introducción a la Docentes: Claudio Verrastro Juan Carlos Gómez Lógica Difusa Algoritmos Genéticos Leandro Di Matteo Esteban Venialgo Lucio Martinez G. Área: Fundamentos de la Visión
Más detallesLínea de Especialización Control de Sistemas
Línea de Especialización Control de Sistemas 1.- Propósito de la línea de especialización. Profesional con sólida formación teórico-práctica y visión global amplia acerca de diferentes métodos de modelación,
Más detallesUn sistema de ecuaciones diferenciales son aquellas que tienen varias posibilidades para su solución. Estas son:
Unidad X: Programación lineal (continuación) Objetivo específico: Entender ampliamente el fenómeno del comportamiento de los modelos matemáticos para la resolución de problemas enfocados a las ecuaciones
Más detallesRedes Neuronales Cooperativas para el Control de un Robot Autónomo
Redes Neuronales Cooperativas para el Control de un Robot Autónomo Oscar Luis Ruíz Bernal, Saúl Martínez Díaz División de Estudios de Posgrado e Investigación, Instituto Tecnológico de La Paz rboscar7@yahoo.com,
Más detallesMATEMÁTICAS 2º ESO 1. CONTENIDOS MÍNIMOS PARA LA EVALUACIÓN POSITIVA
1ª evaluación De toda la materia DEPARTAMENTO MATERIA CURSO MATEMATICAS MATEMÁTICAS 2º ESO 2º ESO 1. CONTENIDOS MÍNIMOS PARA LA EVALUACIÓN POSITIVA Realiza en su cuaderno las tareas de clase y las propuestas
Más detallesIngeniería y Tecnología
Ingeniería y Tecnología Didáctica de la programación lineal s con el método gráfico Didactic of linear programming with the graphic method (I) Fecha de recepción: 30 de marzo de 2007 Fecha de aceptación:
Más detalles08/10/2008. 1.Introducción
Herramientas de la Metrología en Sistemas de Calidad Seminario Aseguramiento de la Calidad de las Mediciones en los Procesos Industriales Sr. Rodrigo Ramos P. - Jefe LCPN-ME Rodrigo Miércoles Ramos 8 de
Más detallesNUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH
NUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH OSMAN K. EROL IBRAHIM EKSIN Istanbul Technical University GABRIEL LEIVA FRANCISCO ORTIZ SERGIO FERNANDEZ 1 OBJETIVO DE LA INVESTIGACIÓN Mejorar el criterio
Más detallesDiseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio
Diseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio PROYECTO FIN DE CARRERA Ingeniería de Telecomunicación Autor: Guillermo Iglesias García Director:
Más detallesTécnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados
Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados Sancho Salcedo Sanz Grupo de Heurísticos Modernos de Optimización y Diseño de Redes () Departamento
Más detallesEl tiempo estimado para realizar la prueba es de 3 horas y media
Departamento de Informática Universidad Carlos III de Madrid Open Course Ware Ingeniería Informática Computación Biológica Prueba de conocimiento El tiempo estimado para realizar la prueba es de 3 horas
Más detallesLA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN
LA MINERÍA DE DATOS APLICADA A LA BÚSQUEDA DE PATRONES DE SUPERVIVIENCIA EN LA NEOPLASIA MALIGNA DE TRÁQUEA, BRONQUIOS Y PULMÓN Miguel Ángel Negrín; Christian González; Jaime Pinilla; Francisco-José Vázquez-Polo
Más detallesCONCLUSIONES Y FUTURAS LINEAS DE INVESTIGACIÓN
CONCLUSIONES Y FUTURAS LINEAS DE INVESTIGACIÓN 9 279 Sistema de generación eléctrica con pila de combustible de óxido sólido alimentado con residuos forestales y su optimización mediante algoritmos basados
Más detallesCOMPLEMENTO B Enfoques para la Toma de Decisiones
COMPLEMENTO B Enfoques para la Toma de Decisiones ADMINISTRACIÓN DE LAS OPERACIONES PRODUCTIVAS Un Enfoque en Procesos para la Gerencia Fernando A. D Alessio Ipinza 1 Contenido 1. Introducción 2. El proceso
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesDiseño de la sectorización de la red de distribución de Canal de Isabel II
Diseño de la sectorización de la red de distribución de Canal de Isabel II Rubén Miguel Pereña Ingeniero de Caminos, Canales y Puertos; Responsable de Innovación. Subd. I + D + I. Canal de Isabel II rmiguel@cyii.es
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 detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesTema 6: Búsqueda local y algoritmos genéticos
Tema 6: Búsqueda local y algoritmos genéticos José Luis Ruiz Reina Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial I, 2012 Índice Problemas
Más detallesInteligencia Artificial
Inteligencia Artificial Conjunto de técnicas que se aplican en el diseño de programas de computador para la resolución de problemas que por su dificultad requieren el uso de un cierto grado de inteligencia.
Más detalles2. Modelado, tipos de modelos, etapas del modelado
Segunda Sesión 30 de julio de 2010 Contenido Modelado 1 Modelado 2 3 Abstracción y Modelo Inteligencia: Relación entre conocimientos previamente no conectados para generar el nuevo conocimiento neceasrio
Más detallesUnidad VI Algoritmos Genéticos
Unidad VI Algoritmos Genéticos Maestría en Sistemas Computacionales Clave: MPSCO-0108 6 Créditos Sesiones Viernes 18-21 Rafael Vázquez Pérez Agenda Cuando las leyes de la matemática se refieren a la realidad,
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 22 prb@2007 2 El núcleo de cada célula humana contiene una base de datos química. Esta base de datos contiene todas las instrucciones que la célula
Más detallesCalibración de parámetros de fugas en fallas longitudinales en tuberías de PVC
Calibración de parámetros de fugas en fallas longitudinales en tuberías de PVC Humberto Ávila*, Juan Saldarriaga** Resumen Fecha de recepción: 31 de mayo de 2004 Fecha de aceptación: 26 de noviembre de
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesTema 5: Algoritmos Genéticos
Tema 5: Algoritmos Genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial Búsqueda
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Representaciones híbridas Introducción Híbridos internos Híbridos externos
Más detallesCriterios de Evaluación MÍNIMOS
s 1º ESO / 1ºPAB CE1. Utilizar números naturales y enteros y las fracciones y decimales sencillos, sus operaciones y propiedades, para recoger, transformar e intercambiar información en actividades relacionadas
Más detallesSintonización de Controladores
Sistemas de Control Automáticos Sintonización de Controladores Acciones de control Las acciones de los controladores las podemos clasificar como: Control discontínuo Control ON OFF Control contínuo Controles
Más detallesHoras teoría-horas prácticas-horas trabajo adicional-horas totales-créditos: Edgar O. Reséndiz Flores
Nombre de la asignatura: TOPICOS DE INTELIGENCIA ARTIFICIAL Líneas de trabajo: Optimización y Simulación de Procesos Industriales Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos:
Más detallesLas redes semánticas son: a. Una extensión de la lógica de predicados b. Una extensión de los frames c. Un conjunto conexo de OAV
Las redes semánticas son: a. Una extensión de la lógica de predicados b. Una extensión de los frames c. Un conjunto conexo de OAV El algoritmo de PodaAlfaBeta busca: a. Determinar los caminos más óptimos.
Más detallesComparación de herramientas de cálculo para instalaciones de agua caliente sanitaria mediante energía solar
3. Modelo Base 3. MODELO BASE 3.1. Descripción general Para la realización del proyecto se ha realizado un caso base. Se trata del modelo de una instalación de agua caliente sanitaria con intercambiador
Más detallesMaritza Correa Valencia, PhD Informática
Inteligencia artificial aplicada a procesos industriales Caso: calidad de las piezas en un proceso de fresado Maritza Correa Valencia, PhD Informática Universidad Autónoma de Occidente Cali, Mayo 16 de
Más detallesLÓGICA Y CONJUNTOS DIFUSOS
CPÍTULO 2 LÓGIC Y CONJUNTOS DIFUSOS 2.1 Introducción La lógica difusa es una metodología que proporciona una manera simple de obtener una conclusión a partir de información de entrada vaga, ambigua, imprecisa,
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO Instituto de Ciencias Básicas e Ingeniería SISTEMAS BASADOS EN CONOCIMIENTO Ing. Henry Patricio Paz Arias Maestría en Ciencias Computacionales Sistemas Basados
Más detallesCONVERGENCIA DE LA REPETIBILIDAD DE ENSAYOS DE AISLAMIENTO A RUIDO AÉREO IN SITU
CONVERGENCIA DE LA REPETIBILIDAD DE ENSAYOS DE AISLAMIENTO A RUIDO AÉREO IN SITU PACS: 43.50.Ba Pablo Luque, Dásil Fernández, Carlos de la Colina, Francisco Simón Instituto de Acústica CSIC C. Serrano,
Más detallesINFORME APLICACIÓN 2016
INFORME APLICACIÓN 2016 pág. 1 Conformación Examen de ciencias básicas La prueba consta de 140 ítems, distribuida así: Conformación de la prueba Componente Número de Preguntas Matemáticas Física 40 Química
Más detallesControl Neuro-Difuso Aplicado a una Grúa Torre. Chahuara Quispe, José Carlos. I. INTRODUCCIÓN
I. INTRODUCCIÓN El presente trabajo de tesis consiste en la automatización del funcionamiento de una Grúa utilizando técnicas Neuro-difusas. La Grúa es como la que se muestra en la figura 1.1, y es conocida
Más detallesUniversidad Autónoma de Nuevo León
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Eficiencia de la Búsqueda Local para Instancias Diferentes del Problema de
Más detalles