Computación Evolutiva: Técnicas de Selección
|
|
- Cristián Toledo Carrasco
- hace 8 años
- Vistas:
Transcripción
1 Computación Evolutiva: Técnicas de Selección Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del IPN Cinvestav-Tamaulipas Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 1 / 60
2 Plan de la presentación 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 2 / 60
3 Outline Técnicas de selección 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 3 / 60
4 Técnicas de Selección Técnicas de selección Clasificación 1 Selección Proporcional 2 Selección Mediante Torneo 3 Selección de Estado Uniforme Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 4 / 60
5 Técnicas de selección Selección Proporcional Selección proporcional Este nombre describe a un grupo de esquemas de selección originalmente propuestos por Holland que eligen individuos de acuerdo a su contribución de aptitud con respecto al total de la población. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 5 / 60
6 Técnicas de selección Selección Proporcional Selección proporcional Técnicas: 1 La Ruleta 2 Sobrante Estocástico 3 Universal Estocástica 4 Muestreo Determinístico Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 6 / 60
7 La Ruleta Técnicas de selección Selección proporcional Técnica propuesta por DeJong (1975), fue el método más comúnmente usado en los orígenes de los AGs. El algoritmo es simple, pero ineficiente: O(n 2 ). El individuo menos apto puede ser seleccionado más de una vez. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 7 / 60
8 La Ruleta Técnicas de selección Selección proporcional Implementación de DeJong: Calcular la suma de valores esperados T Repetir N veces (N es el tamaño de la población): Generar un número aleatorio r entre 0.0 y T Ciclar a través de los individuos de la población sumando los valores esperados hasta que la suma sea mayor o igual a r El individuo que haga que esta suma exceda el ĺımite es el seleccionado Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 8 / 60
9 Sobrante Estocástico Técnicas de selección Selección proporcional Propuesta por Booker (1982) y Brindle (1981) para acercarse más a los valores esperados de cada individuo. Asignar determinísticamente las partes enteras de los valores esperados para cada individuo. Reduce los problemas de la ruleta, pero puede causar convergencia prematura. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 9 / 60
10 Sobrante Estocástico Técnicas de selección Selección proporcional Hay 2 variantes que difieren en qué hacer con las partes decimales de los valores esperados: 1 Sin Reemplazo: Usar flip con las partes decimales para elegir los padres restantes. 2 Con Reemplazo: Construir una ruleta con las partes decimales y usarla para seleccionar los padres faltantes. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 10 / 60
11 Sobrante Estocástico Técnicas de selección Selección proporcional Complejidad: La versión con reemplazo es O(n 2 ) La versión sin reemplazo es O(n) La más popular es la versión sin reemplazo, la cual parece ser superior a la ruleta (Booker, 1982). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 11 / 60
12 Universal Estocástica Técnicas de selección Selección proporcional Propuesta por Baker (1987). Objetivo: minimizar la mala distribución de los individuos en la población en función de sus valores esperados. El algoritmo es: O(n) Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 12 / 60
13 Universal Estocástica Técnicas de selección Selección proporcional Algoritmo: ptr=rand( ); { Regresa un aleatorio en el rango [0,1] } for sum = 0, i = 1; i n; i + + do for sum+ = Valesp(i, t); sum > ptr; ptr + + do Seleccionar (i); end for end for Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 13 / 60
14 Universal Estocástica Técnicas de selección Selección proporcional Problemas: Puede ocasionar convergencia prematura. Hace que los individuos más aptos se multipliquen muy rápidamente. No resuelve el problema más serio de la selección proporcional. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 14 / 60
15 Técnicas de selección Muestreo Determinístico Selección proporcional Algoritmo: Calcular P select = f i / f Calcular Valesp i = p select n Asignar determinísticamente la parte entera de Valesp i Ordenar la población de acuerdo a las partes decimales (de mayor a menor) Obtener los padres faltantes de la parte superior de la lista. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 15 / 60
16 Técnicas de selección Muestreo Determinístico Selección proporcional El algoritmo es O(n) para la asignación determinística y es O(nlogn) para la ordenación. Padece de los mismos problemas que el sobrante estocástico. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 16 / 60
17 Técnicas de selección Selección Proporcional Selección proporcional Aditamentos: 1 Escalamiento Sigma 2 Jerarquías 3 Selección de Boltzmann Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 17 / 60
18 Escalamiento Sigma Técnicas de selección Selección proporcional Es una técnica ideada para mapear la aptitud original de un individuo con su valor esperado, de manera que el AG sea menos susceptible a la convergencia prematura. La idea es mantener más o menos constante la presión de selección a lo largo del proceso evolutivo. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 18 / 60
19 Escalamiento Sigma Técnicas de selección Selección proporcional Usando esta técnica, el valor esperado de un individuo está en función de su aptitud, la media de la población y la desviación estándar de la población: Valesp(i, t) = { 1 + f (i) f (t) 2σ(t) si σ(t) si σ(t) = 0 Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 19 / 60
20 Escalamiento Sigma Técnicas de selección Selección proporcional Al inicio de una corrida, el valor alto de la desviación estándar impedirá que los mejores individuos obtengan los segmentos más grandes de la ruleta. Hacia el final, la desviación estándar será más baja y los individuos más aptos podrán multiplicarse más fácilmente. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 20 / 60
21 Técnicas de selección Selección por Jerarquías Selección proporcional Propuesta por Baker (1985) para evitar la convergencia prematura. No requiere escalamiento de las aptitudes. Alenta sobremanera la convergencia del AG. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 21 / 60
22 Técnicas de selección Selección por Jerarquías Selección proporcional Algoritmo: 1: Ordenar (o jerarquizar) la población con base en su aptitud, de 1 a N (donde 1 representa al menos apto). 2: Elegir Max(1 Max 2) 3: Calcular Min = 2 Max Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 22 / 60
23 Técnicas de selección Selección por Jerarquías Selección proporcional Algoritmo: El valor esperado de cada individuo será: Valesp(i, t) = Min + (Max Min) jerarquia(i,t) 1 N 1 Usar selección proporcional aplicando los valores esperados obtenidos. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 23 / 60
24 Técnicas de selección Selección por Jerarquías Selección proporcional Útil cuando la función tiene ruido (por ejemplo, cuando hay una variable aleatoria). Existen otros métodos de asignación de jerarquías además del lineal (p.ej. exponencial). Su complejidad es O(nlogn)+ tiempo de selección. Diluye la presión de selección, por lo que causa convergencia lenta. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 24 / 60
25 Técnicas de selección Selección de Boltzmann Selección proporcional Basada en el recocido simulado: usar una función de variación de temperatura que controle la presión de selección. Se usa un valor alto de temperatura al principio, lo cual hace que la presión de selección sea baja. Con el paso de las generaciones, la temperatura disminuye, lo que aumenta la presión de selección. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 25 / 60
26 Técnicas de selección Selección de Boltzmann Selección proporcional Típicamente, se usa la siguiente expresión para calcular el valor esperado de un individuo: e f (i)/t Valesp(i, t) = < e f (i)/t > t donde: T es la temperatura y <> t denota el promedio de la población en la generación t. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 26 / 60
27 Técnicas de selección Selección de Boltzmann Selección proporcional Se ha utilizado más para optimización multimodal y multiobjetivo (formación de nichos). Existen pruebas de convergencia de la técnica hacia el óptimo global. Tiene el inconveniente de requerir la definición de la función de variación de temperatura. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 27 / 60
28 Técnicas de selección Selección proporcional Métodos de Selección Proporcional Los métodos de selección proporcional requieren de 2 pasos por generación del AG: 1) Calcular la aptitud media (y, la desviación estándar si se usa escalamiento sigma). 2) Calcular el valor esperado de cada individuo. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 28 / 60
29 Técnicas de selección Selección proporcional Métodos de Selección Proporcional El uso de jerarquías requiere que se ordene toda la población (una operación cuyo costo puede volverse significativo en poblaciones grandes). La selección mediante torneo es similar al uso de jerarquías en términos de la presión de selección, pero es computacionalmente más eficiente y más fácil de paralelizarse. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 29 / 60
30 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Propuesta por Wetzel y estudiada en la tesis doctoral de Brindle (1981). La idea básica del método es seleccionar con base en comparaciones directas de los individuos. Hay 2 versiones: 1 Determinística 2 Probabiĺıstica Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 30 / 60
31 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Algoritmo (versión determinística): Barajar los individuos de la población Escoger un número P de individuos (típicamente 2) Compararlos con base en su aptitud El ganador del torneo es el individuo más apto Se debe barajar la población un total de P veces para seleccionar N padres. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 31 / 60
32 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Algoritmo (versión probabiĺıstica): La versión probabiĺıstica es idéntica excepto por el paso en el que se escoge al ganador. En vez de seleccionar siempre al individuo con aptitud más alta, se aplica flip(p) y si el resultado es cierto, se selecciona al más apto. De lo contrario, se selecciona al menos apto. La probabilidad p permanece fija durante todo el proceso evolutivo y se escoge de manera que: 0.5 p 1 Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 32 / 60
33 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Análisis: La versión determinística garantiza que el mejor individuo será seleccionado P veces. Cada competencia requiere la selección aleatoria de un número constante de individuos de la población. La comparación entre estos individuos puede realizarse en tiempo constante. Se requieren n competencias de este tipo para completar una generación. Por tanto, el algoritmo es O(n). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 33 / 60
34 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Análisis: Técnica eficiente y fácil de implementar. No requiere escalamiento de la función de aptitud (usa comparaciones directas). Puede introducir una presión de selección muy alta porque a los individuos menos aptos no se les da oportunidad de sobrevivir. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 34 / 60
35 Técnicas de selección Selección mediante Torneo Selección mediante Torneo Si se usa t torneo = 1, se produce una caminata aleatoria con una presión de selección muy baja. Si se usa t torneo =, la selección se vuelve completamente determinística. Si se usa t torneo 10, la selección se considera dura. Si se usa 2 t torneo 5, la selección se considera blanda. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 35 / 60
36 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Propuesta por Whitley (1989). Se usa en AGs no generacionales, en los cuales sólo unos cuantos individuos son reemplazados en cada generación (los menos aptos). Esta técnica suele usarse cuando se evolucionan sistemas basados en reglas (p.ej., sistemas de clasificadores) en los que el aprendizaje es incremental. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 36 / 60
37 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Esta técnica es útil cuando los miembros de la población resuelven colectivamente (y no de manera individual) un problema. Asimismo, los AGs no generacionales se usan cuando es importante recordar lo que se ha aprendido antes. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 37 / 60
38 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Algoritmo: Seleccionar de G (población original) R individuos (1 R M) de entre los más aptos. Normalmente, R = 1, o R = 2. Efectuar cruza y mutación a los R individuos seleccionados. Llamaremos H a sus hijos. Elegir al mejor individuo en H (o a los S mejores). Reemplazar los S peores individuos de G por los S mejores individuos de H. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 38 / 60
39 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Análisis: Técnica especializada de selección. Su complejidad (en la variante incluida en GENITOR) es O(n log n) Los AGs no generacionales no son muy comunes en aplicaciones de optimización, aunque sí pueden utilizarse. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 39 / 60
40 Selección más (+) Técnicas de selección Selección más Es también posible en un algoritmo genético usar una selección más (+) como en las estrategias evolutivas. Esta selección consiste en unir la población de padres con la de hijos y seleccionar la mejor mitad de ellos. Este tipo de selección resulta particularmente útil para resolver problemas de optimización global. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 40 / 60
41 Outline Brecha generacional 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 41 / 60
42 Brecha Generacional Brecha generacional Brecha generacional Muy ligada a la selección de estado uniforme se encuentra el concepto de brecha generacional (generation gap). Es importante reconocer en primer término que las poblaciones pueden ser no traslapables (nonoverlapping) o traslapables (overlapping). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 42 / 60
43 Brecha Generacional Brecha generacional Brecha generacional end Una población no traslapable es aquella en la que los padres nunca compiten contra sus hijos. Es decir, toda la población de padres es siempre reemplazada por la población de hijos. En una población traslapable, los padres compiten contra sus hijos. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 43 / 60
44 Brecha Generacional Brecha generacional Brecha generacional Se denomina brecha generacional a la cantidad de traslape existente entre padres e hijos. Una brecha generacional grande implica poco (o ningún) traslape poblacional. Históricamente, la programación evolutiva y las estrategias evolutivas han usado poblaciones traslapables, mientras que los AGs han usado poblaciones no traslapables. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 44 / 60
45 Brecha Generacional Brecha generacional Brecha generacional De Jong (1975) parece haber sido el primero en estudiar AGs con poblaciones traslapables. De Jong sugirió que las ventajas de las poblaciones traslapables se diluían debido a los efectos negativos del desvío genético. Más tarde, Grefenstette (1986) confirmaría que una brecha generacional mayor parecía mejorar el desempeño del AG. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 45 / 60
46 Brecha Generacional Brecha generacional Brecha generacional Los primeros experimentos con los sistemas de clasificadores, confirmarían, sin embargo, un comportamiento exactamente opuesto (Holland & Reitman, 1978). En los sistemas de clasificadores, el desempeño del AG parecía degradarse conforme se aumentaba la brecha generacional. Algunos investigadores atribuyen los resultados de De Jong y Grefenstette al uso de poblaciones pequeñas. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 46 / 60
47 Brecha Generacional Brecha generacional Brecha generacional Los AGs tradicionales siguen usando, sin embargo, poblaciones no traslapables. Los algoritmos evolutivos de estado uniforme son aquellos en los que la población es traslapable. Normalmente, sólo uno o dos hijos se producen en cada iteración de un AE de estado uniforme. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 47 / 60
48 Brecha generacional Otras Técnicas de Selección Otras Técnicas de Selección Otras Técnicas de Selección: Disruptiva Jerarquías no lineales Competitiva Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 48 / 60
49 Selección Disruptiva Brecha generacional Otras Técnicas de Selección Sugerida por Kuo y Wuang (1993) para normalizar aptitudes con respecto a un cierto valor moderado (en vez de usar valores extremos). Suele usarse: f i (x) = f i(x) f (t) Valesp i = f i (x) f (t), donde (f (t)) se refiere a la aptitud media de la población. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 49 / 60
50 Selección Disruptiva Brecha generacional Otras Técnicas de Selección Motivación: distribuir más los esfuerzos de la búsqueda hacia las soluciones extremadamente buenas y extremadamente malas. Los individuos cercanos a la media son desechados. La utilidad de este método es altamente dependiente en la aplicación. Suele usarse con funciones de aptitud dinámicas. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 50 / 60
51 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Propuesta por Michalewicz (1996). Se usa: prob i = q(1 q) jerarquia i 1 donde: prob i es la probabilidad de que el individuo i sea seleccionado. q [0,... 1] es el factor de presión de selección, jerarquia i es la jerarquía del individuo i. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 51 / 60
52 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Al igual que con las jerarquías lineales, se asigna la jerarquía más baja al peor individuo y la más alta al mejor. Una vez que se conoce la probabilidad de que un individuo sea seleccionado, podemos calcular su valor esperado multiplicando dicho valor por n (tamaño de la población). Posteriormente, podemos aplicar cualquier técnica de selección proporcional. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 52 / 60
53 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Thomas Bäck advirtió que las probabilidades obtenidas con este método no suman uno. También notó que la técnica puede hacerse prácticamente idéntica al torneo, dependiendo del valor de q que se use. Valores grandes de q implican una mayor presión de selección. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 53 / 60
54 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Michalewicz (1996) advierte que la suma de probabilidades puede hacerse igual a 1 si usamos: prob i = c q(1 q) jerarquia i 1 donde: 1 c = y M es el tamaño de la población. 1 (1 q) M Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 54 / 60
55 Selección Competitiva Brecha generacional Otras Técnicas de Selección La aptitud de un individuo se determina mediante sus interacciones con otros miembros de la población, o con otros miembros de una población separada que evoluciona concurrentemente. Usada por Hillis (1992), Angeline & Pollack (1993) y Sebald & Schlenzig (1994). Puede verse como un esquema co-evolutivo: las aptitudes de dos individuos dependen mutuamente entre sí. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 55 / 60
56 Outline Clasificaciones de técnicas de Selección 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 56 / 60
57 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección Bäck y Hoffmeister (1991) distinguen entre: 1 Métodos Estáticos: Requieren que las probabilidades de selección permanezcan constantes entre generaciones. Ejemplo: jerarquías lineales. 2 Métodos Dinámicos: No se requiere que las probabilidades de selección permanezcan constantes. Ejemplo: selección proporcional Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 57 / 60
58 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección Otros investigadores distinguen entre: 1 Selección Preservativa: Requiere una probabilidad de selección distinta de cero para cada individuo. 2 Selección Extintiva: Puede asignar una probabilidad de selección de cero a algún individuo. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 58 / 60
59 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección A su vez, las técnicas extintivas se dividen en: 1 Selección Izquierda: Se impide a los mejores individuos reproducirse a fin de evitar convergencia prematura. 2 Selección Derecha: No se tiene control expĺıcito sobre la capacidad reproductiva de los individuos más aptos. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 59 / 60
60 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección Adicionalmente, algunas técnicas de selección son puras en el sentido de que a los padres se les permite reproducirse solamente en una generación (es decir, el tiempo de vida de cada individuo está limitado a sólo una generación, independientemente de su aptitud). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 60 / 60
Introducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
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 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 detallesAlgoritmos Genéticos Y
Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores
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 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 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 detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesCapítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
Más detallesUnidad I. 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal)
Unidad I Sistemas numéricos 1.1 Sistemas numéricos (Binario, Octal, Decimal, Hexadecimal) Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS.
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 detallesMedias Móviles: Señales para invertir en la Bolsa
www.gacetafinanciera.com Medias Móviles: Señales para invertir en la Bolsa Juan P López..www.futuros.com Las medias móviles continúan siendo una herramienta básica en lo que se refiere a determinar tendencias
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
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 detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesAlgoritmos Genéticos.
Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011
Más detallesCiclo de vida y Metodologías para el desarrollo de SW Definición de la metodología
Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología La metodología para el desarrollo de software es un modo sistemático de realizar, gestionar y administrar un proyecto
Más detallesRa Un juego de Reiner Knizia Traducción de Manuel Suffo
Ra Un juego de Reiner Knizia Traducción de Manuel Suffo Un juego de desafío de Hombres Dioses y sus Monumentos El juego simula 1500 años de historia egipcia. Tienes que expandir tu poder y fama. Hay muchas
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 detalles❷ Aritmética Binaria Entera
❷ Una de las principales aplicaciones de la electrónica digital es el diseño de dispositivos capaces de efectuar cálculos aritméticos, ya sea como principal objetivo (calculadoras, computadoras, máquinas
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesRIESGO Y PROBABILIDAD
RIESGO Y PROBABILIDAD Debido a la naturaleza del proyecto, se pueden presentar riesgos, por ejemplo actividades complejas que no se han realizado antes, nuevas tecnologías, actividades de investigación,
Más detallesLA MEDIDA Y SUS ERRORES
LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger
Más detallesAlgoritmos Genéticos
Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados
Más detallesAlgoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos
Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados
Más detalles1.2 SISTEMAS DE PRODUCCIÓN
19 1.2 SISTEMAS DE PRODUCCIÓN Para operar en forma efectiva, una empresa manufacturera debe tener sistemas que le permitan lograr eficientemente el tipo de producción que realiza. Los sistemas de producción
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesCierre sus cuentas con seguridad
Vida útil Es el lapso de tiempo durante el cual se espera obtener rendimiento del elemento de inmovilizado en cuestión. Inicio de la amortización La amortización debe iniciarse a partir del momento en
Más detallesLa selección del mercado meta es esencialmente idéntica, sin importar si una firma vende un bien o servicio.
4. SELECCIÓN Y EVALUACIÓN DE MERCADO META SELECCIÓN DE MERCADO META Un mercado meta se refiere a un grupo de personas u organizaciones a las cuales una organización dirige su programa de marketing. Es
Más detallesPRÁCTICA N 2 SISTEMAS DE NUMERACIÓN
PRÁCTICA N 2 SISTEMAS DE NUMERACIÓN Ejercicio 1. Diseñar una planilla EXCEL que tome como dato de entrada un número entero y devuelva la representación en base 2. Testearla con los números 23, 245, 673,
Más detallesTEMA 7: Análisis de la Capacidad del Proceso
TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad
Más detallesDISCOS RAID. Se considera que todos los discos físicos tienen la misma capacidad, y de no ser así, en el que sea mayor se desperdicia la diferencia.
DISCOS RAID Raid: redundant array of independent disks, quiere decir conjunto redundante de discos independientes. Es un sistema de almacenamiento de datos que utiliza varias unidades físicas para guardar
Más detallesBASES Y DIMENSIÓN. Propiedades de las bases. Ejemplos de bases.
BASES Y DIMENSIÓN Definición: Base. Se llama base de un espacio (o subespacio) vectorial a un sistema generador de dicho espacio o subespacio, que sea a la vez linealmente independiente. β Propiedades
Más detallesCadena de Valor y Estrategias Genéricas 1. Prof. Marcelo Barrios
Cadena de Valor y Estrategias Genéricas 1 1 Nota Técnica Preparada por el del Área de Política de Empresa de EDDE.. Primera versión: Noviembre 2001. Noviembre de 2003. 1 Cadena de Valor y Estrategias Genéricas
Más detallesMatemática de redes Representación binaria de datos Bits y bytes
Matemática de redes Representación binaria de datos Los computadores manipulan y almacenan los datos usando interruptores electrónicos que están ENCENDIDOS o APAGADOS. Los computadores sólo pueden entender
Más detalles2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com.
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 404 Diseño de segmento Generalidades Diseño para criticidad de lazo
Más detallesTema 7 COSTO ESTÁNDAR
Tema 7 COSTO ESTÁNDAR Campus Santa Fé Miguel Ángel Gutiérrez Banegas 1 Introducción En el proceso de generación de información en los negocios, la predeterminación de costos soluciona la dificultad que
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesFórmulas y enfoques utilizados para calcular el Tasa Efectiva de Interés (TEI) o Costo Anual Total (CAT)
Fórmulas y enfoques utilizados para calcular el Tasa Efectiva de Interés (TEI) o Costo Anual Total (CAT) El propósito del Costo Anual Total (CAT) El precio verdadero del préstamo no solamente incluye los
Más detallesGANTT, PERT y CPM. Figura 5.3: Carta GANTT 3.
GANTT, PERT y CPM Características Conseguir una buena programación es un reto, no obstante es razonable y alcanzable. Ella debe tener el compromiso del equipo al completo, para lo cual se recomienda que
Más detallesUNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS
UNIDAD MÉTODOS DE MONTECARLO II 2.1 Definición Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias
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 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 detallesANEXO 2: REPRESENTACION DE LA INFORMACION EN LOS COMPUTADORES
ANEXO 2: REPRESENTACION DE LA INFORMACION EN LOS COMPUTADORES SISTEMA DE NUMERACIÓN BASE 2 El sistema de numeración binario es el conjunto de elementos {0, 1} con las operaciones aritméticas (suma, resta,
Más detallesIN4703 Gestión de Operaciones I Auxiliar 6: Inventarios
Profesores: Andrés Weintraub, Fabián Medel, Rodrigo Wolf Auxiliares: Juan Neme, Matías Siebert, Paulina Briceño, Rodrigo Arriagada IN4703 Gestión de Operaciones I Auxiliar 6: Inventarios Modelos: 1.- Demanda
Más detallesRegulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID
A Página 1 de 10 A Regulador PID INDICE 1. Regulador PID 3 2. Componente proporcional : P 4 3. Componente integral : I 4 4. Componente derivativa : D 4 5. Control PID 4 6. Configuración de parámetros del
Más detallesSISTEMAS NUMERICOS. Ing. Rudy Alberto Bravo
SISTEMAS NUMERICOS SISTEMAS NUMERICOS Si bien el sistema de numeración binario es el más importante de los sistemas digitales, hay otros que también lo son. El sistema decimal es importante porque se usa
Más detallesSistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Aritmética binaria
Oliverio J. Santana Jaria 3. Aritmética tica binaria Sistemas Digitales Ingeniería Técnica en Informática de Sistemas Curso 2006 2007 Para Los La en conocer muchos aritmética comprender otros binaria tipos
Más detallesEscogiendo un sistema host
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 402 Escogiendo un sistema host Generalidades Experiencia del proveedor
Más detallesUnidad 8. Estado de Perdidas y Ganancias o Estados de Resultados
Unidad 8 Estado de Perdidas y Ganancias o Estados de Resultados Al termino de cada ejercicio fiscal, a todo comerciante no solo le interesa conocer la situación financiera de su negocio, sino también el
Más detallesEjemplos de conversión de reales a enteros
Ejemplos de conversión de reales a enteros Con el siguiente programa se pueden apreciar las diferencias entre las cuatro funciones para convertir de reales a enteros: program convertir_real_a_entero print
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 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 detallesExplicación de la tarea 3 Felipe Guerra
Explicación de la tarea 3 Felipe Guerra 1. Una ruleta legal tiene los números del 1 al 15. Este problema corresponde a una variable aleatoria discreta. La lectura de la semana menciona lo siguiente: La
Más detallesTEMA 5. MUESTREO PARA LA ACEPTACIÓN.
TEMA 5. MUESTREO PARA LA ACEPTACIÓN. Introducción. Planes de muestreo por atributos simple, doble, múltiple y rectificativos Dodge-Romig, Norma militar 1000STD-105D. Pautas a seguir para el cambio de rigor
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 detallesEL FONDO DE MANIOBRA Y LAS NECESIDADES OPERATIVAS DE FONDOS
2 EL FONDO DE MANIOBRA Y LAS NECESIDADES OPERATIVAS DE FONDOS Las inversiones de una empresa están reflejadas en su activo. Una forma de clasificación de las diferentes inversiones es en función del plazo
Más detallesPROSAP-UTF/ARG/017/ARG Desarrollo Institucional para la Inversión
PROSAP-UTF/ARG/017/ARG Desarrollo Institucional para la Inversión ESTUDIO DE AMPLIACIÓN DEL POTENCIAL DE IRRIGACIÓN EN ARGENTINA Metodología de Simulación Montecarlo Julio 2014 Anexo: Metodología de Simulación
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 detallesSimulación Monte Carlo
Simulación Monte Carlo Modelado estocástico Cuando se realiza un análisis estático a un proyecto, una serie de supuestos y variables producen un resultado de valor único. Mientras que un análisis estocástico
Más detallesCentro de Capacitación en Informática
Fórmulas y Funciones Las fórmulas constituyen el núcleo de cualquier hoja de cálculo, y por tanto de Excel. Mediante fórmulas, se llevan a cabo todos los cálculos que se necesitan en una hoja de cálculo.
Más detallesUnidad 5 Utilización de Excel para la solución de problemas de programación lineal
Unidad 5 Utilización de Excel para la solución de problemas de programación lineal La solución del modelo de programación lineal (pl) es una adaptación de los métodos matriciales ya que el modelo tiene
Más detallesRetiro de activos y el stock de capital bruto
From: Medición del capital - Manual OCDE 2009 Segunda edición Access the complete publication at: http://dx.doi.org/10.1787/9789264043695-es Retiro de activos y el stock de capital bruto Please cite this
Más detallesUniversidad TecMilenio: Profesional IO04002 Investigación de Operaciones II
IO04002 Investigación de Operaciones II Tema #4 Generación de números pseudo aleatorios y Objetivo de aprendizaje del tema Al finalizar la sesión serás capaz de: Calcular números pseudo aleatorios. Determinar
Más detallesIntroducción a la Programación 11 O. Humberto Cervantes Maceda
Introducción a la Programación 11 O Humberto Cervantes Maceda Recordando En la sesión anterior vimos que la información almacenada en la memoria, y por lo tanto aquella que procesa la unidad central de
Más detallesPlaneación de la Recolección de Datos. Planeacion de Recoleccion de Datos
Planeación de la Recolección de Datos Qué Son los datos? Recolección de Datos Contenido Por Qué Es Importante la Recolección de Datos? Estrategias de Muestreo Estrategias para la Definición de Datos Base
Más detallesCOMPARACIÓN DE ÁREAS DE FIGURAS POR ESTUDIANTES DE PRIMERO DE MAGISTERIO
COMPARACIÓN DE ÁREAS DE FIGURAS POR ESTUDIANTES DE PRIMERO DE MAGISTERIO Sonia Aguilera Piqueras y Pablo Flores Martínez Departamento de Didáctica de la Matemática Universidad de Granada 1. Introducción
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
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 detallesComputación I Representación Interna Curso 2011
Computación I Representación Interna Curso 2011 Facultad de Ingeniería Universidad de la República Temario Representación de Números Enteros Representación de Punto Fijo Enteros sin signo Binarios puros
Más detallesH E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS
H E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS Una situación que se nos plantea algunas veces es la de resolver un problema hacia atrás, esto es, encontrar
Más detallesCAPÍTULO 4: ALGORITMOS DE APRENDIZAJE
Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:
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 detallesASIGNACIÓN GRATUITA DE DERECHOS E INGRESOS DE LOS GENERADORES POR QUÉ RECIBEN LOS GENERADORES DERECHOS DE EMISIÓN GRATUITOS?
ASIGNACIÓN GRATUITA DE DERECHOS E INGRESOS DE LOS GENERADORES POR QUÉ RECIBEN LOS GENERADORES DERECHOS DE EMISIÓN GRATUITOS? La legislación europea (Directiva 2003/87/CE sobre Comercio de Derechos de Emisión)
Más detalles5.4 Una flecha será ensamblada en un cojinete como se muestra a continuación.
PROBLEMAS 5.1. El famoso juego 7-11, requiere que el jugador lance dos dados una v. más veces hasta tomar la decisión de que se gana o se pierde el juego. El juego se gana si en el primer lanzamiento los
Más detallesCapítulo IV. INTERBLOQUEO E INANICIÓN
Capítulo IV. INTERBLOQUEO E INANICIÓN Interbloqueo: [MAEKAMA] Se define como el bloqueo permanente de un conjunto de procesos que compiten por los recursos del sistema o bien se comunican unos con otros.
Más detallesTEMA 2: Representación de la Información en las computadoras
TEMA 2: Representación de la Información en las computadoras Introducción Una computadora es una máquina que procesa información y ejecuta programas. Para que la computadora ejecute un programa, es necesario
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 detallesFECUNDIDAD. Número de nacimientos 730.000 ----------------------------- x K = ---------------- x 1.000 = 33,5 Población total 21 792.
FECUNDIDAD Se entiende por fecundidad la capacidad reproductiva de una población. Es diferente del término fertilidad que se refiere a la capacidad física de las parejas para reproducirse. Fecundidad o
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesMETODOLOGÍA PARA ELABORAR UN CALENDARIO DEPORTIVO BAJO EL SISTEMA ROUND ROBIN
Nº1 Marzo 2010 METODOLOGÍA PARA ELABORAR UN CALENDARIO DEPORTIVO BAJO EL SISTEMA ROUND ROBIN Dr. Juan Manuel Izar Landeta jmizar@uaslp.mx M. C. Vicente Hernández García vicentehg@gmail.com Facultad de
Más detallesMODELOS DE INVENTARIO
MODELOS DE INVENTARIO Los modelos de inventarios son métodos que ayudan a reducir o minimizar los niveles de inventario requeridos en la producción. Existen varios métodos que nos ayudan a conseguir dicho
Más detallesSistemas de numeración
Sistemas de numeración Un sistema de numeración es un conjunto de símbolos y reglas que permiten representar datos numéricos. Los sistemas de numeración actuales son sistemas posicionales, que se caracterizan
Más detallesLos sistemas de numeración se clasifican en: posicionales y no posicionales.
SISTEMAS NUMERICOS Un sistema numérico es un conjunto de números que se relacionan para expresar la relación existente entre la cantidad y la unidad. Debido a que un número es un símbolo, podemos encontrar
Más detallesPROGRAMACIÓN LINEAL Teoría General de Programación Lineal y Fase de Formulación y Construcción de Modelos.
PROGRAMACIÓN LINEAL Objetivo: Proponer en forma cuantitativa acciones o decisiones a tomar para optimizar sistemas donde existan recursos escasos y se presenten relaciones lineales, mediante la teoría
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detalles1.1 EL ESTUDIO TÉCNICO
1.1 EL ESTUDIO TÉCNICO 1.1.1 Definición Un estudio técnico permite proponer y analizar las diferentes opciones tecnológicas para producir los bienes o servicios que se requieren, lo que además admite verificar
Más detallesDEPRECIACIÓN DE PROPIEDADES, PLANTA Y EQUIPOS
DEPRECIACIÓN DE PROPIEDADES, PLANTA Y EQUIPOS Por Dr. Juan José Pérez G. Departamento de Estudios Regionales y Urbanos, Instituto de Investigaciones de la Facultad de Ciencias Económicas y Sociales (LUZ)
Más detallesDe forma general, los problemas de optimización lineal tienen la siguiente estructura:
En los siglos XVII y XVIII matemáticos como Newton, Leibniz, Bernouilli y sobre todo Lagrange, que tanto habían contribuido al desarrollo del cálculo infinitesimal, se ocuparon de obtener máimos y mínimos
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesAnálisis de propuestas de evaluación en las aulas de América Latina
Esta propuesta tiene como objetivo la operatoria con fracciones. Se espera del alumno la aplicación de un algoritmo para resolver las operaciones. Estas actividades comúnmente presentan numerosos ejercicios
Más detallesFundación Universitaria San. Direccionamiento IP
Fundación Universitaria San S Mateo - Interconectividad II Direccionamiento IP Qué son las direcciones IP? Una dirección IP es un número que identifica de manera lógica y jerárquica a una interfaz de un
Más detalles1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1
5.1.3 Multiplicación de números enteros. El algoritmo de la multiplicación tal y como se realizaría manualmente con operandos positivos de cuatro bits es el siguiente: 1 1 0 1 x 1 0 1 1 1 1 0 1 + 1 1 0
Más detallesSiguiendo la tendencia sobre las Acciones del Ibex35
WWW.CLASESDEBOLSA.COM Siguiendo la tendencia sobre las Acciones del Ibex35 Funcionan los sistemas seguidores de tendencia en las acciones? Estudio realizado por David Urraca con la ayuda de Jorge Ufano
Más detallesPROGRAMACIÓN LINEAL. 8.1. Introducción. 8.2. Inecuaciones lineales con 2 variables
Capítulo 8 PROGRAMACIÓN LINEAL 8.1. Introducción La programación lineal es una técnica matemática relativamente reciente (siglo XX), que consiste en una serie de métodos y procedimientos que permiten resolver
Más detallesUCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)
PAEG Junio 0 Propuesta A Matemáticas aplicadas a las CCSS II º Bachillerato UCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG) Matemáticas aplicadas a las Ciencias Sociales
Más detallesTema 4. La producción
Tema 4 La producción Epígrafes La tecnología de la producción La producción con un factor variable (trabajo) Las isocuantas La producción con dos factores variables Los rendimientos a escala Cap. 6 P-R
Más detalles