Algoritmos Bioinspirados.
|
|
- Alfredo Ponce Jiménez
- hace 8 años
- Vistas:
Transcripción
1 Algoritmos Bioinspirados. Departamento de Matemáticas, Estadística y Computación Universidad de Cantabria 13 de abril de 2011 This work is licensed under the Creative Commons Attribution-NonCommercial-ShareAlike 3.0 License. C.E. Borges, J.L. Montaña Universidad de Cantabria 1/87
2 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 2/87
3 Problemas de optimización. Descripción. Dado un problema, se trata de encontrar la mejor solución que cumpla ciertas restricciones. Problema. (Optimización) mín f (x) sujeto a g(x) = 0 h(x) 0 En las siguientes trasnparencias presentamos diversos métodos para tratar de resolver este tipo de problemas. C.E. Borges, J.L. Montaña Universidad de Cantabria 3/87
4 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 4/87
5 Métodos Anaĺıticos[Varios, b]. Descripción. La principal característica de este método es que lidia con problemas cuya descripción se realiza mediante Funciones Anaĺıticas. Para resolver este tipo de problemas es necesario recurrir a las potentes herramientas del Análisis Matemático. C.E. Borges, J.L. Montaña Universidad de Cantabria 5/87
6 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 6/87
7 Método de los Multiplicadores de Lagrange[Varios, f]. Descripción. Transforma el resolver un problema de optimización en hallar las soluciones de un sistema de ecuaciones. Problema. (Optimización) mín f (x) sujeto a g(x) = 0 = Problema. (Algebraico) encontrar x tal que F (x) = 0 C.E. Borges, J.L. Montaña Universidad de Cantabria 7/87
8 Me todo de los Multiplicadores de Lagrange. Problemas a los que se aplica. En general, aparece en muchos procesos de Ingenierı a. Entre ellos cabe destacar aquellos relacionados con la ingenierı a de materiales y el ca lculo de estructuras. C.E. Borges, J.L. Montan a Universidad de Cantabria 8/87
9 Ventajas y Desventajas. Sólo es se puede usar cuando las restricciones que deben cumplir las soluciones son del tipo cumplir una ecuación. Es necesario conocer la expresión algebraica tanto de la función a optimizar como la ecuación que deben cumplir las soluciones. Además, ambas deben cumplir ciertas condiciones matemáticas bastante estrictas. Se obtiene máximos y mínimos, globales y locales. Desgraciadamente, NO se puede resolver sistemas de ecuaciones (no lineales) de forma eficiente. C.E. Borges, J.L. Montaña Universidad de Cantabria 9/87
10 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 10/87
11 Método del Descenso de Gradiente[Varios, e]. Descripción. Transforma un problema de optimización en un proceso iterativo en el que, a partir de una aproximación inicial, se calcula en qué dirección se encuentra una solución mejor y la longitud a la que se encuentra. Iteración tras iteración, la solución inicial se aproxima hacia el óptimo. C.E. Borges, J.L. Montaña Universidad de Cantabria 11/87
12 Me todo del Descenso de Gradiente Problemas a los que se aplica. En general se usa en los mismos casos en los que se usa el Me todo de los Multiplicadores de Langrange. Adema s, tambie n es u til en los siguientes problemas: Ca lculo de Equilibrios de Nash. Resolucio n de problemas de Control O ptimo. C.E. Borges, J.L. Montan a Universidad de Cantabria 12/87
13 Método del Descenso de Gradiente Ventajas y Desventajas. Sólo es se puede usar cuando las restricciones que deben cumplir las soluciones son del tipo cumplir una ecuación. Es necesario conocer la expresión algebraica tanto de la función a optimizar como la ecuación que deben cumplir las soluciones. Además, ambas deben cumplir ciertas condiciones matemáticas. Dado un buen candidato inicial se garantiza la convergencia a un mínimo local. Desgraciadamente NO sabemos como encontrar buenos candidatos iniciales. El número de iteraciones puede ser muy alto. C.E. Borges, J.L. Montaña Universidad de Cantabria 13/87
14 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 14/87
15 Programación Lineal[Varios, g]. Descripción. Transforma un problema de optimización en un proceso iterativo en el que a partir de una solución factible inicial se van generando otras posibles soluciones hasta encontrar el óptimo. Problema. (Programación Lineal) mín sujeto a c x Ax b C.E. Borges, J.L. Montaña Universidad de Cantabria 15/87
16 Programación Lineal Problemas a los que se aplica. Optimizar mezclas químicas. Gestión de inventarios y carteras financieras. Asignación de recursos humanos y maquinaria. Flujos en redes de telecomunicaciones y transporte de mercancías. C.E. Borges, J.L. Montaña Universidad de Cantabria 16/87
17 Programación Lineal Ventajas y Desventajas. Funciona rápido incluso con problemas muy grandes. Tanto la condición de ser solución como la función a optimizar son muy restrictivas pues ambas tienen que ser lineales. C.E. Borges, J.L. Montaña Universidad de Cantabria 17/87
18 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 18/87
19 Métodos Combinatorios[Varios, b]. Descripción. La principal característica de este método es que lidia con problemas cuyo espacio de soluciones es finito. La diversidad de problemas y posibles soluciones es tan amplia que es imposible dar una idea general. C.E. Borges, J.L. Montaña Universidad de Cantabria 19/87
20 Métodos Combinatorios. Problemas a los que se aplica. Problema de la Mochila. Árbol mínimo. Flujo máximo. Problema de emparejamientos. C.E. Borges, J.L. Montaña Universidad de Cantabria 20/87
21 Métodos Combinatorios. Ventajas y Desventajas. Hay multitud de estrategias para cada problema. Generalmente son problemas muy difíciles pues el número de candidatos a solución, aunque finito, es inmenso. La estrategia más simple es la fuerza bruta. Esto es, probar con todos los candidatos. Existen mejoras a esta aproximación como son las estrategias voraces, ramificaciones y podas y similares. Otra estrategia simple es la búsqueda aleatoria. Esto es, probar con candidatos seleccionados al azar. Muchos métodos son simplemente mejoras sobre la búsqueda aleatoria aunque pueden llegar a ser muy sofisticadas y obtener unos resultados mucho mejores. Entre ellos se encuentran todos los Métodos Bioinspirados. C.E. Borges, J.L. Montaña Universidad de Cantabria 21/87
22 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 22/87
23 Algoritmos Bioinspirados[Varios, a]. Descripcio n. Replican la forma en que la naturaleza se enfrenta a problema de optimizacio n. Principalmente se trata de emular la evolucio n natural de las especies y la respuesta de los sistemas sociales ante desafı os. C.E. Borges, J.L. Montan a Universidad de Cantabria 23/87
24 Algoritmos Bioinspirados. Problemas a los que se aplica I. Diseño de rutas de escape y tácticas militares. Diseño de estructuras como: alas de un avión, salas de concierto, antenas de telecomunicaciones, grúas,... Diseño de fármacos, compuesto químicos y materiales. Reconocimiento de patologías en test cĺınicos de diversos tipos. C.E. Borges, J.L. Montaña Universidad de Cantabria 24/87
25 Algoritmos Bioinspirados. Problemas a los que se aplica II. Predicciones sobre mercados financieros. Software de control de equipos de robots y inteligencia artificial de robots o agentes virtuales. Reconocimiento de patrones y minería de datos. Problemas matemáticos como: regresiones simbólicas, resolución simbólica de ecuaciones en derivadas parciales, resolución de sistemas de ecuaciones no lineales,... C.E. Borges, J.L. Montaña Universidad de Cantabria 25/87
26 Algoritmos Bioinspirados. Ventajas. Relativamente genéricos y con muy pocas restricciones de uso. Ofrecen poblaciones de soluciones, no respuestas únicas. Son intrínsecamente paralelos, lo cual los hace particularmente útiles en las infraestructuras actuales. No parten de ideas preconcebidas, con lo cual sus resultados suelen ser sorprendentemente originales y muy eficientes. C.E. Borges, J.L. Montaña Universidad de Cantabria 26/87
27 Algoritmos Bioinspirados. Desventajas. Tiene naturaleza aleatoria. Usualmente dependen de muchos parámetros que aún no se sabe optimizar de forma sistemática. Suelen tener problemas de convergencia prematura. Esto es, si por casualidad se encuentra una buena solución, es posible que en sucesivas iteraciones no se mejore. Para evitar esto último hay que garantizar la diversidad en la población. C.E. Borges, J.L. Montaña Universidad de Cantabria 27/87
28 Partes de un Algoritmo Bioinspirado. Procedimientos a definir. Población: Conjunto de candidatos a ser solución que pueden o no cumplir las restricciones del problema. Mecanismo de Evolución: Conjunto de procedimientos por los cuales se modifica la población. Mecanismo de Calificación: Conjunto de procedimientos por los cuales se asigna una calificación a cada elemento de la población. Usualmente es la función a optimizar. Condiciones de Parada: Mecanismo que controla si se ha encontrado una solución o número de operaciones aceptable. Usualmente, la condición de parada, la población y el mecanismo de calificación vienen determinados por el problema a resolver. Sin embargo, el mecanismo de evolución es característico de cada método. C.E. Borges, J.L. Montaña Universidad de Cantabria 28/87
29 Pseudocódigo de un Algoritmo Bioinspirado. Input Crear Poblaciones generaciones Calificar Poblaciones Mientras no Fin Output Validar Resultado Reemplazar Poblaciones Cruzo o Muto Individuos Calificar Nueva Población C.E. Borges, J.L. Montaña Universidad de Cantabria 29/87
30 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 30/87
31 Enjambres de Partículas[Varios, h]. Descripción. Se genera un enjambre de candidatos que van recorriendo el espacio de búsqueda. Cada candidato guarda el historial de soluciones encontradas y puede intercambiar información con otros candidatos próximos. El mecanismo de memoria esta relacionado con la calificación de las soluciones encontradas mientras que el movimiento de las partículas con el de evolución. Se inspira en el comportamiento social de las colonias de hormigas, abejas, etc. a la hora de buscar comida así como con el sistema inmunológico cuando fabrica anticuerpos. C.E. Borges, J.L. Montaña Universidad de Cantabria 31/87
32 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 32/87
33 Algoritmos Evolutivos[Varios, c]. Se genera una población inicial aleatoria. Esta población se modifica usando los operadores genéticos: Selección: Selecciona individuos de la población. Cruce: Generan dos individuos nuevos a partir de otros dos al intercambiar sus componentes. Mutación: Modifica un individuo para crear otro nuevo. Reemplazamiento: Seleccionan los individuos que pasarán a la siguiente generación. Está basado en la evolución natural de las especies, la genética y la epigenética. C.E. Borges, J.L. Montaña Universidad de Cantabria 33/87
34 Algoritmos Evolutivos. Cruce vs. Mutación. Usualmente, el cruce realiza una función de búsqueda local explotando las mejores propiedades de cada elemento. Sin embargo, la mutación explora todo el espacio de búsqueda evitando la convergencia prematura hacia mínimos locales. Suponiendo que guardamos el mejor elemento de la población, el operador de mutación nos garantiza que encontraremos la mejor solución siempre y cuando permitamos realizar un número suficientemente grande de iteraciones. C.E. Borges, J.L. Montaña Universidad de Cantabria 34/87
35 Algoritmos Evolutivos. Selección y Reemplazamiento. El operador de selección debe asegurar un balance entre los favorecer operar sobre los mejores elementos y permitir las operaciones entre los peores. El operador de re emplazamiento se encarga de mantener la biodiversidad en la población. C.E. Borges, J.L. Montaña Universidad de Cantabria 35/87
36 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 36/87
37 Programación Genética[Varios, d]. Descripción. En este caso los individuos de la población a evolucionar por un algoritmo genéticos están fijados de antemano. Usaremos programas informáticos. La idea es construir un programa que resuelva el problema, no buscar una solución óptima. La estructura natural que se evoluciona son árboles de instrucciones. Nosotros usamos una estructura mucho más general y eficiente: grafos dirigidos acíclicos[alonso et al., 2009b] a. a En adelante slp C.E. Borges, J.L. Montaña Universidad de Cantabria 37/87
38 Árbol vs slp s I. Ejemplo. Representación como árbol (a la derecha) y como slp (a la izquierda) de un programa que calcula la función f 1 = x 4 + x 3 + x 2 + x. f 1 x f Figura: slp. x Figura: Árbol. C.E. Borges, J.L. Montaña Universidad de Cantabria 38/87
39 Árboles vs slp s II. Diferencias apreciables en el ejemplo anterior. Los árboles generalmente contienen más nodos pero son estructuras cuya ejecución se puede paralelizar. Por contra, los slp suelen ser más compactos pero pierden la estructura que hace posible paralelizar su ejecución. Esto NO es un problema puesto que al ser una estructura mucho más compacta conseguimos resolver dos grandes problemas a la vez: 1 Evaluamos muchos menos nodos gastando muchos menos recursos (tanto en tiempo como en espacio). 2 Reducimos la cantidad de información que se debe obtener en la fase de aprendizaje. C.E. Borges, J.L. Montaña Universidad de Cantabria 39/87
40 Ejecución. La ejecución de este tipo de programas es bastante simple. Sólo hay que tener en cuenta que estas estructuras se codifican como una lista de operaciones. Simplemente hay que ejecutar todos los comandos de la lista consecutivamente y ya hemos finalizado. f 1 u 1 := x x u 2 := u 1 u 1 u 3 := u 1 x u 4 := u 3 + x u 5 := u 4 + u 1 u 6 := u 5 + u 4 Figura: slp. f 1 u 1 := x x u 2 := x x u 3 := u 1 u 2 u 4 := x x u 5 := u 4 x u 6 := x x u 7 := u 6 + x u 8 := u 5 + u 3 u 9 := u 8 u 7 Figura: Árbol. C.E. Borges, J.L. Montaña Universidad de Cantabria 40/87
41 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 41/87
42 Algunos ejemplos de problemas. Presentamos ahora una lista de problemas de optimización que han sido resueltos mediante Métodos Bioinspirados. En general han mostrado un desempeño igual o superior a las técnicas clásicas. En muchos casos han podido abordar problemas imposibles con otros métodos. En muchos casos los resultados obtenidos se han llevado a la práctica con muy buenos resultados. C.E. Borges, J.L. Montaña Universidad de Cantabria 42/87
43 Antenas de Telecomunicaciones I. Problema. (Diseño de una antena de Telecomunicaciones.) Construir una antena de comunicaciones con las siguientes restricciones: Rendimiento mínimo determinado a priori. 7 alambres interconectados. Volumen máximo determinado a priori. C.E. Borges, J.L. Montaña Universidad de Cantabria 43/87
44 Antenas de Telecomunicaciones II. Resultados[Altshuler and Linden, 1997]. El resultado no se parece a las antenas tradicionales y carece de una simetría obvia, como inusualmente extraña y anti-intuitiva, aunque tenía un patrón de radiación casi uniforme y con un gran ancho de banda tanto en la simulación como en la prueba experimental. C.E. Borges, J.L. Montaña Universidad de Cantabria 44/87
45 FPGA s I. Problema. (Reconocimiento de Voz.) Construir una placa FPGA que: Reconozca las palabras go y stop. Circuito más pequeño posible. C.E. Borges, J.L. Montaña Universidad de Cantabria 45/87
46 FPGA s II. Resultados[Davidson, 1997]. El resultado fue un circuito reconocedor de voz utilizando sólo 37 puertas lógicas de las cuales cinco de ellas ni siquiera están conectadas al resto del circuito aunque si se les retira la alimentación eléctrica, el circuito deja de funcionar. El funcionamiento exacto de la compleja e intrincada estructura es un misterio. C.E. Borges, J.L. Montaña Universidad de Cantabria 46/87
47 Salas de Conciertos I. Problema. (Diseño de una sala de conciertos.) Construir sala de conciertos que maximice la calidad del sonido simultáneamente para: La audiencia. El director. Los músicos. C.E. Borges, J.L. Montaña Universidad de Cantabria 47/87
48 Salas de Conciertos II. Resultados[Sato et al., 2002]. El resultado fueron dos soluciones no dominadas, ambas descritas como con forma de hoja que tienen proporciones similares al Grosser Musikvereinsaal de Viena, el cual está considerado generalmente como una de las mejores salas de conciertos. C.E. Borges, J.L. Montaña Universidad de Cantabria 48/87
49 Alas de Aviones I. Problema. (Diseño de alas de aviones.) Diseñar el ala de un avión supersónico que simultáneamente minimice: La resistencia a velocidades subsónicas. La resistencia a velocidades supersónicas. La carga aerodinámica. Minimizar el momento de torsión. C.E. Borges, J.L. Montaña Universidad de Cantabria 49/87
50 Alas de Aviones II. Resultados[Obayashi et al., 2000]. Los resultados fueron seis diseños en ala flecha, con valores de resistencia y carga aproximadamente iguales o menores a los del ala diseñada por humanos. En particular, una de las soluciones superó al diseño humano en todos los objetivos. C.E. Borges, J.L. Montaña Universidad de Cantabria 50/87
51 Órbitas de Satélites I. Problema. (Planificar las órbitas de una constelación de satélites.) Planificar las órbitas de una constelación de satélites en órbita baja que: Minimice el tiempo muerto medio para todos los receptores. Minimice el tiempo muerto máximo para cada receptor. Minimice el número de satélites. C.E. Borges, J.L. Montaña Universidad de Cantabria 51/87
52 Órbitas de Satélites II. Resultados[Williams et al., 2001]. El resultado fueron configuraciones orbitales muy asimétricas, con los satélites colocados alternando huecos grandes y pequeños, en lugar de huecos de igual tamaño como habrían hecho las técnicas convencionales. Sin embargo, esta solución redujo significativamente los tiempos medio y máximo de apagón, en algunos casos hasta en 90 minutos. C.E. Borges, J.L. Montaña Universidad de Cantabria 52/87
53 Tácticas Militares I. Problema. (Diseño de planes tácticos militares.) Planificar una operación militar que: Sea generada rápidamente. Minimice las bajas amigas. Maximice las bajas enemigas. Mejorar el control del terreno conquistado. Minimizar el gasto de recursos. Minimizar los daños colaterales. C.E. Borges, J.L. Montaña Universidad de Cantabria 53/87
54 Tácticas Militares II. Resultados[Kewley and Embrechts, 2002]. Los resultados superaron los planes de expertos militares. Tenía sentido táctico y propiedades emergentes. Además, al no sufrir presión, pueden tomar decisiones acertadas en periodos estresantes. C.E. Borges, J.L. Montaña Universidad de Cantabria 54/87
55 Planificador de Rutas I. Problema. (Rutas en redes de telecomunicaciones.) Hallar la ruta de un paquete en una red de telecomunicaciones que: Minimice el tiempo de respuesta. Minimice el número de saltos. Tenga en cuenta la congestión de la red. Tenga en cuenta los cortes de suministro. C.E. Borges, J.L. Montaña Universidad de Cantabria 55/87
56 Planificador de Rutas II. Resultados[He and Mort, 2000]. El resultado era capaz de redirigir enlaces rotos o congestionados, equilibrar la carga de tráfico y maximizar el caudal total de la red. C.E. Borges, J.L. Montaña Universidad de Cantabria 56/87
57 Planificador de Lı neas de Montaje I. Problema. (Planificar la lı nea de montaje.) Crear y gestionar en tiempo real una lı nea de montaje que tenga en cuenta: Minimice el coste de generar una pieza. Maximice el rendimiento de la lı nea de montaje. Se adapte a: averı as, ausencias de empleados y materias primas, cambios en las prioridades de produccio n... C.E. Borges, J.L. Montan a Universidad de Cantabria 57/87
58 Planificador de Líneas de Montaje II. Resultados[Jensen, 2003]. La planificación resultante aumentó la producción mensual un 50 por ciento, el tiempo extra casi desapareció. El tiempo para producir la planificación descendió de cuatro días a solo uno. C.E. Borges, J.L. Montaña Universidad de Cantabria 58/87
59 Disen o de Estructuras. Problema. (Mejorar estructuras conocidas.) Algunos ejemplos: Disen o molinos de eo licos ma s eficientes[benini and Toffolo, 2002]. Mejora de los sistemas ABS[Lee and Zak, 2002]. Disen o de motores die sel ma s eficientes[schechter, 2000]. C.E. Borges, J.L. Montan a Universidad de Cantabria 59/87
60 Colocar Piezas. Problema. (Colocar Piezas en una Matriz.) Diseñar un algoritmo que gestione eficientemente la colocación de piezas en un tablero. Este problema es muy similar a generar un algoritmo que juegue correctamente al videojuego Tetris TM. En [Llima, ] se describe un algoritmo que en media realizar entre y ĺıneas. C.E. Borges, J.L. Montaña Universidad de Cantabria 60/87
61 Minería de datos. Problema. (Descubrir patrones en grandes conjuntos de datos.) Algunos ejemplos: Características de los clientes que cambian de proveedor de algún servicio[wai Ho Au et al., 2003]. Detección de objetos por sus patrones de radar[rizki et al., 2002]. Reconocimiento óptico de caracteres[rizki et al., 2002]. Análisis médico de imágenes[rizki et al., 2002]. En la sección Problemas desarrollamos en más profundidad técnicas para enfrentarse con estos problemas. C.E. Borges, J.L. Montaña Universidad de Cantabria 61/87
62 Dos ejemplos con más detalle. Ahora presentamos con más detalle dos problemas muy complicados de resolver mediante Métodos Clásicos pero que se ha demostrado empíricamente que son resolubles mediante Algoritmos Bioinspirados. Ecuaciones de Palabras. 10xy = 001xy 01 xy 111 = y 00111xx 0x00y 01 = 1xy 0 0y11 = yxy01 xx100y = 001x0y x?, y? 1 0,5 0 Regresión Simbólica. 0 0,5 1 C.E. Borges, J.L. Montaña Universidad de Cantabria 62/87
63 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 63/87
64 Un ejemplo: Sistemas de ecuaciones de palabras[alonso et al., 2004]. Problema. Dado dos patrones que contengan símbolos fijos y valores variables, encontrar una asignación de símbolos a las variables que haga iguales a ambos patrones. Ejemplo. Encontrar x, y en el conjunto de palabras sobre el alfabeto {0, 1} que satisfaga la siguiente ecuación: x01y = 0yxy. Una solución podría ser: x = 01, y = 1 En nuestro caso buscaremos soluciones acotadas. Es decir, que el número de símbolos sea menor o igual a d, una cota dada a priori. C.E. Borges, J.L. Montaña Universidad de Cantabria 64/87
65 Sistemas de ecuaciones de palabras. Por qué es importante? Aplicaciones en: Teoría de la Unificación (Prolog 3). Pattern-Matching. Diseño y verificación de circuitos eléctricos. C.E. Borges, J.L. Montaña Universidad de Cantabria 65/87
66 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? I Usaremos un Algoritmo Evolutivo Híbrido. 1 Generamos una población de candidatos a solución de forma aleatoria. Como la longitud de la soluciones está acotada, completamos la longitud de estos candidatos con el símbolo ε que denota el símbolo vacío. 2 La función de calificación será la suma de la cantidad de símbolos distintos en cada ecuación del sistema teniendo en cuenta que si una palabra es mayor que la otra, cada símbolo de más representa un error. 3 La selección se realizará mediante el método de la ruleta. Es decir, tendrán más probabilidad de cruzar o mutar los candidatos con mejor calificación. C.E. Borges, J.L. Montaña Universidad de Cantabria 66/87
67 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? II 4 La selección se realizará mediante el método de la ruleta. Es decir, tendrán más probabilidad de cruzar o mutar los candidatos con mejor calificación. ind 3 ind 2 12 % 10 % 17 % ind 1 45 % 16 % ind 4 ind 5 C.E. Borges, J.L. Montaña Universidad de Cantabria 67/87
68 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? III 5 La operación de mutación cambia, con probabilidad 1/d, cada uno de los símbolos. padre = 00000εε = hijo = 0110εεε 6 La operación de cruce intercambia, con probabilidad 1/2 cada uno de los símbolos del padre de menor longitud. Luego completa con algunos símbolos del otro padre. padre 1 = 01εεεεε hijo 1 = εεε = 1100εεε = padre 2 = ε hijo 2 = ε = ε C.E. Borges, J.L. Montaña Universidad de Cantabria 68/87
69 Sistemas de ecuaciones de palabras. Cómo obtenemos una solución? IV 7 Los operadores de cruce y mutación tienen en cuenta que los símbolos ε siempre se encuentran al final de la palabra. 8 Después de realizar un cruce o una mutación realizaremos una búsqueda local con el fin de encontrar mejoras en la calificación del candidato. 9 Finalmente, la condición de parada será encontrar una solución o realizar un número prefijado de iteraciones. 0010εεε 00100εε 0000εεε 0010εεε si mejora calificación probar con 00101εε 001εεεε C.E. Borges, J.L. Montaña Universidad de Cantabria 69/87
70 Sistemas de ecuaciones de palabras. Resultados Conclusiones. Realizar sólo la búsqueda local o sólo el algoritmo evolutivo es peor a que realizar ambos. De hecho, en problemas en el que el espacio de búsqueda es muy grande las diferencias son dramáticas[alonso et al., 2004]. Los mejores parámetros parecen ser tener una población muy pequeña junto con una probabilidad de mutación muy grande. Sin embargo, NO se puede eliminar el cruce, pues en ese caso se observa un comportamiento similar a la búsqueda local pura[alonso et al., 2004]. Estos resultados son coherentes con los obtenidos para otros problemas similares, por ejemplo 3SAT [Alonso et al., 2004]. a Entendemos por peor que la probabilidad empírica de encontrar una solución es menor. C.E. Borges, J.L. Montaña Universidad de Cantabria 70/87
71 Índice 1 Problemas de optimización. 2 Métodos Anaĺıticos. Multiplicadores de Lagrange. Descenso de Gradiente. Programación Lineal. 3 Métodos Combinatorios. Métodos Bioinspirados. Programación Genética. 4 Problemas. Sistemas de Ecuaciones de Palabras. Regresión Simbólica. 5 Bibliografía. C.E. Borges, J.L. Montaña Universidad de Cantabria 71/87
72 Un ejemplo: Regresión Simbólica[Alonso et al., 2009b]. Problema. Dada una muestra de puntos encontrar la función que mejor los aproxima dentro de un conjunto de funciones dado. 1 x 4 + x 3 + x 2 + x 0, ,5 1 C.E. Borges, J.L. Montaña Universidad de Cantabria 72/87
73 Un ejemplo: Regresión Simbólica. Ejemplo. La interpolación y el método de mínimos cuadrados son dos aproximaciones muy restrictivas a este problema pues solo tratan con polinomios a. El método que proponemos nos permite buscar con prácticamente cualquier familia de funciones. a Para ser más precisos lo que requieren estos métodos es que el espacio de funciones sea un espacio vectorial de dimensión finita. C.E. Borges, J.L. Montaña Universidad de Cantabria 73/87
74 Regresión Simbólica. Por qué es importante? Este es uno de los problemas fundamentales en la teoría del aprendizaje tanto automática como natural. Es difícil pensar en alguna rama de la ciencia aplicada que no tenga que resolver algún problema de esta índole. Citamos a continuación algunos ejemplos: Predicciones en cualquier tipo de serie temporal. Predicciones epidemiológicas. Estimaciones de tendencias. En general, es el problema típico cuando se tiene gran cantidad de datos de índole numérico que se sospecha que siguen alguna regla. Hay que tener en cuenta que este problema está muy relacionado con el problema de clasificación. C.E. Borges, J.L. Montaña Universidad de Cantabria 74/87
Regresión simbólica con slp s.
Regresión simbólica con slp s. Cruz Enrique Borges Hernández y José Luis Montaña 1 2 Departamento de Matemáticas, Estadística y Computación Universidad de Cantabria 7 de abril de 2011 This work is licensed
Más detallesETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos
Más 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 detallesResumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración
5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una
Más 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 detallesMétodos Heurísticos en Inteligencia Artificial
Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de
Más detallesCAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de
CAPÍTULO VI PREPARACIÓN DEL MODELO EN ALGOR. En este capítulo, se hablará acerca de los pasos a seguir para poder realizar el análisis de cualquier modelo en el software Algor. La preparación de un modelo,
Más detalles1. INTRODUCCIÓN 1.1 INGENIERÍA
1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo
Más detallesOptimización de Procesos
Optimización de Procesos Tier I: Métodos Matemáticos de Click to edit Master title style Optimización Sección 4: Optimización Multi-Objetivo Click to Introducción edit Master title style La optimización
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
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 detallesEstructuras de Control - Diagrama de Flujo
RESOLUCIÓN DE PROBLEMAS Y ALGORITMOS Ingeniería en Computación Ingeniería en Informática UNIVERSIDAD NACIONAL DE SAN LUIS DEPARTAMENTO DE INFORMÁTICA AÑO 2015 Índice 1. Programación estructurada 2 1.1.
Más detallesUn algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau
Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos
Más 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 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 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 detallesAlgoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales
Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada
Más detallesAproximación local. Plano tangente. Derivadas parciales.
Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación
Más detallesDISEÑO DE FUNCIONES (TRATAMIENTOS)
DISEÑO DE FUNCIONES (TRATAMIENTOS) Diseño Estructurado. Estrategias para Derivar el Diagrama de Estructura. Diseño de Módulos Programables. 1. DISEÑO ESTRUCTURADO El Diseño es el proceso por el cual se
Más detallesEjercicios de Teoría de Colas
Ejercicios de Teoría de Colas Investigación Operativa Ingeniería Informática, UC3M Curso 08/09 1. Demuestra que en una cola M/M/1 se tiene: L = ρ Solución. L = = = = = ρ np n nρ n (1 ρ) nρ n n=1 ρ n ρ
Más detallesTema 2. Espacios Vectoriales. 2.1. Introducción
Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesCapítulo 5. Cliente-Servidor.
Capítulo 5. Cliente-Servidor. 5.1 Introducción En este capítulo hablaremos acerca de la arquitectura Cliente-Servidor, ya que para nuestra aplicación utilizamos ésta arquitectura al convertir en un servidor
Más 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 detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detallesCAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo
CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade
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 detallesCUESTIONARIO DE AUTOEVALUACIÓN DE LOS HÁBITOS EMPRENDEDORES
CUESTIONARIO DE AUTOEVALUACIÓN DE LOS HÁBITOS EMPRENDEDORES INSTRUCCIONES:. Este cuestionario consta de 55 declaraciones breves. Lee cuidadosamente cada declaración y decide cuál te describe de forma más
Más detallesParámetros con la ventana de selección de usuario, reglas, texto y descomposición (IVE)
QUÉ SON CONCEPTOS PARAMÉTRICOS? Los conceptos paramétricos de Presto permiten definir de una sola vez una colección de conceptos similares a partir de los cuales se generan variantes o conceptos derivados
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 detallesCRIPTOGRAFÍA SIMÉTRICA Y ASIMÉTRICA
CRIPTOGRAFÍA SIMÉTRICA Y ASIMÉTRICA Para generar una transmisión segura de datos, debemos contar con un canal que sea seguro, esto es debemos emplear técnicas de forma que los datos que se envían de una
Más detallesEL ÁBACO AUTOMATIZADO LA EVOLUCIÓN DE LOS ORDENADORES
Introducción: EL ÁBACO AUTOMATIZADO LA EVOLUCIÓN DE LOS ORDENADORES Juan Antonio Franco Pastor I.E.S. CONSUELO ARANDA Alberic El ábaco es el dispositivo más antiguo que existen que nos ayuda a realizar
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detallesComplejidad - Problemas NP-Completos. Algoritmos y Estructuras de Datos III
Complejidad - Problemas NP-Completos Algoritmos y Estructuras de Datos III Teoría de Complejidad Un algoritmo eficiente es un algoritmo de complejidad polinomial. Un problema está bien resuelto si se conocen
Más detallesAHORRACOM SOLUCIONES AVANZADAS S.L. Avda. de la Industria 13, Oficina 25. 28108 Alcobendas, Madrid. www.ahorracom.com
PAGTE Plan de Ahorro y Gestión de Telecomunicaciones para Empresas En Ahorracom nos ponemos de su parte. Por eso nos interesa que usted, nuestro cliente, esté al tanto de todos los procesos que llevamos
Más detallesFUENTES SECUNDARIAS INTERNAS
FUENTES SECUNDARIAS INTERNAS Las fuentes secundarias son informaciones que se encuentran ya recogidas en la empresa, aunque no necesariamente con la forma y finalidad que necesita un departamento de marketing.
Más detallesConmutación. Conmutación telefónica. Justificación y definición.
telefónica Justificación y definición de circuitos de mensajes de paquetes Comparación de las técnicas de conmutación Justificación y definición. Si se atiende a las arquitecturas y técnicas utilizadas
Más detallesSEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA. Lic. Maikel León Espinosa. mle@uclv.edu.cu
EDU082 Resumen SEDO: SOFTWARE EDUCATIVO DE MATEMÁTICA NUMÉRICA Lic. Maikel León Espinosa mle@uclv.edu.cu Departamento de Ciencia de la Computación Universidad Central Marta Abreu de Las Villas Carretera
Más detallesFuncionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net
2012 Funcionalidades Software PROYECTOS GotelGest.Net Software para la gestión de Proyectos GotelGest.Net Servinet Sistemas y Comunicación S.L. www.softwaregestionproyectos.com Última Revisión: Febrero
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 detallesLección 1-Introducción a los Polinomios y Suma y Resta de Polinomios. Dra. Noemí L. Ruiz Limardo 2009
Lección 1-Introducción a los Polinomios y Suma y Resta de Polinomios Dra. Noemí L. Ruiz Limardo 2009 Objetivos de la Lección Al finalizar esta lección los estudiantes: Identificarán, de una lista de expresiones
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 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 detallesCAPÍTULO 4. DISEÑO CONCEPTUAL Y DE CONFIGURACIÓN. Figura 4.1.Caja Negra. Generar. Sistema de control. Acumular. Figura 4.2. Diagrama de funciones
CAPÍTULO 4 37 CAPÍTULO 4. DISEÑO CONCEPTUAL Y DE CONFIGURACIÓN Para diseñar el SGE, lo primero que se necesita es plantear diferentes formas en las que se pueda resolver el problema para finalmente decidir
Más detallesDOCUMENTO OFICIAL v1.0 LA VELOCIDAD DEL ADSL EN ESPAÑA ADSLNET www.adslnet.ws
DOCUMENTO OFICIAL v1.0 LA VELOCIDAD DEL ADSL EN ESPAÑA ADSLNET www.adslnet.ws Análisis estadístico de velocidad de Operadores de Internet (ISP) El siguiente informe representa el resultado estadístico
Más detallesESCUELA NORMAL PROF. CARLOS A CARRILLO
ESCUELA NORMAL PROF. CARLOS A CARRILLO QUE ES UNA RED L A S T I C S E N L A E D U C A C I O N P R E E S C O L A R P R O F. C R U Z J O R G E A R A M B U R O A L U M N A : D U L C E C O R A Z Ó N O C H
Más detallesPRUEBAS DE SOFTWARE TECNICAS DE PRUEBA DE SOFTWARE
PRUEBAS DE SOFTWARE La prueba del software es un elemento crítico para la garantía de la calidad del software. El objetivo de la etapa de pruebas es garantizar la calidad del producto desarrollado. Además,
Más detallesAplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI
Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad
Más detallesEstructuras de Control - Diagrama de Flujo
Introducción a la Programación - Introducción a la Computación - Fundamentos de la Informática Ing. Electrónica - T.U.G. - T.U.E. - T.U.R. - T.U.W.- Prof. Tec. Elect. - T.U.T - T.U.M Área de Servicios
Más detalles4 Pruebas y análisis del software
4 Pruebas y análisis del software En este capítulo se presentan una serie de simulaciones donde se analiza el desempeño de ambos sistemas programados en cuanto a exactitud con otros softwares que se encuentran
Más detallesCálculo Simbólico también es posible con GeoGebra
www.fisem.org/web/union ISSN: 1815-0640 Número 34. Junio de 2013 páginas 151-167 Coordinado por Agustín Carrillo de Albornoz Cálculo Simbólico también es posible con GeoGebra Antes de exponer las posibilidades
Más detallesInteroperabilidad de Fieldbus
2002 Emerson Process Management. Todos los derechos reservados. Vea este y otros cursos en línea en www.plantwebuniversity.com. Fieldbus 201 Interoperabilidad de Fieldbus Generalidades Qué es interoperabilidad?
Más detallesINTRODUCCION. Ing. Camilo Zapata czapata@udea.edu.co Universidad de Antioquia
INTRODUCCION. Ing. Camilo Zapata czapata@udea.edu.co Universidad de Antioquia Qué es una Red? Es un grupo de computadores conectados mediante cables o algún otro medio. Para que? compartir recursos. software
Más detallesCAPÍTULO 3. HERRAMIENTA DE SOFTWARE DE PLANEACIÓN DE
CAPÍTULO 3. HERRAMIENTA DE SOFTWARE DE PLANEACIÓN DE INVENTARIO Y PROCESO Objetivos del capítulo Desarrollar una herramienta de software de planeación de inventario con los datos obtenidos del capítulo
Más detallescapitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación
capitulo3 MARCO TEÓRICO Para el diseño de la reubicación de los procesos se hará uso de la Planeación Sistemática de Layout, SLP por sus siglas en inglés. Se hará uso de la simulación para comparar el
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesAmpliación de Estructuras de Datos
Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios
Más detallesDETERMINACIÓN DEL VOLUMEN DE PEDIDO.
Lote económico de compra o Lote Optimo DETERMINACIÓN DEL VOLUMEN DE PEDIDO. Concepto que vemos en casi todos libros de aprovisionamiento, habitualmente la decisión de la cantidad a reaprovisionar en las
Más detallesInternet Information Server
Internet Information Server Internet Information Server (IIS) es el servidor de páginas web avanzado de la plataforma Windows. Se distribuye gratuitamente junto con las versiones de Windows basadas en
Más detallesDEPARTAMENTO DE EDUCACIÓN FÍSICA CURSO 2011/2012
ORIENTACIÓN.1ºESO Carreras de Orientación Una Carrera de Orientación consiste en recorrer en el menor tiempo posible una ruta situada en un terreno desconocido pasando por unos puntos obligados en un orden
Más detallesGuía de uso del Cloud Datacenter de acens
guíasdeuso Guía de uso del Cloud Datacenter de Calle San Rafael, 14 28108 Alcobendas (Madrid) 902 90 10 20 www..com Introducción Un Data Center o centro de datos físico es un espacio utilizado para alojar
Más detallesQué son los protocolos de enrutamiento Dinámico?
Sistemas Operativos SISTEMAS OPERATIVOS 1 Sesión No. 4 Nombre: Protocolos de enrutamiento dinámico Contextualización Qué son los protocolos de enrutamiento Dinámico? Los protocolos de enrutamiento dinámico
Más detallesBIOINFORMÁTICA 2013-2014
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesTécnicas de prueba 1. FUNDAMENTOS DE LA PRUEBA DEL SOFTWARE
Técnicas de prueba El desarrollo de Sistemas de software implica la realización de una serie de actividades predispuestas a incorporar errores (en la etapa de definición de requerimientos, de diseño, de
Más detallesCAD LOGISTICS SYSTEM S. PreparadoporHLA MATERIAL HANDLING ENGINEERIN CAD LOGISTICS COMPUTER-AIDED ANIMATIO NSOFTWARE
Porqué parala logística? MODELING COMPUTER G ANIMATIO N MATERIAL HANDLING ENGINEERIN TOOLSGEOMETRY SYSTEM S DRAUGHTING PreparadoporHLA Presentación en la logística Utilización de Creación y gestión de
Más detallesHostaliawhitepapers. Las ventajas de los Servidores dedicados. www.hostalia.com. Cardenal Gardoki, 1 48008 BILBAO (Vizcaya) Teléfono: 902 012 199
Las ventajas de los Servidores dedicados Cardenal Gardoki, 1 48008 BILBAO (Vizcaya) Teléfono: 902 012 199 www.hostalia.com A la hora de poner en marcha una aplicación web debemos contratar un servicio
Más detalles1 ENTREVISTA INDIVIDUAL
1 ENTREVISTA INDIVIDUAL 1.1 Por qué utilizar esta herramienta en evaluación? La entrevista individual es una técnica de recopilación de información que tiene lugar cara a cara entre el evaluador y la persona
Más detallesGeneración de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
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 detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesAsignatura: Diseño de Máquinas [320099020]
Universidad de Huelva ESCUELA POLITECNICA SUPERIOR Departamento de Ingeniería Minera, Mecánica y Energética Asignatura: Diseño de Máquinas [320099020] 3º curso de Ingeniería Técnica Industrial (Mecánicos)
Más detallesCAPITULO II 2.1 SISTEMA MRPII APLICADO A MANTENIMIENTO
CAPITULO II 2.1 SISTEMA MRPII APLICADO A MANTENIMIENTO Manufacturing Resources Planning, MRP II es el sistema que hemos elegido para mejorar el control de mantenimiento y apoyar nuestra visión de futuro.
Más detallesSelectividad Junio 2008 JUNIO 2008 PRUEBA A
Selectividad Junio 008 JUNIO 008 PRUEBA A 3 a x + a y =.- Sea el sistema: x + a y = 0 a) En función del número de soluciones, clasifica el sistema para los distintos valores del parámetro a. b) Resuélvelo
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 detallesIntroducción. Definición de los presupuestos
P o r q u é e l p r e s u p u e s t o d e b e s e r e l c a m i n o a s e g u i r p a r a g a r a n t i z a r e l é x i t o d e s u e m p r e s a? Luis Muñiz Economista Introducción El aumento de la incertidumbre
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesEL PROBLEMA DE LOCALIZACIÓN DE SERVICIOS
Memorias de la XVII Semana Regional de Investigación y Docencia en Matemáticas, Departamento de Matemáticas, Universidad de Sonora, México. Mosaicos Matemáticos No. 20, agosto 2007, pp. 1-6. Nivel Medio
Más detallesUnidad II: Números pseudoaleatorios
Unidad II: Números pseudoaleatorios 2.1 Métodos de generación de números Pseudoaleatorio Métodos mecánicos La generación de números aleatorios de forma totalmente aleatoria, es muy sencilla con alguno
Más detallesIntroducción a los Algoritmos Genéticos
Introducción a los Algoritmos Genéticos Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 17 de octubre de 2005 c FJRP 2005 ccia IA Métodos de 8 < : 1 Introducción 9 =
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 detallesIngeniería en Informática
Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se
Más detallesSISTEMA MONOFÁSICO Y TRIFÁSICO DE C.A Unidad 1 Magnetismo, electromagnetismo e Inducción electromagnética.
SISTEMA MONOFÁSICO Y TRIFÁSICO DE C.A Unidad 1 Magnetismo, electromagnetismo e Inducción electromagnética. A diferencia de los sistemas monofásicos de C.A., estudiados hasta ahora, que utilizan dos conductores
Más detallesMotores de Búsqueda Web Tarea Tema 2
Motores de Búsqueda Web Tarea Tema 2 71454586A Motores de Búsqueda Web Máster en Lenguajes y Sistemas Informáticos - Tecnologías del Lenguaje en la Web UNED 30/01/2011 Tarea Tema 2 Enunciado del ejercicio
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 detallesTEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS
1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de
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 detallesINTRODUCCION A LA PROGRAMACION DE PLC
INTRODUCCION A LA PROGRAMACION DE PLC Esta guía se utilizará para estudiar la estructura general de programación de um PLC Instrucciones y Programas Una instrucción u orden de trabajo consta de dos partes
Más detallesSeminario Electrónico de Soluciones Tecnológicas sobre VPNs de Extranets
Seminario Electrónico de Soluciones Tecnológicas sobre VPNs de Extranets 1 de 12 Seminario Electrónico de Soluciones Tecnológicas sobre VPNs de Extranets 3 Bienvenida. 4 Objetivos. 5 Interacciones de Negocios
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesSistemas Operativos. Sesión 5: Protocolos de enrutamiento vector distancia
Sistemas Operativos Sesión 5: Protocolos de enrutamiento vector distancia Contextualización Los protocolos de información de enrutamiento tienen la función de determinar cuál es la ruta adecuada que deben
Más detallesADT CONSULTING S.L. http://www.adtconsulting.es PROYECTO DE DIFUSIÓN DE BUENAS PRÁCTICAS
ADT CONSULTING S.L. http://www.adtconsulting.es PROYECTO DE DIFUSIÓN DE BUENAS PRÁCTICAS ESTUDIO SOBRE EL POSICIONAMIENTO EN BUSCADORES DE PÁGINAS WEB Y LA RELEVANCIA DE LA ACTUALIZACIÓN DE CONTENIDOS
Más detallesPARTE 3 ECUACIONES DE EQUIVALENCIA FINANCIERA T E M A S
PARTE 3 ECUACIONES DE EQUIVALENCIA FINANCIERA Valor del dinero en el tiempo Conceptos de capitalización y descuento Ecuaciones de equivalencia financiera Ejercicio de reestructuración de deuda T E M A
Más detallesAPLICACIONES CON SOLVER OPCIONES DE SOLVER
APLICACIONES CON SOLVER Una de las herramientas con que cuenta el Excel es el solver, que sirve para crear modelos al poderse, diseñar, construir y resolver problemas de optimización. Es una poderosa herramienta
Más detallesEstructura de Computadores I Arquitectura de los MMOFPS
UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA Estructura de Computadores I Arquitectura de los MMOFPS Integrantes: Luis Castro Valentina Yévenes RESUMEN Los MMOG (Massively Multiplayer Online Game), son juegos
Más detallesTABLA DE DECISION. Consideremos la siguiente tabla, expresada en forma genérica, como ejemplo y establezcamos la manera en que debe leerse.
TABLA DE DECISION La tabla de decisión es una herramienta que sintetiza procesos en los cuales se dan un conjunto de condiciones y un conjunto de acciones a tomar según el valor que toman las condiciones.
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detallesMatemáticas 2º BTO Aplicadas a las Ciencias Sociales
Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD
Más detallesMás Clientes Más Rápido: Marketing Online bien enfocado
Más Clientes Más Rápido: Marketing Online bien enfocado A continuación describo una propuesta comercial que estimo le interesará ya que tiene el potencial de incrementar su negocio en un período relativamente
Más detalles