Reconfiguración de Sistemas de Distribución con Cargas Desbalanceadas mediante algoritmo Ant Colony Optimization
|
|
- David Torres Paz
- hace 5 años
- Vistas:
Transcripción
1 PAPER / Title Reconfiguración de Sistemas de Distribución con Cargas Desbalanceadas mediante algoritmo Ant Colony Optimization Registration Nº: (Abstract) Resumen- Las empresas de distribución eléctrica requieren constantemente mejoras en el servicio que prestan y una reducción adecuada de los costos del sistema. Encontrar la configuración óptima de la red de distribución reduce las pérdidas de energía, lo que repercute directamente en los costos; también lleva a un ahorro de energía significativo. En las últimas décadas el problema de reconfiguración de redes para la minimización de la pérdida y para otros fines se ha estudiado ampliamente. Los algoritmos mejoran la pérdida de potencia mínima y también reducen el tiempo computacional. En este trabajo se propone el estudio y la aplicación de un algoritmo basado en Ant Colony Optimization para optimizar una red estándar de 33 nodos pero incorporando carga desbalanceada. La herramienta computacional utilizada es Digsilent Power factory y tiene la ventaja principal de incorporar la topología de la red en forma fácil, ahorrando significativamente esta tarea y un lenguaje de programación adecuado para aplicarse en logaritmos. Como resultado se obtiene una configuración óptima, teniendo tiempos computacionales relativamente bajos. Authors of the paper Name Country Vignerte Juan Manuel Argentina jvignerte@gmail.com Anaut Daniel O. Argentina danaut@fi.mdp.edu.ar Di Mauro Guillermo Argentina gdimauro@fi.mdp.edu.ar Agüero Carlos Argentina agüero@fi.mdp.edu.ar Suárez Juan Argentina jsuarez@fi.mdp.edu.ar Key words Algoritmos, Optimización, Ant Colony, Digsilent. /
2 Congreso Internacional de Distribución Eléctrica CIDEL 04 Reconfiguración de Sistemas de Distribución con Cargas Desbalanceadas mediante algoritmo Ant Colony Optimization. INTRODUCCIÓN Las reglamentaciones del sector electroenergético exigen tanto a las empresas como a cooperativas eléctricas a implementar mayor eficiencia en la prestación del servicio. Las pérdidas eléctricas en las redes se traducen directamente en un costo indeseado, que si bien no puede ser eliminado, es posible disminuir. La reconfiguración de redes de distribución es una útil y muy importante operación para reducir las pérdidas de potencia y mejorar la seguridad del sistema []. Las redes de distribución tienen dos tipos de interruptores: Los seccionadores, que son normalmente cerrados. Los vinculantes, que son normalmente abiertos. Principalmente, estas redes están configuradas en forma radial, de manera de favorecer la coordinación de protecciones. Debido a lo anterior, la red puede ser reconfigurada cambiando el estado de los interruptores seccionadores y vinculantes, con lo que se reducen las pérdidas, mejora el perfil de tensión de los nodos de carga y se aumenta la confiabilidad del sistema, mientras se satisfacen todos los requerimientos de carga y se mantiene la radialidad. La reconfiguración de redes es un problema combinatorial de optimización no-lineal. Por lo tanto, se requiere un método para hallar en forma eficaz y eficiente una configuración que minimice las pérdidas de potencia y mejore la desviación de tensión, cumpliendo con todas las restricciones. El trabajo presenta un algoritmo modelado en Digsilent Power Factory y es capaz de encontrar una solución satisfactoria al problema de reconfiguración de redes para la minimización de pérdidas de una manera eficaz y eficiente.. ELEMENTOS Y METODOLOGÍA a) Redes de distribución: Las redes eléctricas son sistemas formados por distintos elementos que se encargan de llevar energía a diferentes cargas. Un sistema energético está formando por tres grandes grupos, que son, la generación, la transmisión y la distribución. En este caso se tratan las redes de distribución. Generalmente, estas redes trabajan en forma radial y no en anillos. Esto significa que, la alimentación se da por uno de los extremos y se transmite a partir de ahí de nodo a nodo. En cambio, en una red anillada, la alimentación proviene de ambos extremos y en general los sistemas de protección son más costosos y sofisticados. b) Ant Colony Optimization: Las colonias de hormigas están distribuidas en sistemas tales que, a pesar de la simpleza de sus individuos, presentan una estructura social y organizacional altamente constituida. Como resultado de dicha organización, las colonias de hormigas pueden llevar a cabo complejas tareas que en la mayoría de los casos exceden ampliamente las capacidades individuales de una sola de ellas []. El campo de algoritmos de hormigas (Ant Algorithms) estudia los modelos derivados de la observación del comportamiento real de las hormigas, y los usa como fuente de inspiración para el diseño de algoritmos de optimización. Se copian los principios de autoorganización, y se asimila a las hormigas a poblaciones de agentes inteligentes que colaboran a resolver problemas computacionales. Se lleva el conocimiento de la hormiga real a la artificial, la cual imitará el proceso que ésta realiza en la búsqueda de un objetivo específico, clásicamente una fuente de alimento [], [3] y [4]. Al iniciar la búsqueda, existe un proceso aleatorio de caminos a recorrer. Una hormiga de la colonia encontrará un camino posible, y otra de ellas, hallará otro. Pasado un tiempo (iteraciones) todas las hormigas habrán formado una sola hilera entre el hormiguero y la fuente de alimento. La explicación de este comportamiento radica en la liberación de sustancias llamadas feromonas, las cuales son depositadas en el ambiente por las hormigas al recorrer los distintos caminos, estableciendo entre ellas una
3 comunicación indirecta llamada estigmergia. Las hormigas que encontraron el camino más corto pasarán mayor cantidad de veces por él. La alta concentración de feromona, que es percibida vía olfativa, llevará a la convergencia de todas las hormigas al camino más corto. La idea de ACO es dejar que las hormigas artificiales construyan soluciones a un problema combinatorio de optimización. La hormiga construye una solución por medio de una secuencia de decisiones probabilísticas. A medida que una hormiga va construyendo una solución, esto puede ser visto como un camino a través de un grafo de decisión []. A las hormigas que encontraron buenas soluciones se les permite marcar el grafo con una feromona artificial que guiará a las siguientes hormigas a buscar buenas soluciones cerca del camino. Durante la actualización de feromona, pasado un tiempo, cierto porcentaje se evaporará. ACO es un proceso iterativo que continuará hasta que se cumpla el criterio de detención: un número máximo de iteraciones o una calidad determinada en la solución. En este trabajo se utiliza un algoritmo basado en Ant Colony System (ACS), perteneciente a la familia de ACO. Se explican a continuación algunos parámetros del algoritmo. La hormiga artificial crea soluciones en la medida en que opta por diferentes posibilidades (en el caso de este trabajo, interruptores), para hacerlo necesita información que le sugiera cómo actuar. La expresión siguiente muestra en base a qué decide la hormiga; se denomina regla de transición: α β { τ ( ) η ( ) } S = arg_ max i, j i, j () Donde S es la posibilidad de seleccionar una determinada opción y τ almacena la información del nivel de feromona para cada una de las opciones que puede tomar la hormiga. Se ve en la ecuación que cuanto mayor sea el nivel acumulado de feromona, mayor será S, e (i, j) definen una posición dentro de las variables. Es necesario también darle a la hormiga una cierta información heurística, esto significa información específica y propia del problema que se trata (η). Esta variable es inversamente proporcional a la función objetivo. Siendo la función objetivo la representación de las pérdidas de potencia por efecto Joule, en la medida que las pérdidas disminuyesen, η sería mayor, por lo que S también. En la ecuación, los términos mencionados son afectados por dos parámetros, α y β. Básicamente, α (parámetro de feromona) determina la influencia del nivel de feromona en la construcción de soluciones, y β determina la influencia de la información heurística. Es posible, como se ha hecho en este trabajo, determinar la selección mediante un proceso previo. Se crea aleatoriamente una variable q 0 de distribución uniforme que es comparada con q (también aleatoria y uniforme), ambas entre 0 y. De la comparación de estas variables se decide si la hormiga es guiada por la regla de transición, en base a la feromona y valor heurístico, o si por el contrario, decide de manera aleatoria entre todas las posibilidades. Como en el caso real, la feromona debe actualizarse. Cuantas más hormigas eligen una determinada opción, se acumula en ella mayor cantidad que en las opciones que no fueron elegidas. La feromona también se evapora con el tiempo. Lo anterior se modela de la siguiente manera: τ ( i j) = ( ξ ) τ ( i j) + ξ τ,, () τ ( i j) = ( ρ ) τ ( i j) + ρ τ ( i j),,, (3) bs k= La ecuación incluye el parámetro ξ, que representa un porcentaje de evaporación del nivel de feromona para cada una de las opciones (a nivel local).τ 0 representa el estado inicial de la variable τ. La ecuación 3 presenta el parámetro ρ, que también es un cierto porcentaje de evaporación del nivel de feromona para cada una de las opciones (a nivel global). τ representa el incremento de feromona para cada posibilidad []. c) Método propuesto: Se presenta en este trabajo un algoritmo basado en uno de los pertenecientes a la familia de ACO. Éste brinda una solución que minimiza las pérdidas de la red de distribución, manteniendo los niveles requeridos de tensión a la vez que respeta las restricciones de radialidad. El algoritmo que se utiliza se desarrolla sobre la base de Ant Colony System, que se diferencia de otros en: 0
4 El proceso de selección de las soluciones a evaluar. Cómo éste actualiza el nivel de feromona. El criterio de actualización del nivel de feromona: lo hace de manera local y global, esto quiere decir que se actualiza en el momento en que una hormiga crea una solución, y también cuando cada una de las hormigas de toda la primera población genera una solución. Se elige este método porque, basado en pruebas preliminares donde brinda mejores soluciones que otros métodos más conocidos, como Algoritmos Genéticos, y a pesar de ser más complejo, es más completo [5]. El método propuesto se basa en las siguientes 5 etapas: ) Red y parámetros del algoritmo: La red de 33 nodos estandarizada según [6] se carga en el entorno gráfico del software Digsilent Power factory como se visualiza en la figura, modelando barras, líneas y cargas en la forma más detallada posible teniendo en cuenta que para este trabajo se usa carga trifásica y desbalanceada; conectada en estrella y con punto medio a tierra (3PH PH-E). El comportamiento de la carga con la tensión sigue un modelo de aproximación potencial como se visualiza en la figura (ver cap de [7]). Figura. Dependencia tensión-carga. La herramienta utilizada es específica para uso en ingeniería eléctrica y posee un entorno gráfico, herramientas de cálculo y simulación; como así también un lenguaje de programación interno que tiene acceso a todas las variables y procesos del programa, aquí es donde los parámetros del algoritmo se cargan durante la ejecución del programa o script que aplicará el ACO []. Figura. Parte de la red. ) Determinación de la regla de transición: Las hormigas seleccionan en base a las siguientes probabilidades qué interruptor abrirán. Con el fin de mantener la radialidad de la red se abrirá uno y sólo un interruptor por malla. Se propone para la selección por probabilidad el sistema de ecuaciones (4) que se modela en el script del algoritmo (figura 3). S k ( i j) S : if, q q = S : if, q > q0 0, (4) Donde : α β { τ ( ) η ( ) } S = arg_ max i, j i, j S = int erruptor _ aleatorio S k (i, j) es el estado del interruptor que la hormiga elegirá en el siguiente movimiento; k es la hormiga; (i, j) representan el estado actual y el próximo respectivamente; S y S son variables aleatorias que representan el estado del interruptor que la hormiga elegirá de acuerdo a la regla impuesta; τ (i, j ) es la cantidad de feromona depositada por la hormiga durante su paso; q es un número aleatorio entre [0,] (distribución uniforme); η (i, j) es la información heurística del problema; α es un parámetro que representa la importancia de la feromona; β es un parámetro que representa la importancia del valor heurístico. En el caso de S se decidió implementar una función que genere la elección de un nodo aleatorio. Esto genera mayor diversidad durante la búsqueda, permitiendo mejoras sustanciales en cuanto a la obtención de una mejor solución y el tiempo de ejecución. El lenguaje de programación permite el uso de funciones que generan valores aleatorios. 3
5 correspondiente a cada rama; e I i es la corriente que circula por cada rama [3]. Durante la ejecución del script se hace llamado a funciones contenidas en el programa que calculan las perdidas y actualizan la función objetivo. Figura 3. Regla de transición en el script. Como valor heurístico generalmente se utiliza la inversa del valor de la función objetivo, en este caso, las pérdidas de potencia. Sin embargo si se deseara calcular la probabilidad de elegir el siguiente interruptor mediante la regla de transición, no se dispondría del valor de las pérdidas (necesario para calcular η), ya que no se posee dicho valor hasta que se ha conformado la secuencia de interruptores. Las pérdidas cambian en la medida que cada hormiga abre determinados interruptores, debido a que la corriente en las ramas cambia. Si se hiciese el proceso contrario, para calcular las pérdidas se requerirían los interruptores a abrir, elegidos en base a la regla de transición. Ante esta situación se decide tomar como valor heurístico, no a la función objetivo, sino un valor disponible, proporcional a las pérdidas de potencia, la resistencia de las líneas. Esto se deriva de la ecuación de pérdidas por efecto Joule: P = I R (5) Entonces con la resistencia se calcula η. Por otro lado, a cada rama (línea) se le asigna un interruptor. 3) Función objetivo: Una vez que las hormigas han seleccionado los interruptores a abrir, éstos son utilizados por una función que determinará las pérdidas de potencia, calculada de la siguiente manera: r i i (6) i= P = I R Donde P son las pérdidas de potencia por efecto Joule; r es la cantidad de ramas/interruptores; R i es la resistencia 4) Actualización de la feromona: El algoritmo requiere la configuración de diversos parámetros, que determinan qué tan buena será la solución obtenida. Se realizó un análisis estadístico, observando las pérdidas obtenidas como resultado en 00 ejecuciones del método, para evaluar la influencia de cada parámetro y aproximar a valores adecuados [5]. Actualización de la feromona (local): Cada hormiga crea una solución que es evaluada, en base a la cual, se modifica el valor de feromona. La feromona es afectada de la siguiente manera: τ ( i, j) ( ξ ) τ ( i, j) ξ τ 0 = + (7) Donde τ 0 es el valor inicial de feromona; y ξ es un parámetro de la misma. Al actualizarse la feromona el proceso de búsqueda llevado a cabo por la regla de transición se reorienta. Actualización de la feromona (global): Una vez que todas las hormigas de la colonia han seleccionado los interruptores y dichas soluciones han sido evaluadas, se realiza una nueva actualización premiando a las mejores soluciones y teniendo en cuenta la evaporación. Se hace de la siguiente manera: τ ( i, j) = ( ρ ) τ ( i, j) + ρ τ ( i, j) (8) i p k= Donde: τ (i, j) es el cambio de feromona, que está dado en este caso por la inversa de las pérdidas mínimas de todas las hormigas de la colonia; ρ es el factor de evaporación de la feromona; ip es el número de interruptores premiados [5]. 5) Criterio de detención: La elección del número de hormigas (k) y el número de iteraciones (N) se hizo exclusivamente en base al tiempo de ejecución, (figura 4) dado que por cada hormiga existe una solución a evaluar y por cada 4
6 iteración existe una población entera a evaluar, esto repercute directamente sobre el tiempo de ejecución del algoritmo. Un tiempo razonable puede estar aproximadamente en los 30 segundos. El algoritmo utilizado brinda una solución alrededor de los 5 segundos. 4. BIBLIOGRAFÍA [] F. Hosseinzadeh, B. Alinejad and K. Pakfa, A new technique in Distribution Network reconfiguration for loss reduction and optimum operation, in Book A new technique in Distribution Network reconfiguration for loss reduction and optimum operation, 009, pp [] M. Dorigo and G. Di Caro, Ant colony optimization: a new metaheuristic, in Book Ant colony optimization: a new meta-heuristic, vol., 999, pp [3] M. Dorigo and L.M. Gambardella, Ant colony system: a cooperative learning approach to the traveling salesman problem, Evolutionary Computation, IEEE Transactions on, 997, vol. (), pp Figura 4. Constantes del algoritmo. 3. CONCLUSIONES Debido a que la reconfiguración de redes de distribución de energía eléctrica es muy importante para reducir las pérdidas de potencia y mejorar la seguridad, se presentó en este trabajo un método basado en Swarm Intelligence para la optimización de redes desbalanceadas, modelando la red con Digsilent Power Factory y logrando el resultado óptimo para la red de testeo. Los resultados obtenidos también son adecuados para redes más complejas. [4] M. Dorigo, V. Maniezzo and A. Colorni, Ant system: optimization by a colony of cooperating agents, Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, 996, vol. 6(), pp [5] F. Scenna, D. Anaut, L. Passoni, Member, IEEE and G. Meschino, Reconfiguration of Electrical Networks by an Ant Colony Optimization Algorithm, February 03. [6] M.E. Baran and F.F Wu, Network reconfiguration in distribution systems for loss reduction and load balancing, Power Delivery, IEEE Transactions on, 989, vol. 4(), pp [7] GmbH Gomaringen, Digsilent Power Factory Manual, December
Algoritmos basados en hormigas
Algoritmos basados en hormigas Inteligencia Artificial Avanzada 1er. Semestre 2008 1 Aspectos Generales La metáfora de los insectos sociales para resolver problemas ha sido un tema importante a partir
Más detallesReconfiguration of Electrical Networks by an Ant Colony Optimization Algorithm
538 IEEE LATIN AMERICA TRANSACTIONS, VOL. 11, NO. 1, FEB. 213 Reconfiguration of Electrical Networks by an Ant Colony Optimization Algorithm F. Scenna, D. Anaut, L. Passoni, Member, IEEE and G. Meschino
Más detallesCOMPUTACIÓN BIOLÓGICA
COMPUTACIÓN BIOLÓGICA Pedro Isasi 1 1 Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid). Spain email: isasi@ia.uc3m.es Presentación Coevolución
Más detallesOptimización basada en Colonia de Hormigas
Capítulo 11 Optimización basada en Colonia de Hormigas 11.1 Introducción Optimización de colonia de hormigas (ant colony optimization o ACO) está inspirado en el rastro y seguimiento de feromonas realizado
Más detallesCONFIGURACIÓN ÓPTIMA DE REDES DE DISTRIBUCIÓN PRIMARIA. MÉTODO SIMPLEX
CONFIGURACIÓN ÓPTIMA DE REDES DE DISTRIBUCIÓN PRIMARIA. MÉTODO SIMPLEX Daniel Orlando. Anaut Universidad Nac. de Mar del Plata, Fac. Ingeniería, Dto. Ing. Eléctrica. J. B. Justo 4302, (7600) Mar del Plata.
Más detallesAlgoritmo de colonia de hormigas para el problema de ruteo de vehículos con dependencia temporal. Santiago Balseiro Irene Loiseau Juan Ramonet
Algoritmo de colonia de hormigas para el problema de ruteo de vehículos con dependencia temporal Santiago Balseiro Irene Loiseau Juan Ramonet Hoja de Ruta Introducción al Problema Algoritmos Interfaz Gráfica
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detalles1. Historial de la asignatura.
Nombre de la asignatura: PROGRAMACIÓN HEURÍSTICA Línea de investigación: Optimización Inteligente Horas teóricas - Horas prácticas - Horas trabajo adicional - Horas totales Créditos 32 16 64 112-7 1. Historial
Más detallesOPTIMIZACIÓN BASADA EN SISTEMA DE HORMIGAS CON HEURÍSTICA DE INICIALIZACIÓN 1
OPTIMIZACIÓN BASADA EN SISTEMA DE HORMIGAS CON HEURÍSTICA DE INICIALIZACIÓN 1 Marta Almirón malmiron@cnc.una.py Enrique Chaparro Viveros eviveros@cnc.una.py Benjamín Barán bbaran@cnc.una.py Centro Nacional
Más detallesTema 1. Heurísticos en Optimización Combinatorial
Tema 1. Heurísticos en Optimización Combinatorial p. 1/2 Tema 1. Heurísticos en Optimización Combinatorial Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesBúsqueda de errores en programas usando Java PathFinder y ACOhg
1 / 16 Búsqueda de errores en programas usando Java PathFinder y ACOhg Francisco Chicano y Enrique Alba Motivación Motivación El Software actual es difícil de testar por simple inspección...... y se encuentra
Más detallesOptimization of Hydroelectric Power
542 IEEE LATIN AMERICA TRANSACTIONS, VOL. 8, NO. 5, SEPTEMBER 2010 Optimization of Hydroelectric Power Ramiro Ortiz Flórez 1 Abstract This paper describes the mathematical model of a dynamic optimization
Más detallesMejoras a algoritmos genéticos. Inteligencia Computacional Blanca A. Vargas Govea Sep 25, 2012
Mejoras a algoritmos genéticos Inteligencia Computacional Blanca A. Vargas Govea vargasgovea@itesm.mx Sep 25, 2012 Conocer las mejoras usuales a algoritmos genéticos 2 1. Diseñar una representación 2.
Más detallesSIMULADOR DE SISTEMAS MULTI-ROBOTS UTILIZANDO MODELOS DE ENJAMBRE PARA LA COORDINACION DE TAREAS
SIMULADOR DE SISTEMAS MULTI-ROBOTS UTILIZANDO MODELOS DE ENJAMBRE PARA LA COORDINACION DE TAREAS Wilson Pérez Angel Gil Yurisan Collado weps84@gmail.com agil@unet.edu.ve yurisan29@gmail.com Laboratorio
Más detallesSolución coordinada del problema de reconfiguración de alimentadores primarios y balance de fases
INGENIERÍA ELÉCTRICA Solución coordinada del problema de reconfiguración de alimentadores primarios y balance de fases ELÉCTRICAL ENGINEERING Coordinated solution to the problem of primary feeder reconfiguration
Más detallesUN ENOQUE UNIFICADO DE SISTEMA DE HORMIGAS PARA RESOLVER PROBLEMAS VRP
UN ENOQUE UNIFICADO DE SISTEMA DE HORMIGAS PARA RESOLVER PROBLEMAS VRP Emely Arráiz Oscar Meza Guillermo Palma Departamento de Computación y Tecnología de la Información Universidad Simón Bolívar Caracas,
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesCÁLCULO DE CAMINO ÓPTIMO PARA MANIPULADOR ARTICULADO SCARA SUJETO A OBSTÁCULOS
CÁLCULO DE CAMINO ÓPTIMO PARA MANIPULADOR ARTICULADO SCARA SUJETO A OBSTÁCULOS Carlos Pillajo cpillajo@ups.edu.ec Agenda : Planteamiento del Problema Introducción Planificación de Caminos Cálculo del Espacio
Más detallesAnt Colony Optimization
Ant Colony Optimization (Optimización Basada en el comportamiento de Colonias de Hormigas) Una Metaheurística Bio inspirada CINVESTAV Ciudad de México - 2012 Dr. Guillermo Leguizamón El enfoque ACO, marco
Más detallesAlgoritmos basados en inteligencia de enjambres: Hormigas y Abejas
Algoritmos basados en inteligencia de enjambres: Hormigas y Abejas Miguel Cárdenas Montes - Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesIngeniería y Competitividad ISSN: Universidad del Valle Colombia
Ingeniería y Competitividad ISSN: 0123-3033 inycompe@gmail.com Universidad del Valle Colombia Garcés-Ruiz, Alejandro; Granada-Echeverri, Mauricio; Gallego-R., Ramón A. Balance de fases usando colonia de
Más detallesOptimización global en espacios restringidos mediante el sistema inmune artificial.
Optimización global en espacios restringidos mediante el sistema inmune artificial. Tesista: Daniel Trejo Pérez dtrejo@computacion.cs.cinvestav.mx Director de tesis: Dr. Carlos Artemio Coello Coello CINVESTAV-IPN
Más detallesCOSTOS DE DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA BAJO LA PENETRACIÓN DE GENERACIÓN DISTRIBUIDA FOTOVOLTAICA
COSTOS DE DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA BAJO LA PENETRACIÓN DE GENERACIÓN DISTRIBUIDA FOTOVOLTAICA XIII JORNADA DE DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA Por: Carlos Andrés Garcia Montoya M.Sc, Ph.D (C)
Más detallesEnrutamiento Multicast Multiobjetivo basado en Colonia de Hormigas
Enrutamiento Multicast Multiobjetivo basado en Colonia de Hormigas Diego Pinto & Benjamín Barán Centro Nacional de Computación, Universidad Nacional de Asunción, San Lorenzo, Paraguay {dpinto,bbaran}@cnc.una.py
Más detallesIngeniare. Revista Chilena de Ingeniería ISSN: Universidad de Tarapacá Chile
Ingeniare. Revista Chilena de Ingeniería ISSN: 0718-3291 facing@uta.cl Universidad de Tarapacá Chile Salazar Hornig, Eduardo; Torres Pérez, Deisy Aplicación de un algoritmo ACO al problema de flowshop
Más detallesMétodo de colonia de hormigas aplicado a la solución del problema de asignación generalizada
Método de colonia de hormigas aplicado a la solución del problema de asignación generalizada Method of the ant colony applied to the solution of the generalized assignment problem ELIANA MIRLEDY TORO OCAMPO
Más detallesEstimación del Costo Marginal de la Calidad del Servicio en la Distribución de Energía: Aplicación a un Caso Colombiano
Estimación del Costo Marginal de la Calidad del Servicio en la Distribución de Energía: Aplicación a un Caso Colombiano XIV JORNADA DE DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA Por: Carlos Andrés Garcia Montoya
Más detallesAnálisis del Ómicron ACO con optimización local
Análisis del Ómicron ACO con optimización local Pedro Esteban Gardel Sotomayor Universidad Nacional de Asunción Centro Nacional de Computación San Lorenzo, Paraguay pgardel@cnc.una.py Osvaldo Gómez Universidad
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesUniversidad Autónoma de Nuevo León
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Eficiencia de la Búsqueda Local para Instancias Diferentes del Problema de
Más detallesProgramación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13
Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesUso del algoritmo de colonia de hormigas en el aprendizaje de redes bayesianas
Uso del algoritmo de colonia de hormigas en el aprendizaje de redes bayesianas Guillermo Ramos F., Abraham Sánchez L., Fabian Aguilar C., María B. Bernábe L., Rogelio González V. Benemérita Universidad
Más detallesRevisión del algoritmo de Corte Normalizado
Capítulo 2 Revisión del algoritmo de Corte Normalizado El algoritmo Ncut realiza la segmentación planteando un problema de división de grafos, en el cual se pretende maximizar tanto la disimilitud entre
Más detalles3RQWLILFLD8QLYHUVLGDG-DYHULDQD%RJRWi&RORPELD &RUUHRHOHFWUyQLFRRODUWHYDOGLYLHVRUDIDHO#\DKRRFRPQREUHJRQ#MDYHULDQDHGXFRIUDJDOD#MDYHULDQDHGXFR
237,,=$&,21(7$+(85,67,&$'(812'(/2+,'52/2*,&2'( 6,8/$&,21&217,18$86$1'2(/$/*25,72'(/$&2/21,$'( +25,*$6 2ODUWH5(2EUHJyQ1\)UDJDOD) 3RQWLILFLD8QLYHUVLGDG-DYHULDQD%RJRWi&RORPELD &RUUHRHOHFWUyQLFRRODUWHYDOGLYLHVRUDIDHO#\DKRRFRPQREUHJRQ#MDYHULDQDHGXFRIUDJDOD#MDYHULDQDHGXFR
Más detallesOptimización por colonia de hormigas: aplicaciones y tendencias
Optimización por colonia de hormigas: aplicaciones y tendencias Ant colony optimization: applications and trends Recibido: 10 de octubre del 2010 Aprobado: 25 de noviembre del 2010 C a r l o s A r t u
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesCAPITULO 2: MARCO TEÓRICO. En el desarrollo de este capítulo se presentan descripciones generales,
CAPITULO 2: MARCO TEÓRICO En el desarrollo de este capítulo se presentan descripciones generales, definiciones y métodos, que nos pueden ayudar a entender con claridad el método que desarrolló en esta
Más detallesCAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.
CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:
Más detallesCAPÍTULO 4 METODOLOGÍA PROPUESTA
CAPÍTULO 4 METODOLOGÍA PROPUESTA En este capítulo, se describen los métodos utilizados en el procedimiento propuesto para obtener soluciones del PLIDMC. En la actualidad, muchos de los problemas de optimización
Más detallesAndrés A. Rojas Q. 1,2 * Paulo De Oliveira-De Jesus 1,2 * * RESUMEN
ESTUDIO DE PÉRDIDAS TÉCNICAS A TRAVÉS DE UNA TÉCNICA DE ESTIMACIÓN DE ESTADO EN SISTEMAS DE DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA UTILIZANDO LOS DATOS DE FACTURACIÓN DE LOS USUARIOS Andrés A. Rojas Q. 1,2
Más detallesTRABAJO TEORICOEXPERIMENTAL
TRABAJO TEORICOEXPERIMENTAL Algoritmo Heurístico para la Reconfiguración de Sistemas de Distribución Mediante Intercambio de Ramas Heuristic Algorithm for Distribution Systems Reconfiguration By Means
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesTutorías: 10:00 a 14:00 de lunes a viernes en el L (Solicitud mediante )
1 José María Font Fernández jm.font@upm.es Tutorías: 10:00 a 14:00 de lunes a viernes en el L-3101. (Solicitud mediante email) http://dl.dropbox.com/u/1074349/computacionevolutiva.pdf 2 o La Computación
Más detallesOptimización de Colonia de Hormigas para resolver el problema de Distribución en Planta
Optimización de Colonia de Hormigas para resolver el problema de Distribución en Planta Luis Felipe Romero Dessens, José Alberto González Anaya y Luis Manuel Lozano Cota Universidad de Sonora, Departamento
Más detallesAnálisis de esquemas de manejo de restricciones en optimización global.
Análisis de esquemas de manejo de restricciones en optimización global. Tesista: Daniel Trejo Pérez dtrejo@computacion.cs.cinvestav.mx Director de tesis: Dr. Carlos Artemio Coello Coello CINVESTAV-IPN
Más detallesAplicaciones. Inteligencia Computacional Carrera de Ingeniería Informática
Aplicaciones Inteligencia Computacional Carrera de Ingeniería Informática Aplicaciones de IC Unidad VIII: Configuración del problema y aplicación de las técnicas de inteligencia computacional en: clasificación
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Concepto de Penalización Un método de
Más detallesPrograma para la ejecución de la reconfiguración de alimentadores de distribución primaria
energética Vol. XXV, No. 3 /2004 APLICACIÓN DE LA COMPUTACIÓN Programa para la ejecución de la reconfiguración de alimentadores de distribución primaria Yoel R. Rosales Michel Zamora Recibido: Septiembre
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS 1. ALGORITMOS GENÉTICOS. INTRODUCCIÓN 2. CÓMO SE CONSTRUYE? 3. SOBRE SU UTILIZACIÓN 4. ALGUNAS CUESTIONES: DIVERSIDAD, EXPLORACIÓN vs EXPLOTACIÓN 5. MODELOS: GENERACIONAL vs ESTACIONARIO
Más detallesJorge Hans Alayo Gamarra. 8 de octubre de Red de Energía del Perú
Un Modelo de Planificación para el Sistema de Transmisión Eléctrico Peruano: Una Representación Eficiente del Costo de Operación en la Función Objetivo Jorge Hans Alayo Gamarra Red de Energía del Perú
Más detallesPráctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms)
PLANIFICACIÓN Y GESTIÓN DE REDES Grado en Ingeniería Telemática Curso 2012-2013 Práctica 2. Algoritmos de búsqueda local (local search algorithms) y algoritmos avariciosos (greedy algorithms) Autor: Pablo
Más detallesAYUDANTÍA 2: RIESGO EN PROYECTOS
AYUDANTÍA 2: RIESGO EN PROYECTOS ICC2302 INGENIERÍA DE CONSTRUCCIÓN 1 2008 TEMARIO Estimación de Costos de Proyectos Estimación Preliminar Estimación Conceptual Estimación Detallada Estimación Definitiva
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesFacultad de Ingeniería. Escuela de Eléctrica. Asignatura Protección y Coordinación de Sistemas de Potencia.
Tema: Protección y coordinación con relés de sobrecorriente. Facultad de Ingeniería. Escuela de Eléctrica. Asignatura Protección y Coordinación de Sistemas de Potencia. I. OBJETIVOS. Coordinar en un sistema
Más detalles7. PARAMETRIZACIÓN SOBRE LA RED DE PRUEBA
7. PARAMETRIZACIÓN SOBRE LA RED DE PRUEBA 7.1. Red de prueba Para realizar el análisis de los parámetros del problema e intentar encontrar los valores óptimos de estos se ha hecho uso de un modelo de ciudad
Más detallesFlujos de redes (Network Flows NF)
Fluos de redes (Network Flows NF). Terminología. Árbol generador mínimo. Camino mínimo 4. Fluo máximo 5. Fluo de coste mínimo TEORÍA DE GRAFOS. OPTIMIZACIÓN EN REDES Terminología Red o grafo (G) Nodos
Más detallesParticionamiento Numérico CIMPA-UCR. usando Metaheurísticas de Optimización
Particionamiento Numérico usando Metaheurísticas de Optimización 1 Métodos de vecindarios 1.1 Sobrecalentamiento simulado 1.2 Búsqueda tabú Optimizacion Combinatoria F: S R S: espacio de estados (soluciones
Más detallesINSTITUTO TECNOLÓGICO DE NUEVO LAREDO. INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia: Inteligencia Artificial. Catedrático:
INSTITUTO TECNOLÓGICO DE NUEVO LAREDO. INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia: Inteligencia Artificial. Catedrático: Ing. Bruno López Takeyas. Tema Equipo 3 : Hill Climbing. Alumnos: Alvarado
Más detallesCAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO.
CAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO. En este capítulo se presenta el modelo con tiempos de falla con distribución Exponencial y
Más detallesOn the Correlation between Static Measures and Code Coverage using Evolutionary Test Case Generation
ADIS 2009 1of22 On the Correlation between Static Measures and Code Coverage using Evolutionary Test Case Generation Javier Ferrer,, Francisco Chicano and Enrique Alba ferrer@lcc.uma.es ferrer@lcc.uma.es
Más detallesProgramación Entera. Nelson Devia C. IN Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulos 10 y 11
Más detallesEstado del arte en la ubicación óptima de capacitores y estudio de optimalidad de la solución mediante búsqueda exhaustiva
REVISTA INGENIERÍA E INVESTIGACIÓN No. 56, DICIEMBRE DE 2004. 67-72 RIVERA RODRÍGUEZ Estado del arte en la ubicación óptima de capacitores y estudio de optimalidad de la solución mediante búsqueda exhaustiva
Más detallesComparativa de las fases constructivas de las metaheurísticas ACO y GRASP para el problema CARP. RESUMEN
ƒ Índice Comparativa de las fases constructivas de las metaheurísticas ACO y GRASP para el problema CARP. Joaquín Bautista Valhondo 1, Jordi Pereira Gude 2 1 Departamento de Organización de Empresas. UPC
Más detallesSISTEMA DISTRIBUIDO DE HORMIGAS PARA EL PROBLEMA DEL CAJERO VIAJANTE 1
SISTEMA DISTRIBUIDO DE HORMIGAS PARA EL PROBLEMA DEL CAJERO VIAJANTE 1 Marta Almirón malmiron@cnc.una.py Enrique Chaparro Viveros eviveros@cnc.una.py Benjamín Barán bbaran@cnc.una.py Centro Nacional de
Más detallesAlgoritmos de hormigas para un problema de equilibrado de líneas. RESUMEN
ƒ Índice Algoritmos de hormigas para un problema de equilibrado de líneas. Joaquín Bautista Valhondo 1, Jordi Pereira Gude 2 1 Departamento de Organización de Empresas. UPC (Doctor Ingeniero Industrial,
Más detallesInteligencia Computacional
Inteligencia Computacional Recocido simulado: recomendaciones http://blancavg.com/tc0/ Blanca A. Vargas Govea * vargasgovea@itesm.mx * Agosto, 0 Fecha examen- Martes Sep N. Metrópolis De la teoría a los
Más detallesAlgoritmo Bioinspirado en inteligencia de enjambres de Optimización de Colonias de Hormigas para el caso del problema de distribución en planta
Algoritmo Bioinspirado en inteligencia de enjambres de Optimización de Colonias de Hormigas para el caso del problema de distribución en planta Jineth Paola Obando Solano 1 Jhonny Zamora 2 y Frank N. Giraldo
Más detallesUNIDAD 4 CONTROL DE PROYECTOS
UNIDAD 4 CONTROL DE PROYECTOS TÉCNICAS DE PROGRAMACIÓN Las técnicas de planificación se ocupan de estructurar las tareas a realizar dentro del proyecto, definiendo la duración y el orden de ejecución de
Más detallesSistema de Hormigas para una Red Heterogénea de Computadoras
Sistema de Hormigas para una Red Heterogénea de Computadoras REPORTE TÉCNICO RT003-2001 Marta Almirón malmiron@cnc.una.py Benjamín Barán bbaran@cnc.una.py Centro Nacional de Computación Universidad Nacional
Más detallesALGORITMO BIO-INSPIRADO EN LA NATURALEZA DE UNA FAMILIA EN PARTICULAR DE AVES LLAMADAS CUCOS PARA LA OPTIMIZACIÓN DE PROBLEMAS MATEMÁTICOS
ALGORITMO BIO-INSPIRADO EN LA NATURALEZA DE UNA FAMILIA EN PARTICULAR DE AVES LLAMADAS CUCOS PARA LA OPTIMIZACIÓN DE PROBLEMAS MATEMÁTICOS Maribel Guerrero a, Oscar Castillo b, Mario García b a Instituto
Más detallesLOCALIZACIÓN ÓPTIMA DE RECONECTADORES NORMALMENTE ABIERTOS PARA TRANSFERENCIA DE CARGA
LOCALIZACIÓN ÓPTIMA DE RECONECTADORES NORMALMENTE ABIERTOS PARA TRANSFERENCIA DE CARGA Autores: Carlos Andrés Pulgarín F. Mario Aldemar Ríos Camilo Andrés Acosta U. Ricardo Alberto Hincapié I. Mauricio
Más detallesNombre de la Unidad de Aprendizaje. Clave de la UA Modalidad de la UA Tipo de UA Valor de créditos Área de formación
Misión del Centro Universitario Somos un centro que forma parte de la Red Universitaria de la Universidad de Guadalajara. Como institución de educación superior pública asumimos el compromiso social de
Más detallesFigura 1. Las hormigas buscan diversas opciones para retomar su previo camino óptimo.
INTRODUCCIÓN Las empresas han volcado sus esfuerzos en incrementar su competitividad en el mercado apuntalando la logística de distribución. Para que una empresa pueda llegar a un estado competitivo, ésta
Más detallesReporte de Investigación Validación de FluPot: Modelo Polinomial para Cargas Estáticas
Reporte de Investigación 2007-15 Validación de FluPot: Modelo Polinomial para Cargas Estáticas Responsables: Carlos Ornelas William Marchena Frednides Guillen Supervisor: Francisco M. González-Longatt
Más detallesIntroducción a la Investigación Operativa
Introducción a la Investigación Operativa José María Ferrer Caja Universidad Pontificia Comillas Definición Conjunto de métodos científicos que se aplican para mejorar la eficiencia de las operaciones,
Más detallesCOMPARACIÓN DE MÉTODOS DE REDUCCIÓN DE PÉRDIDAS TÉCNICAS DE ENERGÍA EMPLEANDO RECONFIGURACIÓN EN SISTEMAS DE DISTRIBUCIÓN RADIAL
COMPARACIÓN DE MÉTODOS DE REDUCCIÓN DE PÉRDIDAS TÉCNICAS DE ENERGÍA EMPLEANDO RECONFIGURACIÓN EN SISTEMAS DE DISTRIBUCIÓN RADIAL JIMMY ALBERTO SUAREZ GIL DANILO ANDRES PIÑEROS GUARNIZO UNIVERSIDAD DE LA
Más detallesSeminario de solución de problemas de Inteligencia Artificial 1 (Algoritmos Evolutivos)
Misión del Centro Universitario Somos un centro que forma parte de la Red Universitaria de la Universidad de Guadalajara. Como institución de educación superior pública asumimos el compromiso social de
Más detallesMODELO ACO PARA LA RECOLECCIÓN DE RESIDUOS POR CONTENEDORES ACO MODEL APPLIED TO THE WASTE COLLECTION BY CONTAINERS
Ingeniare. Revista chilena de ingeniería, vol. 17 Nº 2, 2009, pp. 236-243 MODELO ACO PARA LA RECOLECCIÓN DE RESIDUOS POR CONTENEDORES ACO MODEL APPLIED TO THE WASTE COLLECTION BY CONTAINERS Eduardo Salazar
Más detallesAlternativas para disminuir las interrupciones del servicio eléctrico por descargas atmosféricas en Barquisimeto
46 energética Vol. XXV 2/4 Alternativas para disminuir las interrupciones del servicio eléctrico por descargas atmosféricas en Barquisimeto Carmen Luisa Vásquez Olga Susana Suárez María Carolina Blanco
Más detallesConjuntos test en optimización entera no lineal. J. Gago M. I. Hartillo J. Puerto J.M. Ucha. Priego de Córdoba, de Septiembre 2013
Conjuntos test en optimización entera no lineal J. Gago M. I. Hartillo J. Puerto J.M. Ucha Priego de Córdoba, 27-29 de Septiembre 2013 Método Walk-Back Programación entera con ayuda del álgebra Recordaremos
Más detallesPLANEAMIENTO DE REDES SECUNDARIAS DE DISTRIBUCIÓN USANDO UN ALGORITMO DE OPTIMIZACIÓN BASADO EN COLONIA DE HORMIGAS OSCAR ANDRÉS MARROQUÍN OROZCO
PLANEAMIENTO DE REDES SECUNDARIAS DE DISTRIBUCIÓN USANDO UN ALGORITMO DE OPTIMIZACIÓN BASADO EN COLONIA DE HORMIGAS OSCAR ANDRÉS MARROQUÍN OROZCO UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS
Más detalles5549 Sistemas Eléctricos de Potencia I. Horas trabajo adicional estudiante. Totales teoría 16 práctica IEA IM IMA IME IMT
A) CURSO Clave Asignatura 5549 Sistemas Eléctricos de Potencia I Horas de teoría por semana Horas de práctica por semana Horas trabajo adicional estudiante Créditos Horas Totales 4 1 4 9 64 teoría 16 práctica
Más detallesCAPÍTULO 6 CONCLUSIONES Y RECOMENDACIONES
CAPÍTULO 6 CONCLUSIONES Y RECOMENDACIONES 6.1. CONCLUSIONES GENERALES. Debido a la gran cantidad de información involucrada en la planificación de los sistemas de distribución se hace necesaria la utilización
Más detallesALN - Curso 2007 Gradiente Conjugado
ALN - Curso 27 Gradiente Conjugado Cecilia González Pérez Junio 27 Métodos Iterativos Pueden ser: Métodos estacionarios Métodos no estacionarios Métodos no estacionarios hacen uso de información, evaluada
Más detallesCI63G Planificación de Sistemas de Transporte Público Urbano. Clase 12 Semestre Otoño 2008
CI63G Planificación de Sistemas de Transporte Público Urbano Clase 12 Semestre Otoño 2008 Modelos de asignación de Transporte Público Para una oferta y demanda dadas de transporte público, se decide como
Más detallesNUEVOS ALGORITMOS INTELIGENTES PARA REDES DE DISTRIBUCIÓN DESEQUILIBRADAS. Ana Morales Directora General DIgSILENT Ibérica
NUEVOS ALGORITMOS INTELIGENTES PARA REDES DE DISTRIBUCIÓN DESEQUILIBRADAS Ana Morales Directora General DIgSILENT Ibérica NUEVOS ALGORITMOS DIgSILENT trabaja en el desarrollo de nuevos algoritmos para
Más detallesUniversidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO
Universidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO CODIGO DEL CURSO: CS360 1 Datos Generales FACULTAD : Ingeniería de Producción y Servicios DEPARTAMENTO :Ingeniería de Sistemas e Informática
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesAcademia de la carrera de Licenciatura en Informática del Instituto Tecnológico de Aguascalientes
1. DATOS DE LA ASIGNATURA Nombre: Técnicas de Inteligencia Artificial y Sistemas Multi-agentes Carrera: Licenciatura en Informática Clave de la asignatura: IFS-0405 Horas teoría - horas práctica - créditos:
Más detallesTema 5: Algoritmos Genéticos
Tema 5: Algoritmos Genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial Búsqueda
Más detallesAplicación del método de bisección para la mejora automática del comportamiento a-todo-momento del algoritmo ASO
Aplicación del método de bisección para la mejora automática del comportamiento a-todo-momento del algoritmo ASO Juan C. Moreno-Torres, Marco A. Moreno-Armendáriz Instituto Politécnico Nacional, Centro
Más detallesEl propósito de un sistema de producción es realizar productos que. satisfagan las necesidades del cliente, por ejemplo funcionalidad, calidad, costo
1 Introducción El propósito de un sistema de producción es realizar productos que satisfagan las necesidades del cliente, por ejemplo funcionalidad, calidad, costo y confiabilidad. La disponibilidad en
Más detalles