Optimización hiperheurística guiada por datos experimentales

La digitalización es uno de los principales motores de la innovación pues cada vez hay más datos disponibles. Su explotación eficiente es imprescindible. En particular, para la optimización de sistemas de procesos es un desafío combinar métodos cimentados en ecuaciones con estrategias basadas en dat...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Ardenghi, Juan I., Genovese, Constanza, Oteiza, Paola P., Brignole, Nélida B.
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2024
Materias:
Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/178457
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-178457
record_format dspace
spelling I19-R120-10915-1784572025-04-25T20:07:34Z http://sedici.unlp.edu.ar/handle/10915/178457 Optimización hiperheurística guiada por datos experimentales Ardenghi, Juan I. Genovese, Constanza Oteiza, Paola P. Brignole, Nélida B. 2024-08 2024 2025-04-25T13:24:19Z es Ciencias Informáticas Inteligencia artificial Optimización Aprendizaje Automático Metamodelos RWGS La digitalización es uno de los principales motores de la innovación pues cada vez hay más datos disponibles. Su explotación eficiente es imprescindible. En particular, para la optimización de sistemas de procesos es un desafío combinar métodos cimentados en ecuaciones con estrategias basadas en datos. Presentamos un enfoque que consiste en la integración de modelos físicos con el aprendizaje automático. Se propone una metodología basada en la física para derivar un metamodelo utilizando boosting. Para el ajuste paramétrico se emplea el Optimizador Hiperheurístico Cooperativo Paralelo (PCHO). PCHO comprende las metaheurísticas clásicas denominadas Algoritmos Genéticos, Recocido Simulado y Optimización por Enjambre de Partículas, cuyos parámetros se eligen de forma adaptativa durante las ejecuciones. Algunos mecanismos complejos pueden requerir varias instancias para representar la realidad. El objetivo de los metamodelos es unificar varias estructuras posibles para obtener resultados generales. Se describe el diseño conceptual de este enfoque, cuyo marco general se concibió para encontrar un metamodelo de la velocidad de reacción inversa del desplazamiento de gas en agua (RWGS) a 600°C. Para este caso se generaron datos experimentales para varios escenarios reales. En consecuencia, fue necesario ajustar varias correlaciones potencialmente aplicables que se combinaron en un metamodelo final. Sociedad Argentina de Informática e Investigación Operativa Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 1-14
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
spellingShingle Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
Ardenghi, Juan I.
Genovese, Constanza
Oteiza, Paola P.
Brignole, Nélida B.
Optimización hiperheurística guiada por datos experimentales
topic_facet Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
description La digitalización es uno de los principales motores de la innovación pues cada vez hay más datos disponibles. Su explotación eficiente es imprescindible. En particular, para la optimización de sistemas de procesos es un desafío combinar métodos cimentados en ecuaciones con estrategias basadas en datos. Presentamos un enfoque que consiste en la integración de modelos físicos con el aprendizaje automático. Se propone una metodología basada en la física para derivar un metamodelo utilizando boosting. Para el ajuste paramétrico se emplea el Optimizador Hiperheurístico Cooperativo Paralelo (PCHO). PCHO comprende las metaheurísticas clásicas denominadas Algoritmos Genéticos, Recocido Simulado y Optimización por Enjambre de Partículas, cuyos parámetros se eligen de forma adaptativa durante las ejecuciones. Algunos mecanismos complejos pueden requerir varias instancias para representar la realidad. El objetivo de los metamodelos es unificar varias estructuras posibles para obtener resultados generales. Se describe el diseño conceptual de este enfoque, cuyo marco general se concibió para encontrar un metamodelo de la velocidad de reacción inversa del desplazamiento de gas en agua (RWGS) a 600°C. Para este caso se generaron datos experimentales para varios escenarios reales. En consecuencia, fue necesario ajustar varias correlaciones potencialmente aplicables que se combinaron en un metamodelo final.
format Objeto de conferencia
Objeto de conferencia
author Ardenghi, Juan I.
Genovese, Constanza
Oteiza, Paola P.
Brignole, Nélida B.
author_facet Ardenghi, Juan I.
Genovese, Constanza
Oteiza, Paola P.
Brignole, Nélida B.
author_sort Ardenghi, Juan I.
title Optimización hiperheurística guiada por datos experimentales
title_short Optimización hiperheurística guiada por datos experimentales
title_full Optimización hiperheurística guiada por datos experimentales
title_fullStr Optimización hiperheurística guiada por datos experimentales
title_full_unstemmed Optimización hiperheurística guiada por datos experimentales
title_sort optimización hiperheurística guiada por datos experimentales
publishDate 2024
url http://sedici.unlp.edu.ar/handle/10915/178457
work_keys_str_mv AT ardenghijuani optimizacionhiperheuristicaguiadapordatosexperimentales
AT genoveseconstanza optimizacionhiperheuristicaguiadapordatosexperimentales
AT oteizapaolap optimizacionhiperheuristicaguiadapordatosexperimentales
AT brignolenelidab optimizacionhiperheuristicaguiadapordatosexperimentales
_version_ 1847925369529696256

Ejemplares similares