Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales

Mostrar todas las versiones(2)

La predicción del comportamiento de incendios forestales no es una tarea sencilla ya que dicho proceso se ve afectado por la falta de precisión o incertidumbre en los parámetros de entrada. En base a esto, resulta importante desarrollar métodos que permitan tratar la incertidumbre posibilitan...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Bianchini, Germán, Caymes Scutari, Paola, Méndez Garabetti, Miguel, Tardivo, María
Formato: Artículo acceptedVersion
Lenguaje:Español
Publicado: 2023
Materias:
Evolución Diferencial, Algoritmos Evolutivos, Optimización por Cúmulo de Partículas, HPC, Reducción de Incertidumbre
Acceso en línea:http://hdl.handle.net/20.500.12272/8109
Aporte de:
RIA - Repositorio Institucional Abierto (UTN) de Universidad Tecnológica Nacional
id I68-R174-20.500.12272-8109
record_format dspace
spelling I68-R174-20.500.12272-81092023-06-23T12:31:17Z Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales Bianchini, Germán Caymes Scutari, Paola Méndez Garabetti, Miguel Tardivo, María Evolución Diferencial, Algoritmos Evolutivos, Optimización por Cúmulo de Partículas, HPC, Reducción de Incertidumbre La predicción del comportamiento de incendios forestales no es una tarea sencilla ya que dicho proceso se ve afectado por la falta de precisión o incertidumbre en los parámetros de entrada. En base a esto, resulta importante desarrollar métodos que permitan tratar la incertidumbre posibilitando la obtención de predicciones más precisas y confiables. En el proyecto que aquí se expone se propone el desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESSIM). En HESSIM se plantea un resultantes de proyectos previos en los cuales se implementaron dos versiones de ESS-IM: la primera con Algoritmos Evolutivos, y la segunda con Evolución Diferencial. De este modo surge la idea de desarrollar una versión híbrida en un único método, en vista del potencial aportado por cada una de las metaheurísticas poblacionales en forma aislada, y añadiendo además una tercera (PSO). Dado que las arquitecturas paralelas se han convertido en una herramienta importante en muchos campos de la ciencia por los beneficios que aporta a la hora de efectuar los cálculos, y debido a la naturaleza intrínsecamente paralela de las tres método que combine la fuerza de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos (EA), Evolución Diferencial (DE) y Optimización por Cúmulo de Partículas (PSO), bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. HESSIM corresponde a la continuación de las líneas abiertas metaheurísticas elegidas, HESSIM se implementará siguiendo un esquema de procesamiento paralelo. Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina 2023-06-23T12:31:17Z 2023-06-23T12:31:17Z 2018-04-27 info:eu-repo/semantics/article acceptedVersion XX Workshop de Investigadores en Ciencias de la Computación (XX WICC). Año 2018. http://hdl.handle.net/20.500.12272/8109 spa PID4736 openAccess http://creativecommons.org/publicdomain/zero/1.0/ CC0 1.0 Universal Universidad Tecnológica Nacional. Facultad Regional Mendoza Atribución pdf
institution Universidad Tecnológica Nacional
institution_str I-68
repository_str R-174
collection RIA - Repositorio Institucional Abierto (UTN)
language Español
topic Evolución Diferencial, Algoritmos Evolutivos, Optimización por Cúmulo de Partículas, HPC, Reducción de Incertidumbre
spellingShingle Evolución Diferencial, Algoritmos Evolutivos, Optimización por Cúmulo de Partículas, HPC, Reducción de Incertidumbre
Bianchini, Germán
Caymes Scutari, Paola
Méndez Garabetti, Miguel
Tardivo, María
Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales
topic_facet Evolución Diferencial, Algoritmos Evolutivos, Optimización por Cúmulo de Partículas, HPC, Reducción de Incertidumbre
description La predicción del comportamiento de incendios forestales no es una tarea sencilla ya que dicho proceso se ve afectado por la falta de precisión o incertidumbre en los parámetros de entrada. En base a esto, resulta importante desarrollar métodos que permitan tratar la incertidumbre posibilitando la obtención de predicciones más precisas y confiables. En el proyecto que aquí se expone se propone el desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESSIM). En HESSIM se plantea un resultantes de proyectos previos en los cuales se implementaron dos versiones de ESS-IM: la primera con Algoritmos Evolutivos, y la segunda con Evolución Diferencial. De este modo surge la idea de desarrollar una versión híbrida en un único método, en vista del potencial aportado por cada una de las metaheurísticas poblacionales en forma aislada, y añadiendo además una tercera (PSO). Dado que las arquitecturas paralelas se han convertido en una herramienta importante en muchos campos de la ciencia por los beneficios que aporta a la hora de efectuar los cálculos, y debido a la naturaleza intrínsecamente paralela de las tres método que combine la fuerza de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos (EA), Evolución Diferencial (DE) y Optimización por Cúmulo de Partículas (PSO), bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. HESSIM corresponde a la continuación de las líneas abiertas metaheurísticas elegidas, HESSIM se implementará siguiendo un esquema de procesamiento paralelo.
format Artículo
acceptedVersion
author Bianchini, Germán
Caymes Scutari, Paola
Méndez Garabetti, Miguel
Tardivo, María
author_facet Bianchini, Germán
Caymes Scutari, Paola
Méndez Garabetti, Miguel
Tardivo, María
author_sort Bianchini, Germán
title Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales
title_short Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales
title_full Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales
title_fullStr Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales
title_full_unstemmed Procesamiento Computacional Paralelo con Metaheurísticas Híbridas para la Reducción de Incertidumbre en Modelos de Incendios Forestales
title_sort procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales
publishDate 2023
url http://hdl.handle.net/20.500.12272/8109
work_keys_str_mv AT bianchinigerman procesamientocomputacionalparaleloconmetaheuristicashibridasparalareducciondeincertidumbreenmodelosdeincendiosforestales
AT caymesscutaripaola procesamientocomputacionalparaleloconmetaheuristicashibridasparalareducciondeincertidumbreenmodelosdeincendiosforestales
AT mendezgarabettimiguel procesamientocomputacionalparaleloconmetaheuristicashibridasparalareducciondeincertidumbreenmodelosdeincendiosforestales
AT tardivomaria procesamientocomputacionalparaleloconmetaheuristicashibridasparalareducciondeincertidumbreenmodelosdeincendiosforestales
_version_ 1769989309467721728

Ejemplares similares