Optimización hiperheurística guiada por datos experimentales

Autores
Ardenghi, Juan I.; Genovese, Constanza; Oteiza, Paola P.; Brignole, Nélida B.
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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
Materia
Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/178457

id SEDICI_027a9fd8dbd743e9288424ba78c6d8a5
oai_identifier_str oai:sedici.unlp.edu.ar:10915/178457
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Optimización hiperheurística guiada por datos experimentalesArdenghi, Juan I.Genovese, ConstanzaOteiza, Paola P.Brignole, Nélida B.Ciencias InformáticasInteligencia artificialOptimizaciónAprendizaje AutomáticoMetamodelosRWGSLa 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 Operativa2024-08info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1-14http://sedici.unlp.edu.ar/handle/10915/178457spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17926info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:47:49Zoai:sedici.unlp.edu.ar:10915/178457Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:49.487SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Optimización hiperheurística guiada por datos experimentales
title Optimización hiperheurística guiada por datos experimentales
spellingShingle Optimización hiperheurística guiada por datos experimentales
Ardenghi, Juan I.
Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
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
dc.creator.none.fl_str_mv Ardenghi, Juan I.
Genovese, Constanza
Oteiza, Paola P.
Brignole, Nélida B.
author Ardenghi, Juan I.
author_facet Ardenghi, Juan I.
Genovese, Constanza
Oteiza, Paola P.
Brignole, Nélida B.
author_role author
author2 Genovese, Constanza
Oteiza, Paola P.
Brignole, Nélida B.
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
topic Ciencias Informáticas
Inteligencia artificial
Optimización
Aprendizaje Automático
Metamodelos
RWGS
dc.description.none.fl_txt_mv 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
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.
publishDate 2024
dc.date.none.fl_str_mv 2024-08
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/178457
url http://sedici.unlp.edu.ar/handle/10915/178457
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/JAIIO/article/view/17926
info:eu-repo/semantics/altIdentifier/issn/2451-7496
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
1-14
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616341465595904
score 13.070432