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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/178457
Ver los metadatos del registro completo
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 |