Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
- Autores
- Méndez Garabetti, Miguel; BIanchini, Germán; Caymes Scutari, Paola; Tardivo, María Laura
- Año de publicación
- 2017
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- 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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad.
Eje: Procesamiento Distribuido y Paralelo.
Red de Universidades con Carreras en Informática (RedUNCI) - Materia
-
Ciencias Informáticas
Predicción
Heuristic methods
Incendios Forestales - 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:10915/62569
Ver los metadatos del registro completo
id |
SEDICI_02d8fc1fafff5825179a2e6de5704774 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/62569 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestalesMéndez Garabetti, MiguelBIanchini, GermánCaymes Scutari, PaolaTardivo, María LauraCiencias InformáticasPredicciónHeuristic methodsIncendios ForestalesLa 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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad.Eje: Procesamiento Distribuido y Paralelo.Red de Universidades con Carreras en Informática (RedUNCI)2017-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf970-973http://sedici.unlp.edu.ar/handle/10915/62569spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-42-5143-5info:eu-repo/semantics/reference/hdl/10915/61343info: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:UNLP2025-09-03T10:40:39Zoai:sedici.unlp.edu.ar:10915/62569Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:40:39.378SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales |
title |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales |
spellingShingle |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales Méndez Garabetti, Miguel Ciencias Informáticas Predicción Heuristic methods Incendios Forestales |
title_short |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales |
title_full |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales |
title_fullStr |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales |
title_full_unstemmed |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales |
title_sort |
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales |
dc.creator.none.fl_str_mv |
Méndez Garabetti, Miguel BIanchini, Germán Caymes Scutari, Paola Tardivo, María Laura |
author |
Méndez Garabetti, Miguel |
author_facet |
Méndez Garabetti, Miguel BIanchini, Germán Caymes Scutari, Paola Tardivo, María Laura |
author_role |
author |
author2 |
BIanchini, Germán Caymes Scutari, Paola Tardivo, María Laura |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Predicción Heuristic methods Incendios Forestales |
topic |
Ciencias Informáticas Predicción Heuristic methods Incendios Forestales |
dc.description.none.fl_txt_mv |
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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad. Eje: Procesamiento Distribuido y Paralelo. Red de Universidades con Carreras en Informática (RedUNCI) |
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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-04 |
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/10915/62569 |
url |
http://sedici.unlp.edu.ar/handle/10915/62569 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-42-5143-5 info:eu-repo/semantics/reference/hdl/10915/61343 |
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 970-973 |
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_ |
1842260272310386688 |
score |
13.13397 |