Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast

Autores
Talavera, Francisco; Prieto, Joel; Crichigno, Jorge; Barán, Benjamín
Año de publicación
2004
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En problemas de optimización multi-objetivo, se plantean dos o más funciones objetivo que se optimizarán al mismo tiempo, buscando el conjunto de las mejores soluciones de compromiso, o conjunto Pareto. Este es el caso de la ingeniería de tráfico multicast, que pretende optimizar costo y retardo entre otras posibles métricas. Como han sido publicados numerosos Algoritmos Evolutivos Multiobjetivos o MOEAs, no queda aún claro cual es el que presenta mejor desempeño para el problema considerado. Por esta razón, en este trabajo hacemos una comparación experimental entre 5 alternativas: NSGA, NSGA2, SPEA, SPEA2 y cNSGA2, con el fin de determinar cual es la más apropiada para resolver problemas de enrutamiento multicast. Resultados experimentales demuestran que algoritmos como el SPEA y SPEA2 logran un excelente desempeño en este tipo de problemas.
Eje: V - Workshop de agentes y sistemas inteligentes
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
Redes
Multicast
Intelligent agents
Algorithms
Algoritmos Evolutivos Multiobjetivos
Dominancia Pareto
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/22550

id SEDICI_18a0e0ffe09eac0f2ec85d5a3b10cafa
oai_identifier_str oai:sedici.unlp.edu.ar:10915/22550
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicastTalavera, FranciscoPrieto, JoelCrichigno, JorgeBarán, BenjamínCiencias InformáticasARTIFICIAL INTELLIGENCERedesMulticastIntelligent agentsAlgorithmsAlgoritmos Evolutivos MultiobjetivosDominancia ParetoEn problemas de optimización multi-objetivo, se plantean dos o más funciones objetivo que se optimizarán al mismo tiempo, buscando el conjunto de las mejores soluciones de compromiso, o conjunto Pareto. Este es el caso de la ingeniería de tráfico multicast, que pretende optimizar costo y retardo entre otras posibles métricas. Como han sido publicados numerosos Algoritmos Evolutivos Multiobjetivos o MOEAs, no queda aún claro cual es el que presenta mejor desempeño para el problema considerado. Por esta razón, en este trabajo hacemos una comparación experimental entre 5 alternativas: NSGA, NSGA2, SPEA, SPEA2 y cNSGA2, con el fin de determinar cual es la más apropiada para resolver problemas de enrutamiento multicast. Resultados experimentales demuestran que algoritmos como el SPEA y SPEA2 logran un excelente desempeño en este tipo de problemas.Eje: V - Workshop de agentes y sistemas inteligentesRed de Universidades con Carreras en Informática (RedUNCI)2004info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/22550spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T10:55:06Zoai:sedici.unlp.edu.ar:10915/22550Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:55:07.194SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
title Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
spellingShingle Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
Talavera, Francisco
Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
Redes
Multicast
Intelligent agents
Algorithms
Algoritmos Evolutivos Multiobjetivos
Dominancia Pareto
title_short Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
title_full Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
title_fullStr Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
title_full_unstemmed Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
title_sort Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast
dc.creator.none.fl_str_mv Talavera, Francisco
Prieto, Joel
Crichigno, Jorge
Barán, Benjamín
author Talavera, Francisco
author_facet Talavera, Francisco
Prieto, Joel
Crichigno, Jorge
Barán, Benjamín
author_role author
author2 Prieto, Joel
Crichigno, Jorge
Barán, Benjamín
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
Redes
Multicast
Intelligent agents
Algorithms
Algoritmos Evolutivos Multiobjetivos
Dominancia Pareto
topic Ciencias Informáticas
ARTIFICIAL INTELLIGENCE
Redes
Multicast
Intelligent agents
Algorithms
Algoritmos Evolutivos Multiobjetivos
Dominancia Pareto
dc.description.none.fl_txt_mv En problemas de optimización multi-objetivo, se plantean dos o más funciones objetivo que se optimizarán al mismo tiempo, buscando el conjunto de las mejores soluciones de compromiso, o conjunto Pareto. Este es el caso de la ingeniería de tráfico multicast, que pretende optimizar costo y retardo entre otras posibles métricas. Como han sido publicados numerosos Algoritmos Evolutivos Multiobjetivos o MOEAs, no queda aún claro cual es el que presenta mejor desempeño para el problema considerado. Por esta razón, en este trabajo hacemos una comparación experimental entre 5 alternativas: NSGA, NSGA2, SPEA, SPEA2 y cNSGA2, con el fin de determinar cual es la más apropiada para resolver problemas de enrutamiento multicast. Resultados experimentales demuestran que algoritmos como el SPEA y SPEA2 logran un excelente desempeño en este tipo de problemas.
Eje: V - Workshop de agentes y sistemas inteligentes
Red de Universidades con Carreras en Informática (RedUNCI)
description En problemas de optimización multi-objetivo, se plantean dos o más funciones objetivo que se optimizarán al mismo tiempo, buscando el conjunto de las mejores soluciones de compromiso, o conjunto Pareto. Este es el caso de la ingeniería de tráfico multicast, que pretende optimizar costo y retardo entre otras posibles métricas. Como han sido publicados numerosos Algoritmos Evolutivos Multiobjetivos o MOEAs, no queda aún claro cual es el que presenta mejor desempeño para el problema considerado. Por esta razón, en este trabajo hacemos una comparación experimental entre 5 alternativas: NSGA, NSGA2, SPEA, SPEA2 y cNSGA2, con el fin de determinar cual es la más apropiada para resolver problemas de enrutamiento multicast. Resultados experimentales demuestran que algoritmos como el SPEA y SPEA2 logran un excelente desempeño en este tipo de problemas.
publishDate 2004
dc.date.none.fl_str_mv 2004
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/10915/22550
url http://sedici.unlp.edu.ar/handle/10915/22550
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
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_ 1844615809579614208
score 13.070432