Optimización de un método de reducción de incertidumbre aplicado a incendios forestales

Autores
Tardivo, María Laura; Caymes Scutari, Paola; Méndez Garabetti, Miguel; BIanchini, Germán
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La predicción del comportamiento de los incendios forestales representa un gran desafío desde el punto de vista matemático y computacional. La dificultad radica en la imposibilidad de medir en tiempo real todos los parámetros que determinan el comportamiento del incendio. ESSIM (Evolutionary Statistical System with Island Model), es un método de reducción de incertidumbre que utiliza estadística, computación de alto rendimiento y estrategias evolutivas para orientar la búsqueda hacia mejores soluciones. ESSIM ha sido implementado con dos estrategias de búsqueda: el m´etodo ESSIM-EA utiliza como método de optimización a los Algoritmos Evolutivos, por su parte ESSIM-DE utiliza el algoritmo Evolución Diferencial. ESSIM-EA ha demostrado obtener buena calidad de aproximaciones, mientras que ESSIM-DE obtiene mejores tiempos de respuesta. En este trabajo se presenta una alternativa para mejorar la calidad de las soluciones encontradas por ESSIM-DE, a partir del análisis de la velocidad de convergencia de la estrategia evolutiva y su relación con la distribución de la población al inicio de cada paso de predicción.
Eje: XVIII Workshop de Agentes y Sistemas Inteligentes (WASI).
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
modelo de islas
Predicción
Parallelism and concurrency
algoritmos evolutivos
evolución diferencial
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:10915/63499
Acceder
id SEDICI_42a4e9393b57978e2df1e0a1c426c376
oai_identifier_str oai:sedici.unlp.edu.ar:10915/63499
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Optimización de un método de reducción de incertidumbre aplicado a incendios forestalesTardivo, María LauraCaymes Scutari, PaolaMéndez Garabetti, MiguelBIanchini, GermánCiencias Informáticasmodelo de islasPredicciónParallelism and concurrencyalgoritmos evolutivosevolución diferencialLa predicción del comportamiento de los incendios forestales representa un gran desafío desde el punto de vista matemático y computacional. La dificultad radica en la imposibilidad de medir en tiempo real todos los parámetros que determinan el comportamiento del incendio. ESSIM (Evolutionary Statistical System with Island Model), es un método de reducción de incertidumbre que utiliza estadística, computación de alto rendimiento y estrategias evolutivas para orientar la búsqueda hacia mejores soluciones. ESSIM ha sido implementado con dos estrategias de búsqueda: el m´etodo ESSIM-EA utiliza como método de optimización a los Algoritmos Evolutivos, por su parte ESSIM-DE utiliza el algoritmo Evolución Diferencial. ESSIM-EA ha demostrado obtener buena calidad de aproximaciones, mientras que ESSIM-DE obtiene mejores tiempos de respuesta. En este trabajo se presenta una alternativa para mejorar la calidad de las soluciones encontradas por ESSIM-DE, a partir del análisis de la velocidad de convergencia de la estrategia evolutiva y su relación con la distribución de la población al inicio de cada paso de predicción.Eje: XVIII Workshop de Agentes y Sistemas Inteligentes (WASI).Red de Universidades con Carreras en Informática (RedUNCI)2017-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf113-122http://sedici.unlp.edu.ar/handle/10915/63499spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-1539-9info: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:UNLP2025-10-15T11:00:56Zoai:sedici.unlp.edu.ar:10915/63499Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:00:56.787SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
title Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
spellingShingle Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
Tardivo, María Laura
Ciencias Informáticas
modelo de islas
Predicción
Parallelism and concurrency
algoritmos evolutivos
evolución diferencial
title_short Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
title_full Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
title_fullStr Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
title_full_unstemmed Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
title_sort Optimización de un método de reducción de incertidumbre aplicado a incendios forestales
dc.creator.none.fl_str_mv Tardivo, María Laura
Caymes Scutari, Paola
Méndez Garabetti, Miguel
BIanchini, Germán
author Tardivo, María Laura
author_facet Tardivo, María Laura
Caymes Scutari, Paola
Méndez Garabetti, Miguel
BIanchini, Germán
author_role author
author2 Caymes Scutari, Paola
Méndez Garabetti, Miguel
BIanchini, Germán
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
modelo de islas
Predicción
Parallelism and concurrency
algoritmos evolutivos
evolución diferencial
topic Ciencias Informáticas
modelo de islas
Predicción
Parallelism and concurrency
algoritmos evolutivos
evolución diferencial
dc.description.none.fl_txt_mv La predicción del comportamiento de los incendios forestales representa un gran desafío desde el punto de vista matemático y computacional. La dificultad radica en la imposibilidad de medir en tiempo real todos los parámetros que determinan el comportamiento del incendio. ESSIM (Evolutionary Statistical System with Island Model), es un método de reducción de incertidumbre que utiliza estadística, computación de alto rendimiento y estrategias evolutivas para orientar la búsqueda hacia mejores soluciones. ESSIM ha sido implementado con dos estrategias de búsqueda: el m´etodo ESSIM-EA utiliza como método de optimización a los Algoritmos Evolutivos, por su parte ESSIM-DE utiliza el algoritmo Evolución Diferencial. ESSIM-EA ha demostrado obtener buena calidad de aproximaciones, mientras que ESSIM-DE obtiene mejores tiempos de respuesta. En este trabajo se presenta una alternativa para mejorar la calidad de las soluciones encontradas por ESSIM-DE, a partir del análisis de la velocidad de convergencia de la estrategia evolutiva y su relación con la distribución de la población al inicio de cada paso de predicción.
Eje: XVIII Workshop de Agentes y Sistemas Inteligentes (WASI).
Red de Universidades con Carreras en Informática (RedUNCI)
description La predicción del comportamiento de los incendios forestales representa un gran desafío desde el punto de vista matemático y computacional. La dificultad radica en la imposibilidad de medir en tiempo real todos los parámetros que determinan el comportamiento del incendio. ESSIM (Evolutionary Statistical System with Island Model), es un método de reducción de incertidumbre que utiliza estadística, computación de alto rendimiento y estrategias evolutivas para orientar la búsqueda hacia mejores soluciones. ESSIM ha sido implementado con dos estrategias de búsqueda: el m´etodo ESSIM-EA utiliza como método de optimización a los Algoritmos Evolutivos, por su parte ESSIM-DE utiliza el algoritmo Evolución Diferencial. ESSIM-EA ha demostrado obtener buena calidad de aproximaciones, mientras que ESSIM-DE obtiene mejores tiempos de respuesta. En este trabajo se presenta una alternativa para mejorar la calidad de las soluciones encontradas por ESSIM-DE, a partir del análisis de la velocidad de convergencia de la estrategia evolutiva y su relación con la distribución de la población al inicio de cada paso de predicción.
publishDate 2017
dc.date.none.fl_str_mv 2017-10
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/10915/63499
url http://sedici.unlp.edu.ar/handle/10915/63499
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-34-1539-9
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
113-122
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_ 1846064059378565120
score 13.22299

Publicaciones similares