Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida

Autores
Salto, Carolina; Minetti, Gabriela F.; Alfonso, Hugo; Bermúdez, Carlos; Vargas, Javier; Morero, Franco
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La comunidad científica ha encontrado en el uso de los recursos tecnológicos disponibles una aliada para abordar problemas de gran complejidad e identificados como irresolubles. Tales problemas han sido abordados con técnicas exactas o heurísticas para lograr su resolución, o al menos conseguir soluciones de alta calidad, cuando los mismos se clasifican como NP-duros. Inicialmente, los problemas se planteaban en entornos estáticos, pero en los últimos años se les trata de resolver reproduciendo las características dinámicas y de alta dimensionalidad que los alteran. La optimización de estos problemas, conocida como Big Data Optimization, se puede realizar diseñando algoritmos metaheurísticos secuenciales y distribuidos (solvers) bajo frameworks de programación de alto nivel como los que incorporan el paradigma MapReduce para el manejo de Big Data. Dichos solvers, en principio, serán diseñados y testeados con problemas académicos, con el objetivo de analizar el comportamiento en cuanto a eficiencia y escalabilidad. En consecuencia, nuestro objetivo central es adaptar estos solvers para abordar problemas de interés en contextos reales (científico, industrial, entre otros) donde estamos trabajando, y puntualmente en problemas de planificación y de diseño de redes de distribución de agua y de sensores en plantas industriales.
Eje: Agentes y sistemas inteligentes.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Big Data
Optimización
Algoritmos metaheurísticos
Solvers
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:10915/119895
Acceder
id SEDICI_5d6a42a42b66754533037ff8d6ccfc81
oai_identifier_str oai:sedici.unlp.edu.ar:10915/119895
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuidaSalto, CarolinaMinetti, Gabriela F.Alfonso, HugoBermúdez, CarlosVargas, JavierMorero, FrancoCiencias InformáticasBig DataOptimizaciónAlgoritmos metaheurísticosSolversLa comunidad científica ha encontrado en el uso de los recursos tecnológicos disponibles una aliada para abordar problemas de gran complejidad e identificados como irresolubles. Tales problemas han sido abordados con técnicas exactas o heurísticas para lograr su resolución, o al menos conseguir soluciones de alta calidad, cuando los mismos se clasifican como NP-duros. Inicialmente, los problemas se planteaban en entornos estáticos, pero en los últimos años se les trata de resolver reproduciendo las características dinámicas y de alta dimensionalidad que los alteran. La optimización de estos problemas, conocida como <i>Big Data Optimization</i>, se puede realizar diseñando algoritmos metaheurísticos secuenciales y distribuidos (<i>solvers</i>) bajo <i>frameworks</i> de programación de alto nivel como los que incorporan el paradigma MapReduce para el manejo de <i>Big Data</i>. Dichos <i>solvers</i>, en principio, serán diseñados y testeados con problemas académicos, con el objetivo de analizar el comportamiento en cuanto a eficiencia y escalabilidad. En consecuencia, nuestro objetivo central es adaptar estos <i>solvers</i> para abordar problemas de interés en contextos reales (científico, industrial, entre otros) donde estamos trabajando, y puntualmente en problemas de planificación y de diseño de redes de distribución de agua y de sensores en plantas industriales.Eje: Agentes y sistemas inteligentes.Red de Universidades con Carreras en Informática2021-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf87-91http://sedici.unlp.edu.ar/handle/10915/119895spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0info:eu-repo/semantics/reference/hdl/10915/119487info:eu-repo/semantics/reference/hdl/10915/119490info: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:UNLP2025-10-22T17:09:14Zoai:sedici.unlp.edu.ar:10915/119895Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-22 17:09:15.114SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
title Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
spellingShingle Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
Salto, Carolina
Ciencias Informáticas
Big Data
Optimización
Algoritmos metaheurísticos
Solvers
title_short Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
title_full Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
title_fullStr Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
title_full_unstemmed Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
title_sort Big Data Optimization con algoritmos metaheurísticos utilizando frameworks de computación distribuida
dc.creator.none.fl_str_mv Salto, Carolina
Minetti, Gabriela F.
Alfonso, Hugo
Bermúdez, Carlos
Vargas, Javier
Morero, Franco
author Salto, Carolina
author_facet Salto, Carolina
Minetti, Gabriela F.
Alfonso, Hugo
Bermúdez, Carlos
Vargas, Javier
Morero, Franco
author_role author
author2 Minetti, Gabriela F.
Alfonso, Hugo
Bermúdez, Carlos
Vargas, Javier
Morero, Franco
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Big Data
Optimización
Algoritmos metaheurísticos
Solvers
topic Ciencias Informáticas
Big Data
Optimización
Algoritmos metaheurísticos
Solvers
dc.description.none.fl_txt_mv La comunidad científica ha encontrado en el uso de los recursos tecnológicos disponibles una aliada para abordar problemas de gran complejidad e identificados como irresolubles. Tales problemas han sido abordados con técnicas exactas o heurísticas para lograr su resolución, o al menos conseguir soluciones de alta calidad, cuando los mismos se clasifican como NP-duros. Inicialmente, los problemas se planteaban en entornos estáticos, pero en los últimos años se les trata de resolver reproduciendo las características dinámicas y de alta dimensionalidad que los alteran. La optimización de estos problemas, conocida como <i>Big Data Optimization</i>, se puede realizar diseñando algoritmos metaheurísticos secuenciales y distribuidos (<i>solvers</i>) bajo <i>frameworks</i> de programación de alto nivel como los que incorporan el paradigma MapReduce para el manejo de <i>Big Data</i>. Dichos <i>solvers</i>, en principio, serán diseñados y testeados con problemas académicos, con el objetivo de analizar el comportamiento en cuanto a eficiencia y escalabilidad. En consecuencia, nuestro objetivo central es adaptar estos <i>solvers</i> para abordar problemas de interés en contextos reales (científico, industrial, entre otros) donde estamos trabajando, y puntualmente en problemas de planificación y de diseño de redes de distribución de agua y de sensores en plantas industriales.
Eje: Agentes y sistemas inteligentes.
Red de Universidades con Carreras en Informática
description La comunidad científica ha encontrado en el uso de los recursos tecnológicos disponibles una aliada para abordar problemas de gran complejidad e identificados como irresolubles. Tales problemas han sido abordados con técnicas exactas o heurísticas para lograr su resolución, o al menos conseguir soluciones de alta calidad, cuando los mismos se clasifican como NP-duros. Inicialmente, los problemas se planteaban en entornos estáticos, pero en los últimos años se les trata de resolver reproduciendo las características dinámicas y de alta dimensionalidad que los alteran. La optimización de estos problemas, conocida como <i>Big Data Optimization</i>, se puede realizar diseñando algoritmos metaheurísticos secuenciales y distribuidos (<i>solvers</i>) bajo <i>frameworks</i> de programación de alto nivel como los que incorporan el paradigma MapReduce para el manejo de <i>Big Data</i>. Dichos <i>solvers</i>, en principio, serán diseñados y testeados con problemas académicos, con el objetivo de analizar el comportamiento en cuanto a eficiencia y escalabilidad. En consecuencia, nuestro objetivo central es adaptar estos <i>solvers</i> para abordar problemas de interés en contextos reales (científico, industrial, entre otros) donde estamos trabajando, y puntualmente en problemas de planificación y de diseño de redes de distribución de agua y de sensores en plantas industriales.
publishDate 2021
dc.date.none.fl_str_mv 2021-04
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/10915/119895
url http://sedici.unlp.edu.ar/handle/10915/119895
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3
info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0
info:eu-repo/semantics/reference/hdl/10915/119487
info:eu-repo/semantics/reference/hdl/10915/119490
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
87-91
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_ 1846783417184681984
score 12.982451

Publicaciones similares