Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i>
- Autores
- San Pedro, María Eugenia de; Pandolfi, Daniel; Villagra, Andrea; Lasso, Marta Graciela
- Año de publicación
- 2006
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- La adaptación de parámetros y operadores es una de las más importantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema, mientras el problema se resuelve. En los algoritmos genéticos (AGs) no sólo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del AG de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar “a mano” valores apropiados de parámetros y probabilidades de operadores para un AG que afecten el rendimiento del algoritmo de una manera significativa, es una tarea que implica un consumo considerable de tiempo y esfuerzo. Esto ha motivado la automatización de dicho proceso. En el presente trabajo se analiza la posibilidad de disminuir el esfuerzo computacional total sin perder calidad de las soluciones. Para esto se propone la adaptación del algoritmo a través de los parámetros básicos que intervienen en la multirecombinación, como son la cantidad de crossovers (n1) y la cantidad de padres (n2).
The adaptation of parameters and operators are one of the most important and promissory investigation areas in the evolutionary computation. The idea is adjust the algorithm to the problem while this problem is solved. In genetic algorithms (GAs) it is not only necessary choose the representation and the operators for the problem, also we should choose values of parameters and probabilities of operators of the GA in such way that this finds the solution efficiently. The process to find “manually” appropriate values of parameters and probabilities of operators for a GA that affect significantly the performance of the algorithm, it is a task that implies a considerable consumption of time and effort. It has motivated the automation of this process. This work analyzes the possibility to diminish the total computational effort without losing quality of the solutions. For this it intends the adaptation of the algorithm through the basic parameters that intervene in the multirecombination, like the quantity of crossovers (n1) and the quantity of parents (n2).
Red de Universidades con Carreras en Informática (RedUNCI) - Materia
-
Ciencias Informáticas
multirecombinación
Adaptación
Algorithms
algoritmos genéticos
crossover
multirecombination
genetic algorithms - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/22700
Ver los metadatos del registro completo
id |
SEDICI_85e1242f17a9f8293cd1c7555d3d7401 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/22700 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i>San Pedro, María Eugenia dePandolfi, DanielVillagra, AndreaLasso, Marta GracielaCiencias InformáticasmultirecombinaciónAdaptaciónAlgorithmsalgoritmos genéticoscrossovermultirecombinationgenetic algorithmsLa adaptación de parámetros y operadores es una de las más importantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema, mientras el problema se resuelve. En los algoritmos genéticos (AGs) no sólo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del AG de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar “a mano” valores apropiados de parámetros y probabilidades de operadores para un AG que afecten el rendimiento del algoritmo de una manera significativa, es una tarea que implica un consumo considerable de tiempo y esfuerzo. Esto ha motivado la automatización de dicho proceso. En el presente trabajo se analiza la posibilidad de disminuir el esfuerzo computacional total sin perder calidad de las soluciones. Para esto se propone la adaptación del algoritmo a través de los parámetros básicos que intervienen en la multirecombinación, como son la cantidad de crossovers (n1) y la cantidad de padres (n2).The adaptation of parameters and operators are one of the most important and promissory investigation areas in the evolutionary computation. The idea is adjust the algorithm to the problem while this problem is solved. In genetic algorithms (GAs) it is not only necessary choose the representation and the operators for the problem, also we should choose values of parameters and probabilities of operators of the GA in such way that this finds the solution efficiently. The process to find “manually” appropriate values of parameters and probabilities of operators for a GA that affect significantly the performance of the algorithm, it is a task that implies a considerable consumption of time and effort. It has motivated the automation of this process. This work analyzes the possibility to diminish the total computational effort without losing quality of the solutions. For this it intends the adaptation of the algorithm through the basic parameters that intervene in the multirecombination, like the quantity of crossovers (n1) and the quantity of parents (n2).Red de Universidades con Carreras en Informática (RedUNCI)2006-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf1531-1541http://sedici.unlp.edu.ar/handle/10915/22700spainfo: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:UNLP2025-09-29T10:55:07Zoai:sedici.unlp.edu.ar:10915/22700Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:55:08.269SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> |
title |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> |
spellingShingle |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> San Pedro, María Eugenia de Ciencias Informáticas multirecombinación Adaptación Algorithms algoritmos genéticos crossover multirecombination genetic algorithms |
title_short |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> |
title_full |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> |
title_fullStr |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> |
title_full_unstemmed |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> |
title_sort |
Adaptación dinámica de parámetros en MCMP-SRI para el problema de máquina única de <i>weighted tardiness</i> |
dc.creator.none.fl_str_mv |
San Pedro, María Eugenia de Pandolfi, Daniel Villagra, Andrea Lasso, Marta Graciela |
author |
San Pedro, María Eugenia de |
author_facet |
San Pedro, María Eugenia de Pandolfi, Daniel Villagra, Andrea Lasso, Marta Graciela |
author_role |
author |
author2 |
Pandolfi, Daniel Villagra, Andrea Lasso, Marta Graciela |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas multirecombinación Adaptación Algorithms algoritmos genéticos crossover multirecombination genetic algorithms |
topic |
Ciencias Informáticas multirecombinación Adaptación Algorithms algoritmos genéticos crossover multirecombination genetic algorithms |
dc.description.none.fl_txt_mv |
La adaptación de parámetros y operadores es una de las más importantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema, mientras el problema se resuelve. En los algoritmos genéticos (AGs) no sólo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del AG de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar “a mano” valores apropiados de parámetros y probabilidades de operadores para un AG que afecten el rendimiento del algoritmo de una manera significativa, es una tarea que implica un consumo considerable de tiempo y esfuerzo. Esto ha motivado la automatización de dicho proceso. En el presente trabajo se analiza la posibilidad de disminuir el esfuerzo computacional total sin perder calidad de las soluciones. Para esto se propone la adaptación del algoritmo a través de los parámetros básicos que intervienen en la multirecombinación, como son la cantidad de crossovers (n1) y la cantidad de padres (n2). The adaptation of parameters and operators are one of the most important and promissory investigation areas in the evolutionary computation. The idea is adjust the algorithm to the problem while this problem is solved. In genetic algorithms (GAs) it is not only necessary choose the representation and the operators for the problem, also we should choose values of parameters and probabilities of operators of the GA in such way that this finds the solution efficiently. The process to find “manually” appropriate values of parameters and probabilities of operators for a GA that affect significantly the performance of the algorithm, it is a task that implies a considerable consumption of time and effort. It has motivated the automation of this process. This work analyzes the possibility to diminish the total computational effort without losing quality of the solutions. For this it intends the adaptation of the algorithm through the basic parameters that intervene in the multirecombination, like the quantity of crossovers (n1) and the quantity of parents (n2). Red de Universidades con Carreras en Informática (RedUNCI) |
description |
La adaptación de parámetros y operadores es una de las más importantes y promisorias áreas de investigación en la computación evolutiva. La idea es ajustar el algoritmo al problema, mientras el problema se resuelve. En los algoritmos genéticos (AGs) no sólo es necesario elegir la representación y los operadores para el problema, sino que también debemos elegir valores de parámetros y probabilidades de operadores del AG de manera tal que éste encuentre la solución y de manera eficiente. El proceso de encontrar “a mano” valores apropiados de parámetros y probabilidades de operadores para un AG que afecten el rendimiento del algoritmo de una manera significativa, es una tarea que implica un consumo considerable de tiempo y esfuerzo. Esto ha motivado la automatización de dicho proceso. En el presente trabajo se analiza la posibilidad de disminuir el esfuerzo computacional total sin perder calidad de las soluciones. Para esto se propone la adaptación del algoritmo a través de los parámetros básicos que intervienen en la multirecombinación, como son la cantidad de crossovers (n1) y la cantidad de padres (n2). |
publishDate |
2006 |
dc.date.none.fl_str_mv |
2006-10 |
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/10915/22700 |
url |
http://sedici.unlp.edu.ar/handle/10915/22700 |
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 1531-1541 |
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_ |
1844615810438397952 |
score |
13.070432 |