Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales
- Autores
- BIanchini, Germán; Caymes Scutari, Paola; Méndez Garabetti, Miguel; Tardivo, María Laura
- Año de publicación
- 2018
- 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 proyecto que aquí se expone se propone el desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESSIM). En HESSIM se plantea un método que combine la fuerza de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos (EA), Evolución Diferencial (DE) y Optimización por Cúmulo de Partículas (PSO), bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. HESSIM corresponde a la continuación de las líneas abiertas resultantes de proyectos previos en los cuales se implementaron dos versiones de ESS-IM: la primera con Algoritmos Evolutivos, y la segunda con Evolución Diferencial. De este modo surge la idea de desarrollar una versión híbrida en un único método, en vista del potencial aportado por cada una de las metaheurísticas poblacionales en forma aislada, y añadiendo además una tercera (PSO). Dado que las arquitecturas paralelas se han convertido en una herramienta importante en muchos campos de la ciencia por los beneficios que aporta a la hora de efectuar los cálculos, y debido a la naturaleza intrínsecamente paralela de las tres metaheurísticas elegidas, HESSIM se implementará siguiendo un esquema de procesamiento paralelo.
Eje: Procesamiento Distribuido y Paralelo.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
evolución diferencial
algoritmos evolutivos
optimización por cúmulo de partículas
HPC
reducción de incertidumbre - 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:10915/68160
Ver los metadatos del registro completo
id |
SEDICI_956792d8bf8f703e3b34a965db400d1d |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/68160 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestalesBIanchini, GermánCaymes Scutari, PaolaMéndez Garabetti, MiguelTardivo, María LauraCiencias Informáticasevolución diferencialalgoritmos evolutivosoptimización por cúmulo de partículasHPCreducción de incertidumbreLa 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 proyecto que aquí se expone se propone el desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESSIM). En HESSIM se plantea un método que combine la fuerza de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos (EA), Evolución Diferencial (DE) y Optimización por Cúmulo de Partículas (PSO), bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. HESSIM corresponde a la continuación de las líneas abiertas resultantes de proyectos previos en los cuales se implementaron dos versiones de ESS-IM: la primera con Algoritmos Evolutivos, y la segunda con Evolución Diferencial. De este modo surge la idea de desarrollar una versión híbrida en un único método, en vista del potencial aportado por cada una de las metaheurísticas poblacionales en forma aislada, y añadiendo además una tercera (PSO). Dado que las arquitecturas paralelas se han convertido en una herramienta importante en muchos campos de la ciencia por los beneficios que aporta a la hora de efectuar los cálculos, y debido a la naturaleza intrínsecamente paralela de las tres metaheurísticas elegidas, HESSIM se implementará siguiendo un esquema de procesamiento paralelo.Eje: Procesamiento Distribuido y Paralelo.Red de Universidades con Carreras en Informática2018-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf907-911http://sedici.unlp.edu.ar/handle/10915/68160spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4info:eu-repo/semantics/reference/hdl/10915/67063info: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:UNLP2025-10-15T11:02:32Zoai:sedici.unlp.edu.ar:10915/68160Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:02:32.561SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales |
title |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales |
spellingShingle |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales BIanchini, Germán Ciencias Informáticas evolución diferencial algoritmos evolutivos optimización por cúmulo de partículas HPC reducción de incertidumbre |
title_short |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales |
title_full |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales |
title_fullStr |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales |
title_full_unstemmed |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales |
title_sort |
Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales |
dc.creator.none.fl_str_mv |
BIanchini, Germán Caymes Scutari, Paola Méndez Garabetti, Miguel Tardivo, María Laura |
author |
BIanchini, Germán |
author_facet |
BIanchini, Germán Caymes Scutari, Paola Méndez Garabetti, Miguel Tardivo, María Laura |
author_role |
author |
author2 |
Caymes Scutari, Paola Méndez Garabetti, Miguel Tardivo, María Laura |
author2_role |
author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas evolución diferencial algoritmos evolutivos optimización por cúmulo de partículas HPC reducción de incertidumbre |
topic |
Ciencias Informáticas evolución diferencial algoritmos evolutivos optimización por cúmulo de partículas HPC reducción de incertidumbre |
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 proyecto que aquí se expone se propone el desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESSIM). En HESSIM se plantea un método que combine la fuerza de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos (EA), Evolución Diferencial (DE) y Optimización por Cúmulo de Partículas (PSO), bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. HESSIM corresponde a la continuación de las líneas abiertas resultantes de proyectos previos en los cuales se implementaron dos versiones de ESS-IM: la primera con Algoritmos Evolutivos, y la segunda con Evolución Diferencial. De este modo surge la idea de desarrollar una versión híbrida en un único método, en vista del potencial aportado por cada una de las metaheurísticas poblacionales en forma aislada, y añadiendo además una tercera (PSO). Dado que las arquitecturas paralelas se han convertido en una herramienta importante en muchos campos de la ciencia por los beneficios que aporta a la hora de efectuar los cálculos, y debido a la naturaleza intrínsecamente paralela de las tres metaheurísticas elegidas, HESSIM se implementará siguiendo un esquema de procesamiento paralelo. Eje: Procesamiento Distribuido y Paralelo. Red de Universidades con Carreras en Informática |
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 proyecto que aquí se expone se propone el desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESSIM). En HESSIM se plantea un método que combine la fuerza de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos (EA), Evolución Diferencial (DE) y Optimización por Cúmulo de Partículas (PSO), bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. HESSIM corresponde a la continuación de las líneas abiertas resultantes de proyectos previos en los cuales se implementaron dos versiones de ESS-IM: la primera con Algoritmos Evolutivos, y la segunda con Evolución Diferencial. De este modo surge la idea de desarrollar una versión híbrida en un único método, en vista del potencial aportado por cada una de las metaheurísticas poblacionales en forma aislada, y añadiendo además una tercera (PSO). Dado que las arquitecturas paralelas se han convertido en una herramienta importante en muchos campos de la ciencia por los beneficios que aporta a la hora de efectuar los cálculos, y debido a la naturaleza intrínsecamente paralela de las tres metaheurísticas elegidas, HESSIM se implementará siguiendo un esquema de procesamiento paralelo. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018-04 |
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/10915/68160 |
url |
http://sedici.unlp.edu.ar/handle/10915/68160 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-3619-27-4 info:eu-repo/semantics/reference/hdl/10915/67063 |
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 907-911 |
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_ |
1846064077220085760 |
score |
13.22299 |