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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/68160

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