Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción

Autores
BIanchini, Germán; Caymes Scutari, Paola; Méndez Garabetti, Miguel; Tardivo, María Laura
Año de publicación
2015
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El modelado matemático, la simulación, la visualización, la programación y la computación de alto rendimiento, propician el estudio de problemas que resultan muy complejos, demandantes de tiempo y espacio (en términos de memoria y almacenamiento), e incluso muy peligrosos por los riesgos humanos y/o ambientales que conllevan. Sin embargo, aún cuando la formulación del modelo y el algoritmo de implementación estén libres de errores, es muy difícil que el simulador ofrezca una salida fiel a la situación real que se desea representar dada la incertidumbre introducida tanto por las expresiones que pueden no responder a un modelo estrictamente matemático como por las limitaciones de la representación numérica inherente a la arquitectura del hardware subyacente. De esta manera, la reducción de incertidumbre constituye un proceso muy importante para lograr predicciones más precisas. Un problema concreto dentro de las limitaciones de los modelos suele estar relacionado con la gran cantidad de parámetros de entrada que deben manejar. Dichos parámetros suelen presentar algún tipo de incertidumbre debido a la imposibilidad de medirlos en tiempo real, y por lo tanto es común que deba recurrirse a la utilización de estimaciones producto de medidas indirectas. El proyecto aquí comentado propone el diseño y desarrollo de un método, basado en Algoritmos Evolutivos Paralelos, HPC y Estadística, para reducir la incertidumbre de los parámetros de entrada en procesos de predicción de propagación.
Eje: Procesamiento Distribuído y Paralelo
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
reducción de incertidumbre
Parallel algorithms
modelo de islas
Modeling and prediction
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/46170
Acceder
id SEDICI_f95e42531e6842e3cd480eeef1583e10
oai_identifier_str oai:sedici.unlp.edu.ar:10915/46170
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicciónBIanchini, GermánCaymes Scutari, PaolaMéndez Garabetti, MiguelTardivo, María LauraCiencias Informáticasreducción de incertidumbreParallel algorithmsmodelo de islasModeling and predictionEl modelado matemático, la simulación, la visualización, la programación y la computación de alto rendimiento, propician el estudio de problemas que resultan muy complejos, demandantes de tiempo y espacio (en términos de memoria y almacenamiento), e incluso muy peligrosos por los riesgos humanos y/o ambientales que conllevan. Sin embargo, aún cuando la formulación del modelo y el algoritmo de implementación estén libres de errores, es muy difícil que el simulador ofrezca una salida fiel a la situación real que se desea representar dada la incertidumbre introducida tanto por las expresiones que pueden no responder a un modelo estrictamente matemático como por las limitaciones de la representación numérica inherente a la arquitectura del hardware subyacente. De esta manera, la reducción de incertidumbre constituye un proceso muy importante para lograr predicciones más precisas. Un problema concreto dentro de las limitaciones de los modelos suele estar relacionado con la gran cantidad de parámetros de entrada que deben manejar. Dichos parámetros suelen presentar algún tipo de incertidumbre debido a la imposibilidad de medirlos en tiempo real, y por lo tanto es común que deba recurrirse a la utilización de estimaciones producto de medidas indirectas. El proyecto aquí comentado propone el diseño y desarrollo de un método, basado en Algoritmos Evolutivos Paralelos, HPC y Estadística, para reducir la incertidumbre de los parámetros de entrada en procesos de predicción de propagación.Eje: Procesamiento Distribuído y ParaleloRed de Universidades con Carreras en Informática (RedUNCI)2015-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/46170spainfo: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:UNLP2025-09-29T11:02:35Zoai:sedici.unlp.edu.ar:10915/46170Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:02:35.523SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
title Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
spellingShingle Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
BIanchini, Germán
Ciencias Informáticas
reducción de incertidumbre
Parallel algorithms
modelo de islas
Modeling and prediction
title_short Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
title_full Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
title_fullStr Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
title_full_unstemmed Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
title_sort Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción
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
reducción de incertidumbre
Parallel algorithms
modelo de islas
Modeling and prediction
topic Ciencias Informáticas
reducción de incertidumbre
Parallel algorithms
modelo de islas
Modeling and prediction
dc.description.none.fl_txt_mv El modelado matemático, la simulación, la visualización, la programación y la computación de alto rendimiento, propician el estudio de problemas que resultan muy complejos, demandantes de tiempo y espacio (en términos de memoria y almacenamiento), e incluso muy peligrosos por los riesgos humanos y/o ambientales que conllevan. Sin embargo, aún cuando la formulación del modelo y el algoritmo de implementación estén libres de errores, es muy difícil que el simulador ofrezca una salida fiel a la situación real que se desea representar dada la incertidumbre introducida tanto por las expresiones que pueden no responder a un modelo estrictamente matemático como por las limitaciones de la representación numérica inherente a la arquitectura del hardware subyacente. De esta manera, la reducción de incertidumbre constituye un proceso muy importante para lograr predicciones más precisas. Un problema concreto dentro de las limitaciones de los modelos suele estar relacionado con la gran cantidad de parámetros de entrada que deben manejar. Dichos parámetros suelen presentar algún tipo de incertidumbre debido a la imposibilidad de medirlos en tiempo real, y por lo tanto es común que deba recurrirse a la utilización de estimaciones producto de medidas indirectas. El proyecto aquí comentado propone el diseño y desarrollo de un método, basado en Algoritmos Evolutivos Paralelos, HPC y Estadística, para reducir la incertidumbre de los parámetros de entrada en procesos de predicción de propagación.
Eje: Procesamiento Distribuído y Paralelo
Red de Universidades con Carreras en Informática (RedUNCI)
description El modelado matemático, la simulación, la visualización, la programación y la computación de alto rendimiento, propician el estudio de problemas que resultan muy complejos, demandantes de tiempo y espacio (en términos de memoria y almacenamiento), e incluso muy peligrosos por los riesgos humanos y/o ambientales que conllevan. Sin embargo, aún cuando la formulación del modelo y el algoritmo de implementación estén libres de errores, es muy difícil que el simulador ofrezca una salida fiel a la situación real que se desea representar dada la incertidumbre introducida tanto por las expresiones que pueden no responder a un modelo estrictamente matemático como por las limitaciones de la representación numérica inherente a la arquitectura del hardware subyacente. De esta manera, la reducción de incertidumbre constituye un proceso muy importante para lograr predicciones más precisas. Un problema concreto dentro de las limitaciones de los modelos suele estar relacionado con la gran cantidad de parámetros de entrada que deben manejar. Dichos parámetros suelen presentar algún tipo de incertidumbre debido a la imposibilidad de medirlos en tiempo real, y por lo tanto es común que deba recurrirse a la utilización de estimaciones producto de medidas indirectas. El proyecto aquí comentado propone el diseño y desarrollo de un método, basado en Algoritmos Evolutivos Paralelos, HPC y Estadística, para reducir la incertidumbre de los parámetros de entrada en procesos de predicción de propagación.
publishDate 2015
dc.date.none.fl_str_mv 2015-04
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/10915/46170
url http://sedici.unlp.edu.ar/handle/10915/46170
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
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_ 1844615893250736128
score 13.070432

Publicaciones similares