Un nuevo enfoque para asignación óptima de múltiples recursos
Resumen
El problema de la asignación óptima de aulas ha sido desarrollado e investigado con varias
técnicas, herramientas y tecnologías. Este trabajo muestra el diseño de una solución basada en
inteligencia artificial, más específicamente utilizando algoritmos genéticos multi-objetivo que
realizan la asignación de aulas y docentes en forma conjunta. La implementación consiste en
optimizar más de un objetivo, permitiendo que ambos compitan para establecer un equilibrio
general y llegar a un conjunto de soluciones factibles en forma ágil, eficaz y eficiente.
A lo largo de este desarrollo, se detallan los parámetros que intervienen en el problema, la
estructura definida del gen, la arquitectura elegida para la aplicación y la definición de la función
de optimización. Es de destacar que este trabajo se basa en un prototipo funcional. A su vez, cabe
aclarar que de acuerdo a las condiciones del problema en particular ha sido necesario rediseñar
las operaciones de algoritmos genéticos tradicionales, definir ponderaciones para los objetivos y
restricciones del caso. De este análisis surgen conceptos como distancia e híper-cubo para
establecer la comparabilidad, relación y cercanía de las soluciones.
Éste sistema cumple con la característica conocida de los Algoritmos Genéticos: resuelve un
problema en especial pero es aplicable a problemas del mismo tipo con escenarios totalmente
distintos.
Descargas
Citas
Sistema Matricula, Pereira Educa, Colombia,
http://www.pereiraeduca.gov.co/modules.php?name=Matricula&file=matricula_valoraciones
Visual Classroom Scheduler, http://www.vss.com.au/index.asp
Softaula, http://www.softaula.com/es/prod/prod_comparativa.asp
PHPScheduleIt, software opensource, http://sourceforge.net/projects/phpscheduleit/
Classroom Scheduler, software Open Source, http://sourceforge.net/projects/cr-scheduler/
“SIU Guaraní”, Universidad Nacional de Comahue, Tecnologías de la Información, http://www.uncoma.edu.ar/
“Introducción a la computación evolutiva”, Anselmo Perez Serrada, 1996
“Modelos de despacho eléctrico económico – ambiental”, Pablo Pizarro. Universidad de Mendoza, 2006.
“Modelado de la Distribución de Espacios Físicos mediante Algoritmos Evolutivos”, C.A. Delrieux, IX WICC,
“Optimización Multiobjetivos del Proceso de Torneado”, Ing. R. Quiza Sardiñas, Matanzas, 2004.
“Twenty Years of Evolutionary Multi-Objetive Optimization: A Historical View of the Field”, Carlos A. Coello
Coello. Mexico, D.F., Nov. 11, 2005.
“Visualization and Data Mining of Pareto Solutions Using Self-Organizing Map”, S. Obayashi et al., 980-8577.
Japan.
“Introducción a la Optimización Evolutiva Multiobjetivo”, Carlos A. Coello Coello, Sept. 2002,
Anselmo Perez Serrada, “Una Introducción a la Computación Evolutiva”, 1996, p. 17.
“Analysis Patterns: Reusable Object Models”, Martin Fowler, Addison-Wesley Professional, 1996.
http://en.wikipedia.org/wiki/Gray_code
“Method of Inequality-Based Multiobjective Genetic Algorithm for Domestic Daily Aircraft Routing”, Ta-Yuan
Chou; Tung-Kuan Liu; Chung-Nan Lee; Chi-Ruey Jeng, Systems, Man and Cybernetics, Part A: Systems and
Humans, IEEE Transactions on Volume 38, Issue 2, March 2008
Los artículos publicados en la Revista Ciencia y Tecnología son de exclusiva propiedad de sus autores. Las opiniones y el contenido de los mismos pertenecen a sus autores, declinando la Universidad de Palermo toda responsabilidad por los derechos que pudiera derivarse de la lectura y/o interpretación del contenido de los artículos publicados.
No se autoriza la reproducción, utilización ni explotación por parte de ningún tercero de los artículos publicados. Sólo se autoriza su uso para fines exclusivamente académicos y/o de investigación.