Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre econo...

Autores: Casanova Pietroboni, Carlos Antonio; Schweickardt, Gustavo Alejandro; Camargo, Federico Gabriel
Año de publicación: 2018
Idioma: español castellano
Tipo de recurso: artículo
Estado: versión publicada
Descripción: Las Hiperheurísticas de Selección constituyen métodos de búsqueda concebidos en un nivel de abstracción superior al de las MetaHeurísticas. Para ello, una Función de Selección (FS), cuyo objetivo es decidir cuál de las estrategias MetaHeurísticas se aplica en cada instancia de decisión , evalúa la aptitud de las mismas en cada solución iterativa . En este trabajo se presenta una HiperHeurística de Selección Basada en Razonamiento ( con dominio en M eta H eurísticas X PSO M ulti O bjetivo, HY X FPSO C B R SII , cuya FS se constituye de una Red Neuronal Artificial (RN) de propagación hacia adelante tipo Multi Layer Perceptron (MLP). La información utilizada por la FS proviene desde Indicadores de Inteligencia de Grupo, propuestos por los autores en trabajos previos, que proporcionan una medida de la habilidad de cada MetaHeurística para resolver cierta instancia del problema Se aborda el diseño de la FS y el método de optimización asociad o al Entrenamiento Basado en Casos de la misma . Este novedoso enfoque, aporte principal del trabajo, permite construir una única FS capaz de resolver dos problemas de optimización combinatoria el Balance de Cargas de un Sistema Trifásico de Distribución de Energía Eléctrica (SDEE) y la Optimización de la Confiabilidad de un SDEE en Media Tensión.
Fil: Casanova Pietroboni, Carlos Antonio. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina.
Fil: Schweickardt, Gustavo Alejandro. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina.
Fil: Camargo, Federico Gabriel. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina.
Fil: Casanova Pietroboni, Carlos Antonio. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.
Fil: Schweickardt, Gustavo Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.
Fil: Camargo, Federico Gabriel. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.
Peer Reviewed
Fuente: Revista de la Escuela de Perfeccionamiento en Investigación Operativa XXVI(44), 4-20. (2018)
Materia: Redes neuronales artificiales
Razonamiento basado en casos
Optimización por enjambre de partículas
Hiperheurísticas de selección
Soft computing
Artificial neural networks
Case based reasoning
Particle swarm optimization
Selection hyperheuristics
Nivel de accesibilidad: acceso abierto
Condiciones de uso: 2021-06-28T12:51:31Z
Repositorio
Institución: Universidad Tecnológica Nacional
OAI Identificador: oai:ria.utn.edu.ar:20.500.12272/5288

Acceder

id	RIAUTN_081c98181482bd1411abb17f60f1fdb1
oai_identifier_str	oai:ria.utn.edu.ar:20.500.12272/5288
network_acronym_str	RIAUTN
repository_id_str	a
network_name_str	Repositorio Institucional Abierto (UTN)
spelling	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricasCasanova Pietroboni, Carlos AntonioSchweickardt, Gustavo AlejandroCamargo, Federico GabrielRedes neuronales artificialesRazonamiento basado en casosOptimización por enjambre de partículasHiperheurísticas de selecciónSoft computingArtificial neural networksCase based reasoningParticle swarm optimizationSelection hyperheuristicsLas Hiperheurísticas de Selección constituyen métodos de búsqueda concebidos en un nivel de abstracción superior al de las MetaHeurísticas. Para ello, una Función de Selección (FS), cuyo objetivo es decidir cuál de las estrategias MetaHeurísticas se aplica en cada instancia de decisión , evalúa la aptitud de las mismas en cada solución iterativa . En este trabajo se presenta una HiperHeurística de Selección Basada en Razonamiento ( con dominio en M eta H eurísticas X PSO M ulti O bjetivo, HY X FPSO C B R SII , cuya FS se constituye de una Red Neuronal Artificial (RN) de propagación hacia adelante tipo Multi Layer Perceptron (MLP). La información utilizada por la FS proviene desde Indicadores de Inteligencia de Grupo, propuestos por los autores en trabajos previos, que proporcionan una medida de la habilidad de cada MetaHeurística para resolver cierta instancia del problema Se aborda el diseño de la FS y el método de optimización asociad o al Entrenamiento Basado en Casos de la misma . Este novedoso enfoque, aporte principal del trabajo, permite construir una única FS capaz de resolver dos problemas de optimización combinatoria el Balance de Cargas de un Sistema Trifásico de Distribución de Energía Eléctrica (SDEE) y la Optimización de la Confiabilidad de un SDEE en Media Tensión.Fil: Casanova Pietroboni, Carlos Antonio. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina.Fil: Schweickardt, Gustavo Alejandro. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina.Fil: Camargo, Federico Gabriel. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina.Fil: Casanova Pietroboni, Carlos Antonio. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.Fil: Schweickardt, Gustavo Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.Fil: Camargo, Federico Gabriel. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina.Peer Reviewed2021-06-28T12:51:31Z2021-06-28T12:51:31Z2018-11info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfRevista de la Escuela de Perfeccionamiento en Investigación Operativa XXVI (44): 4-20 (2018)0329-7322https://revistas.unc.edu.ar/index.php/epio/issue/view/1745http://hdl.handle.net/20.500.12272/5288Revista de la Escuela de Perfeccionamiento en Investigación Operativa XXVI(44), 4-20. (2018)reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacionalspainfo:eu-repo/semantics/openAccess2021-06-28T12:51:31Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalCasanova Pietroboni, Carlos Antonio ; Schweickardt, Gustavo Alejandro ; Camargo, Federico Gabriel.No comercial con fines académicos.2026-10-01T11:59:53Zoai:ria.utn.edu.ar:20.500.12272/5288instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-10-01 11:59:53.958Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas
title	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas
spellingShingle	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas Casanova Pietroboni, Carlos Antonio Redes neuronales artificiales Razonamiento basado en casos Optimización por enjambre de partículas Hiperheurísticas de selección Soft computing Artificial neural networks Case based reasoning Particle swarm optimization Selection hyperheuristics
title_short	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas
title_full	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas
title_fullStr	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas
title_full_unstemmed	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas
title_sort	Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre economía computacional de regulación de redes eléctricas
dc.creator.none.fl_str_mv	Casanova Pietroboni, Carlos Antonio Schweickardt, Gustavo Alejandro Camargo, Federico Gabriel
author	Casanova Pietroboni, Carlos Antonio
author_facet	Casanova Pietroboni, Carlos Antonio Schweickardt, Gustavo Alejandro Camargo, Federico Gabriel
author_role	author
author2	Schweickardt, Gustavo Alejandro Camargo, Federico Gabriel
author2_role	author author
dc.subject.none.fl_str_mv	Redes neuronales artificiales Razonamiento basado en casos Optimización por enjambre de partículas Hiperheurísticas de selección Soft computing Artificial neural networks Case based reasoning Particle swarm optimization Selection hyperheuristics
topic	Redes neuronales artificiales Razonamiento basado en casos Optimización por enjambre de partículas Hiperheurísticas de selección Soft computing Artificial neural networks Case based reasoning Particle swarm optimization Selection hyperheuristics
dc.description.none.fl_txt_mv	Las Hiperheurísticas de Selección constituyen métodos de búsqueda concebidos en un nivel de abstracción superior al de las MetaHeurísticas. Para ello, una Función de Selección (FS), cuyo objetivo es decidir cuál de las estrategias MetaHeurísticas se aplica en cada instancia de decisión , evalúa la aptitud de las mismas en cada solución iterativa . En este trabajo se presenta una HiperHeurística de Selección Basada en Razonamiento ( con dominio en M eta H eurísticas X PSO M ulti O bjetivo, HY X FPSO C B R SII , cuya FS se constituye de una Red Neuronal Artificial (RN) de propagación hacia adelante tipo Multi Layer Perceptron (MLP). La información utilizada por la FS proviene desde Indicadores de Inteligencia de Grupo, propuestos por los autores en trabajos previos, que proporcionan una medida de la habilidad de cada MetaHeurística para resolver cierta instancia del problema Se aborda el diseño de la FS y el método de optimización asociad o al Entrenamiento Basado en Casos de la misma . Este novedoso enfoque, aporte principal del trabajo, permite construir una única FS capaz de resolver dos problemas de optimización combinatoria el Balance de Cargas de un Sistema Trifásico de Distribución de Energía Eléctrica (SDEE) y la Optimización de la Confiabilidad de un SDEE en Media Tensión. Fil: Casanova Pietroboni, Carlos Antonio. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina. Fil: Schweickardt, Gustavo Alejandro. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina. Fil: Camargo, Federico Gabriel. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería Electromecánica. Grupo de Investigación en Economía Computacional de Regulación de Redes y Energías Renovables; Argentina. Fil: Casanova Pietroboni, Carlos Antonio. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Fil: Schweickardt, Gustavo Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Fil: Camargo, Federico Gabriel. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina. Peer Reviewed
description	Las Hiperheurísticas de Selección constituyen métodos de búsqueda concebidos en un nivel de abstracción superior al de las MetaHeurísticas. Para ello, una Función de Selección (FS), cuyo objetivo es decidir cuál de las estrategias MetaHeurísticas se aplica en cada instancia de decisión , evalúa la aptitud de las mismas en cada solución iterativa . En este trabajo se presenta una HiperHeurística de Selección Basada en Razonamiento ( con dominio en M eta H eurísticas X PSO M ulti O bjetivo, HY X FPSO C B R SII , cuya FS se constituye de una Red Neuronal Artificial (RN) de propagación hacia adelante tipo Multi Layer Perceptron (MLP). La información utilizada por la FS proviene desde Indicadores de Inteligencia de Grupo, propuestos por los autores en trabajos previos, que proporcionan una medida de la habilidad de cada MetaHeurística para resolver cierta instancia del problema Se aborda el diseño de la FS y el método de optimización asociad o al Entrenamiento Basado en Casos de la misma . Este novedoso enfoque, aporte principal del trabajo, permite construir una única FS capaz de resolver dos problemas de optimización combinatoria el Balance de Cargas de un Sistema Trifásico de Distribución de Energía Eléctrica (SDEE) y la Optimización de la Confiabilidad de un SDEE en Media Tensión.
publishDate	2018
dc.date.none.fl_str_mv	2018-11 2021-06-28T12:51:31Z 2021-06-28T12:51:31Z
dc.type.none.fl_str_mv	info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo
format	article
status_str	publishedVersion
dc.identifier.none.fl_str_mv	Revista de la Escuela de Perfeccionamiento en Investigación Operativa XXVI (44): 4-20 (2018) 0329-7322 https://revistas.unc.edu.ar/index.php/epio/issue/view/1745 http://hdl.handle.net/20.500.12272/5288
identifier_str_mv	Revista de la Escuela de Perfeccionamiento en Investigación Operativa XXVI (44): 4-20 (2018) 0329-7322
url	https://revistas.unc.edu.ar/index.php/epio/issue/view/1745 http://hdl.handle.net/20.500.12272/5288
dc.language.none.fl_str_mv	spa
language	spa
dc.rights.none.fl_str_mv	info:eu-repo/semantics/openAccess 2021-06-28T12:51:31Z http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 Internacional Casanova Pietroboni, Carlos Antonio ; Schweickardt, Gustavo Alejandro ; Camargo, Federico Gabriel. No comercial con fines académicos.
eu_rights_str_mv	openAccess
rights_invalid_str_mv	2021-06-28T12:51:31Z http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 Internacional Casanova Pietroboni, Carlos Antonio ; Schweickardt, Gustavo Alejandro ; Camargo, Federico Gabriel. No comercial con fines académicos.
dc.format.none.fl_str_mv	application/pdf application/pdf
dc.source.none.fl_str_mv	Revista de la Escuela de Perfeccionamiento en Investigación Operativa XXVI(44), 4-20. (2018) reponame:Repositorio Institucional Abierto (UTN) instname:Universidad Tecnológica Nacional
reponame_str	Repositorio Institucional Abierto (UTN)
collection	Repositorio Institucional Abierto (UTN)
instname_str	Universidad Tecnológica Nacional
repository.name.fl_str_mv	Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv	gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_	1877862421308112896
score	13.364332

Modelo hiperheurístico HY X FPSO CBR SII soportado en metaheurísticas X PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria : aplicación sobre econo...

Publicaciones similares