Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales

Autores
Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión aceptada
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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad.
Fil: Atribución
Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina
Materia
Predicción, Incendios forestales, Reducción de incertidumbre, Metaheurísticas evolutivas poblacionales, HPC, Metaheurísticas híbridas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2023-06-08T16:47:52Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/8017
Acceder
id RIAUTN_853eb263919721d48bcfac6b0d2aba8d
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/8017
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestalesMéndez Garabetti, MiguelBianchini, GermánCaymes Scutari, PaolaTardivo, MaríaPredicción, Incendios forestales, Reducción de incertidumbre, Metaheurísticas evolutivas poblacionales, HPC, Metaheurísticas híbridasLa 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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad.Fil: AtribuciónFil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina2023-06-08T16:47:52Z2023-06-08T16:47:52Z2017-01-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfXIX Workshop de Investigadores en Ciencias de la Computación (WICC). Año 2017http://hdl.handle.net/20.500.12272/8017spaPID 3939info:eu-repo/semantics/openAccess2023-06-08T16:47:52Zhttp://creativecommons.org/publicdomain/zero/1.0/CC0 1.0 UniversalUniversidad Tecnológica Nacional. Facultad Regional MendozaAtribuciónreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:45:22Zoai:ria.utn.edu.ar:20.500.12272/8017instacron: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:a2026-09-24 12:45:23.401Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
title Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
spellingShingle Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
Méndez Garabetti, Miguel
Predicción, Incendios forestales, Reducción de incertidumbre, Metaheurísticas evolutivas poblacionales, HPC, Metaheurísticas híbridas
title_short Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
title_full Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
title_fullStr Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
title_full_unstemmed Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
title_sort Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
dc.creator.none.fl_str_mv Méndez Garabetti, Miguel
Bianchini, Germán
Caymes Scutari, Paola
Tardivo, María
author Méndez Garabetti, Miguel
author_facet Méndez Garabetti, Miguel
Bianchini, Germán
Caymes Scutari, Paola
Tardivo, María
author_role author
author2 Bianchini, Germán
Caymes Scutari, Paola
Tardivo, María
author2_role author
author
author
dc.subject.none.fl_str_mv Predicción, Incendios forestales, Reducción de incertidumbre, Metaheurísticas evolutivas poblacionales, HPC, Metaheurísticas híbridas
topic Predicción, Incendios forestales, Reducción de incertidumbre, Metaheurísticas evolutivas poblacionales, HPC, Metaheurísticas híbridas
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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad.
Fil: Atribución
Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina
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 presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad.
publishDate 2017
dc.date.none.fl_str_mv 2017-01-01
2023-06-08T16:47:52Z
2023-06-08T16:47:52Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str acceptedVersion
dc.identifier.none.fl_str_mv XIX Workshop de Investigadores en Ciencias de la Computación (WICC). Año 2017
http://hdl.handle.net/20.500.12272/8017
identifier_str_mv XIX Workshop de Investigadores en Ciencias de la Computación (WICC). Año 2017
url http://hdl.handle.net/20.500.12272/8017
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv PID 3939
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2023-06-08T16:47:52Z
http://creativecommons.org/publicdomain/zero/1.0/
CC0 1.0 Universal
Universidad Tecnológica Nacional. Facultad Regional Mendoza
Atribución
eu_rights_str_mv openAccess
rights_invalid_str_mv 2023-06-08T16:47:52Z
http://creativecommons.org/publicdomain/zero/1.0/
CC0 1.0 Universal
Universidad Tecnológica Nacional. Facultad Regional Mendoza
Atribución
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv 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_ 1877230897546133504
score 13.24418

Publicaciones similares