Aportes teóricos y prácticos de los modelos probabilísticos en la solución de problemas de optimización reales
Palabras clave:
Modelos probabilísticos, Algoritmos con Estimación de Distribuciones, estimación de la matriz de covarianza, problemas de optimización, planificación de tareasResumen
Introducción: Los modelos probabilísticos y estadísticos constituyen herramientas de gran importancia para la resolución de problemas reales de optimización o clasificación. Estas herramientas son aplicadas para la toma de decisiones en el transporte, la agricultura, economía o la industria farmacéutica.
Objetivos: Desarrollar modelos probabilísticos en la solución de problemas de optimización reales, tanto para dominio discreto como continuo, de planificación y de clasificación desbalanceada.
Métodos: Se evaluaron los algoritmos propuestos en varios problemas de optimización teóricos y prácticos, así como bases de datos internacionales. Se ajustaron los parámetros de los algoritmos y se aplicaron técnicas estadísticas para la validación de los resultados.
Resultados: Los resultados de esta investigación tributan, principalmente, a todos aquellos sectores y organismos donde se hace necesario una eficiente toma de decisiones en la planificación y uso de sus recursos. Esto incluye problemas de transporte, electricidad, agricultura, economía o de la industria farmacéutica. Esta investigación contribuye a la formación profesional de jóvenes graduados universitarios, enriqueciendo de esta forma el claustro de las universidades.
Conclusiones: Los algoritmos propuestos que utilizan modelos probabilísticos para la solución de problemas de optimización constituyen una herramienta poderosa para la toma de decisiones en entornos reales. Los resultados demuestran la superioridad de estas técnicas comparadas con otras del estado del arte.
Descargas
Citas
1. McCullagh P. What is a statistical model? Ann Stat [Internet]. 2002 [citado 19 sep 2023]; 30:1225–310. Disponible en: https://doi.org/10.1214/aos/1035844977
2. Adèr HJ. Modelling. In: Adèr HJ, Mellenbergh GJ, editors. Advising on research methods: a consultant's companion. Huizen, The Netherlands: Johannes van Kessel Publishing; 2008. p. 271-304
3. Burnham KP, Anderson DR. Model selection and multimodel inference. 2nd ed. Springer-Verlag; 2002. ISBN: 0-387-95364-7.
4. Cox DR. Principles of statistical inference. Cambridge University Press; 2006.
5. Konishi S, Kitagawa G. Information criteria and statistical modeling. Springer; 2008.
6. Scutari M. Bayesian network structure learning, parameter learning and inference. 2011.
7. Madera J. Hacia un generación más eficiente de algoritmos evolutivos con estimación de distribuciones: Pruebas de independencia + paralelismo [tesis doctoral]. La Habana: Universidad de La Habana; 2009.
8. Martínez-López Y, Madera J, Rodríguez-González Q, Barigye S. Cellular Estimation Gaussian Algorithm for Continuous Domain. J Intell Fuzzy Syst [Internet]. 2019 [citado 11 nov 2023];36(5):4957-67. Disponible en: https://doi.org/10.3233/JIFS-179042
9. Richardson Ibañez J. Algoritmos Evolutivos Estimadores de Distribución Celulares para Problemas de Optimización Continuos [tesis]. Camagüey: Universidad de Camagüey; 2017.
10. Rodríguez-González AY, Lezama F, Martínez-López Y, Madera J, Soares J, Vale Z. WCCI/GECCO 2020 Competition on Evolutionary Computation in the Energy Domain: An overview from the winner perspective. Appl Soft Comput [Internet]. 2022 [citado 5 nov 2023]; 109162. Disponible en: https://doi.org/10.1016/j.asoc.2022.109162
11. Zaldívar-Pino O. Biblioteca de clases en R para el trabajo con algoritmos que estiman distribuciones [tesis]. Camagüey: Universidad de Camagüey; 2013.
12. Leguen-de-Varona I, Madera J, Martínez-López Y, Hernández-Nieto J. Over-sampling imbalanced datasets using the Covariance Matrix. EAI Endorsed Trans Energy Web [Internet]. 2020 [citado 18 sep 2023]. Disponible en: https://doi.org/10.4108/eai.13-7-2018.163982
13. Leguen-de-Varona I, Madera J, Martínez-López Y, Hernández-Nieto J. SMOTE-Cov: A new oversampling method based on the Covariance Matrix. In: Litvinchev PI, Marmolejo-Saucedo JA, Rodriguez-Aguilar R, Martinez-Rios F, editors. Data analysis and optimization for engineering and computing problems [Internet]. Cham: Springer; 2020 [citado 18 sep 2023]. p. 207-17. Disponible en: https://doi.org/10.1007/978-3-030-48149-0_15
14. Leguen-de-Varona I. Algoritmo basado en la estimación de la Matriz de Covarianza para balancear conjuntos de datos sobre dominio continuo y clase binaria [tesis]. Universidad de Camagüey; 2018.
15. Leguen-de-Varona I, Madera J, Martínez-López Y, Hernández-Nieto JC. Smote-Cov: A new oversampling method based on the Covariance Matrix. Presentado en: Ciudad de México, México; 2019 nov 28.
16. Mahdi GS. Algoritmos de estimación de distribuciones con tratamiento de restricciones para la construcción de cronogramas de proyectos [tesis doctoral]. La Habana: CUJAE; 2021.
17. Madera J, Ochoa A. Evaluating the Max-Min Hill-Climbing Estimation of Distribution Algorithm on B-Functions. In: Hernández Heredia Y, Milián Núñez V, Ruiz Shulcloper J, editors. Progress in Artificial Intelligence and Pattern Recognition. IWAIPR 2018. Lecture Notes in Computer Science, vol 11047 [Internet]. Cham: Springer; 2018 [citado 21 sep 2023]. p. 1-12. Disponible en: https://doi.org/10.1007/978-3-030-01132-1_3
18. Martínez-López Y, Rodríguez AY, Madera J, Mayedo MB, Moya A, Salgado OM. Applying Some EDAs and Hybrid Variants to the ERM Problem Under Uncertainty. ACM [Internet]; 2020 [citado 5 nov 2023]. Disponible en: https://doi.org/10.1145/3377929.3398393
19. Martínez-López Y, Guevara Yanes L, Madera Quintana J. Aplicación de metaheurísticas en el ordenamiento del transporte urbano en Camagüey. Rev Cubana Transform Digit [Internet]. 2022 [citado 23 oct 2023];3(2):e171. Disponible en: https://rctd.uic.cu/rctd/article/view/171
20. Martínez-López Y, Oquendo H, Mota YC, Guerra-Rodríguez LE, Junco R, Benítez I, Madera J. Aplicación de la investigación de operaciones a la distribución de recursos relacionados con la COVID-19. Retos Dirección [Internet]. 2020 [citado 21 nov 2023]. Disponible en: http://scielo.sld.cu/pdf/rdir/v14n2/2306-9155-rdir-14-02-86.pdf
21. Mahdi GS, Quintana JM, Pérez PP, Al-subhi SH. Estimation of Distribution Algorithm for solving the Multi-mode Resource Constrained Project Scheduling Problem. EAI Endorsed Trans Energy Web [Internet]. 2020 [citado 12 oct 2023]. Disponible en: https://doi.org/10.4108/eai.13-7-2018.164111.
22. Martínez-López Y, Madera J, Mahdi GS, Rodríguez-González AY. Cellular estimation bayesian algorithm for discrete optimization problems. Investigación Operacional [Internet]. 2020 [citado 21 nov 2023]. Disponible en: https://rev-inv-ope.pantheonsorbonne.fr/sites/default/files/inline-files/41720-10.pdf
23. Guerra M, Madera J. WIFROWAN: Wrapped Imbalanced Fuzzy-Rough Ordered Weighted Average Nearest Neighbor Classification. Computación y Sistemas [Internet]. 2020 [citado 13 sep 2023]. Disponible en: https://doi.org/10.13053/cys-24-3-3054
24. Madera J, Martínez López Y, Fernández-Pardo J. Algoritmo de Estimación de Distribución basado en el Aprendizaje de Redes Bayesianas con Pruebas de Independencias para Problemas de Optimización en Enteros. Rev Cubana Cienc Inform [Internet]. 2020 [citado 2 oct 2023]; 14(4):1–19. ISSN: 2227-1899. Disponible en: https://rcci.uci.cu/?journal=rcci&page=article&op=download&path%5B%5D=2019&path%5B%5D=832
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Julio Madera QUintana, Yoan Martínez López, Yoan Martínez López, Gaafar Sadeq Saeed Mahdi, Gaafar Sadeq Saeed Mahdi, Pedro Piñero Pérez, Pedro Piñero Pérez, Ansel Rodríguez González, Ansel Rodríguez González, Ireimis Leguen de Varona, Ireimis Leguen de Varona
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
La revista Anales de la Academia de Ciencias de Cuba protege los derechos de autor, y opera con una Licencia Creative Commons 4.0 (Licencia Creative Commons Reconocimiento-NoComerciall 4.0). Al publicar en ella los autores permiten copiar, reproducir, distribuir, comunicar públicamente su obra y generar obras derivadas, siempre y cuando se cite y reconozca al autor original. No permiten, sin embargo, utilizar la obra original con fines comerciales ni lucrativos.
Los autores autorizan la publicación de sus escritos conservando los derechos de autoría, y cediendo y transfiriendo a la revista todos los derechos protegidos por las leyes de propiedad intelectual que rigen en Cuba, que implican la edición para difundir la obra.
Los autores podrán establecer acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarla en un repositorio institucional o publicarla en un libro), con el reconocimiento de haber sido publicada primero en esta revista.
Para conocer más, véase https://creativecommons.org
