63- #1106 MODELO DE REDES NEURONALES ARTIFICIALES Y METAHEURISTICO PARA LA OPTIMIZACIÓN DE FUNCIONES CONTINUAS DE ESTUDIO

Simple item page
dc.creatorJaimes Suarez, Sonia Alexandra
dc.date2019-01-01
dc.date.accessioned2022-03-14T20:10:18Z
dc.date.available2022-03-14T20:10:18Z
dc.descriptionEl modelamiento y simulación de los factores queafectan un sistema real, son clave para garantizar larepresentatividad de un modelo computacional con elque se busca encontrar soluciones a problemáticas queno conviene estudiar a través de enfoquesconvencionales (Wilson & Stein, 1995). Debido al  avance en la capacidad de procesamiento deinformación por medio de los computadores, se hadespertado el interés por el modelado de diversos tiposde sistemas y funciones empleando redes neuronales(Misra & Saha, 2010). Además, los problemas deoptimización son de vital importancia dada la necesidadde generar el mayor beneficio posible de lamaximización o minimización de variables específicasbajo escenarios sensibles a su parametrización(Floudas & Gounaris, 2009). Dada la dificultad de encontrar representacionesexactas a problemas particulares, se formula undesarrollo por medio de redes neuronales paraponderar las variables más importantes de un sistemay de métodos metaheurísticos para optimizar losparámetros asociados al modelo obtenido. Este estudioutilizada funciones de prueba para optimización (Pan,Sang, Duan, & Gao, 2014) con el fin de compararresultados con modelados y óptimos ya conocidos. Elprimer enfoque se centra en la optimización de lasfunciones exactas antes mencionadas, mientras elsegundo enfoque optimiza la representación obtenidaspor la red neuronal de estas. Se usaron dosarquitecturas de redes: regresión general (GRNN) yperceptrón multicapa (MLPNN) y dos metaheurísticas:algoritmo genético (GA) y enjambre de partículas(PSO). Se puede observar en estos resultados que, con lasconfiguraciones en la arquitectura de la red neuronal yla inicialización de parámetros metaheurísticos, selogra modelar y optimizar sistemas teóricos con unrendimiento similar o mejor a las respuestas conocidasy se espera que este enfoque pueda ser implementadopara realizar predicciones en datos reales.es-ES
dc.formatapplication/pdf
dc.identifierhttps://revistas.uis.edu.co/index.php/memoriasuis/article/view/10472
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/5492
dc.languagespa
dc.publisherUniversidad Industrial de Santanderes-ES
dc.relationhttps://revistas.uis.edu.co/index.php/memoriasuis/article/view/10472/10349
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.sourceMemorias Institucionales UIS; Vol. 2 Núm. 1 (2020): Memorias Institucionales UISes-ES
dc.sourceMemorias Institucionales UIS; Vol. 2 No. 1 (2020): Memorias Institucionales UISen-US
dc.sourceMemorias Institucionales UIS; v. 2 n. 1 (2020): Memorias Institucionales UISpt-BR
dc.source2711-0567
dc.subjectRedes neuronales artificialeses-ES
dc.subjectmetaheurísticases-ES
dc.subjectoptimización continuaes-ES
dc.title63- #1106 MODELO DE REDES NEURONALES ARTIFICIALES Y METAHEURISTICO PARA LA OPTIMIZACIÓN DE FUNCIONES CONTINUAS DE ESTUDIOes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dspace.entity.type
Files
Collections
Memorias Institucionales UIS