TY - JOUR AU - Jaimes Suarez, Sonia Alexandra PY - 2019/01/01 Y2 - 2024/03/29 TI - 63- #1106 MODELO DE REDES NEURONALES ARTIFICIALES Y METAHEURISTICO PARA LA OPTIMIZACIÓN DE FUNCIONES CONTINUAS DE ESTUDIO JF - Memorias Institucionales UIS JA - mem. inst. UIS VL - 2 IS - 1 SE - III congreso Colombiano de Investigación de Operaciones DO - UR - https://revistas.uis.edu.co/index.php/memoriasuis/article/view/10472 SP - AB - <p>El modelamiento y simulación de los factores que<br>afectan un sistema real, son clave para garantizar la<br>representatividad de un modelo computacional con el<br>que se busca encontrar soluciones a problemáticas que<br>no conviene estudiar a través de enfoques<br>convencionales (Wilson &amp; Stein, 1995). Debido al&nbsp;</p><p>avance en la capacidad de procesamiento de<br>información por medio de los computadores, se ha<br>despertado el interés por el modelado de diversos tipos<br>de sistemas y funciones empleando redes neuronales<br>(Misra &amp; Saha, 2010). Además, los problemas de<br>optimización son de vital importancia dada la necesidad<br>de generar el mayor beneficio posible de la<br>maximización o minimización de variables específicas<br>bajo escenarios sensibles a su parametrización<br>(Floudas &amp; Gounaris, 2009).</p><p>Dada la dificultad de encontrar representaciones<br>exactas a problemas particulares, se formula un<br>desarrollo por medio de redes neuronales para<br>ponderar las variables más importantes de un sistema<br>y de métodos metaheurísticos para optimizar los<br>parámetros asociados al modelo obtenido. Este estudio<br>utilizada funciones de prueba para optimización (Pan,<br>Sang, Duan, &amp; Gao, 2014) con el fin de comparar<br>resultados con modelados y óptimos ya conocidos. El<br>primer enfoque se centra en la optimización de las<br>funciones exactas antes mencionadas, mientras el<br>segundo enfoque optimiza la representación obtenidas<br>por la red neuronal de estas. Se usaron dos<br>arquitecturas de redes: regresión general (GRNN) y<br>perceptrón multicapa (MLPNN) y dos metaheurísticas:<br>algoritmo genético (GA) y enjambre de partículas<br>(PSO).</p><p>Se puede observar en estos resultados que, con las<br>configuraciones en la arquitectura de la red neuronal y<br>la inicialización de parámetros metaheurísticos, se<br>logra modelar y optimizar sistemas teóricos con un<br>rendimiento similar o mejor a las respuestas conocidas<br>y se espera que este enfoque pueda ser implementado<br>para realizar predicciones en datos reales.</p> ER -