Ciencias Exactas y Ciencias de la Salud
Permanent URI for this collectionhttps://hdl.handle.net/11285/551039
Pertenecen a esta colección Tesis y Trabajos de grado de las Maestrías correspondientes a las Escuelas de Ingeniería y Ciencias así como a Medicina y Ciencias de la Salud.
Browse
Search Results
- A decision tree learning hyper-heuristic for decision-making in simulated self-driving cars.(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2018-05) García Escalante, Marcelo Roger; Terashima Marín, Hugo; Özcan, Ender; Gutiérrez Rodríguez, Andres Eduardo; Conant Pablos, Santiago EnriqueThis document describes a feasible way of implementing hyper-heuristics into self-driving cars for decision-making. Hyper-heuristics techniques are used as an automated procedure for selecting or generating among a set of low-level heuristics when solving a particular type of problem. This project aims to contribute and bridging the gap between the fields of self-driving cars and hyper-heuristics since there is not any known approach linking them together to date. The decision-making process for self-driving cars has been a trend in recent years. Thus, there exist a variety of techniques applied to path planning at the moment, such as A*, Dijkstra, Artificial Potential Field, Probabilistic Roadmap, Ant Colony, Particle Swarm Optimization, etc. However, since there is no information of the complete environment at the beginning of the trip and also fast dynamic measurements of the surroundings are obtained while a decision plan is raised, selection or combination among various low-level heuristics such as the path planning techniques mentioned above could be helpful, or perhaps to create new heuristics and this way build another branch for decision-making of autonomous vehicles as a path planning method. Hyper-Heuristic approach with the help of Machine learning techniques harnesses the past driving experience of a self-driving car, which results in an improvement of the decision-making of the vehicle to different kind of scenarios. This thesis proposes a hyper-heuristic approach for decision-making of a self-driving car on a highway with different types of traffic and real-life constraints. The hyper-heuristics model introduced is of a generative type; thus, it creates a most suitable heuristic to drive the car on the road based on previously existing heuristic methods. Information is obtained by the vehicle through different onboard sensors such as Radar, Camera, LIDAR, Stereo-vision, GPS and IMU that combined establish a sensor fusion approach. Experimental study of the algorithms is performed in a simulation environment for self-driving cars built on a Unity platform. The generation hyper-heuristic proposed has a Decision Tree classifier as a high-level heuristic, which will be in charge of generating a new heuristic from the low-level heuristics presented. The Decision Tree classifier is defined with the optimal hyper-parameters obtained by a Grid-search method. In this work, there is also an explanation of the simulator's setup environment since it has evolved from a robotics' building-from-scratch level to a self-driving car platform modified from an open source resource. Thus, creating a framework suitable for extraction of instances and implementation of hyper-heuristic results to a self-driving car. Finally, the result of the hyper-heuristic performance is compared against a Finite state machine defined with greedy instructions based on the current state of the car, three heuristics built for the project: left heuristic, center heuristic, right heuristic, and a human driver.
- Hiper-Heurística a través de sistemas de clasificadores para solucionar problemas de corte de material en dos dimensiones(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2004-01-12) Flores Álvarez, Edgardo Javier; Terashima Marín, Hugo; Martínez Alfaro, Horacio; Valenzuela Rendón, Manuel; ITESMEl tema de corte de material ha sido estudiado ampliamente en los últimos años debido a la gran cantidad de aplicaciones que puede tener, algunas de ellas son: empaque de materiales, carga de vehículos y contenedores limitados por la capacidad de carga, partición de problemas, calendarización de tareas en espacios limitados de tiempo, organización de localidades de memoria, organización de horarios, y corte de materiales en donde la materia prima puede tener una, dos o tres dimensiones, por ejemplo cable, madera, piel o papel. El problema de corte de materiales también ha sido de suma importancia en cuanto a la teoría, pues ha servido de base para muchas investigaciones en el análisis del comportamiento de los algoritmos de aproximación. Esto involucra, el determinar el radio de desempeño del peor caso, identificar el límite inferior en el mejor desempeño posible y el analizar el comportamiento del caso promedio de distintos algoritmos de optimización [19].
- Generación Automática de Programas Mediante Programación Genética(Instituto Tecnológico y de Estudios Superiores de Monterrey, 01/06/2000) Lucas González, Sócrates A.; Terashima Marín, Hugo; Cantú Ortiz, Francisco Javier; Valenzuela Rendón, Manuel; ITESMLa programación automática es un área de interés tanto para la ingeniería de software como para la Inteligencia Artificial (IA). La programación genética es una técnica de la IA desarrollada por John R. Koza, inspirada en algoritmos genéticos, que provee la forma de evolucionar programas mediante operaciones genéticas similares a las naturales, como el cruce y la mutación, con la finalidad de obtener programas que resuelvan un problema. Una variante de programación genética implementada por Helmut H�rner utiliza gramáticas del tipo Backus-Naur-Form (BNF) como material genético. Los métodos usuales que siguen algunos trabajos sobre programación automática son métodos formales que involucran conceptos de lógica; en esta tesis se muestra un método diferente al utilizar la programación genética con gramática BNF como una opción para la programación automática. Esto se consiguió mediante la integración de un sistema generador de programas, basado en la variante de programación genética de H�rner, que utiliza un conjunto de subrutinas definidas en una gramática BNF, así como de un procedimiento de ejecución de programas y de procedimientos para su evaluación. La integración del sistema generador tiene el objetivo de elaborar programas que tratan de satisfacer a una especificación inicial, en la cual se indica lo que se espera que realice un programa. Los ejemplos tratados por el sistema generador pertenecen al Algebra Lineal. Los primeros dos ejemplos fueron encontrar un programa para la multiplicación de un vector por un escalar y encontrar otro programa para la bÚsqueda de un nÚmero dentro de un arreglo, en ambos ejemplos los resultados fueron favorables para el sistema generador. Los ejemplos siguientes fueron encontrar programas para el producto punto de dos vectores y para la adición de matrices, ambos representaron mayor dificultad para el sistema generador; sin embargo, se obtuvieron resultados favorables al encontrar los programas para cada ejemplo; por Último, los ejemplos para los cuales el generador no encontró programas tan favorables fueron la obtención de programas para la corrección de códigos y la obtención de programas que efectuasen la inversa de una matriz, tales resultados se debieron a especificaciones rígidas que poco ayudaron a la conducción hacia programas efectivos, produciendo una inadecuada evolución de los programas.