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
- Optimización de portafolios de inversión con restricción de cardinalidad en espacios grandes de acciones(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2010-08-01) Ortiz Ambriz, Antonio; ORTIZ AMBRIZ, ANTONIO; 273606; Valenzuela Rendón, Manuel; Brena Pinero, Ramón; Martínez Alfaro, Horacio; Zambrano, Homero; Programa de Graduados; Division de Mecatrónica y Tecnologías de Información; Campus MonterreyEste trabajo propone una representación basada en índices que tiene como propósito resolver el problema de optimizar portafolios de inversión de acuerdo a la formulación de Markowitz utilizando métodos evolutivos. Se busca encontrar portafolios óptimos a partir de espacios grandes de acciones, de tamaños que se encuentren en el mismo orden de magnitud que mercados completos. El problema se desea resolver con cardinalidad restringida, y la representación propuesta maneja esta restricción de forma natural. La representación basada en índices consiste en optimizar un vector que identifica aquellos activos que se deben incluir en el portafolio, así como el peso que se les debe dar. Para encontrar cuales son los activos que logran minimizar el riesgo y maximizar el rendimiento se crea una lista ordenada que los incluya a todos, y se busca optimizar un vector de índices que hace referencia a esta lista. Adyacente a cada índice, se agrega un valor que representa el peso que e l activo debe de tener en el portafolio. La representación basada en índices se comparó con algoritmos utilizando una representación directa que consiste simplemente en un vector de pesos, en donde la restricción de cardinalidad se maneja utilizando sólo aquellos activos que tengan un mayor peso en el portafolio. Se realizaron pruebas con varios parámetros de aversión al riesgo, en espacios de 100, 417, y 1000 acciones. Se reportan curvas de mejor encontrado contra evaluaciones de la función objetivo, diagramas de riesgo contra rendimiento de los mejores individuos encontrados por cada algoritmo, y diagramas de caja de las soluciones finales. Se observó que los algoritmos evolutivos con una representación basada en índices obtienen mejores resultados, en menos evaluaciones de la función objetivo que los algoritmos con representación directa.
- Optimización de portafolios con restricciones empleando algoritmos genéticos -Edición Única(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2008-12-01) Martínez Romero, Carlos Joan; Valenzuela Rendón, Manuel; Martínez, Horacio; Uresti Charre, Eduardo; Tecnológico de Monterrey, Campus MonterreyEn esta tesis se desarrolla el problema de selección de portafolios de inversión empleando algoritmos genéticos en donde se trata el problema de optimización. En este trabajo se plantean dos variantes del problema, en la primera variante se busca resolver el problema de optimización para un solo portafolio en forma de un objetivo con un algoritmo genético, en el segundo enfoque se aplican algoritmos multiobjetivo para la selección de múltiples resultados distribuidos en el frente de Pareto, conocido como frontera de eficiencia. En este trabajo se toma como referencia es el modelo de Markowitz (1959), donde se busca solucionar el problema de maximizar la rentabilidad esperada y minimizar el riesgo del portafolio. Este modelo tiene una solución mediante programación cuadrática. A pesar de que el método de programación cuadrática es muy eficiente, una de sus limitantes es que solo se consideran restricciones lineales. Al emplear un algoritmo genético de un objetivo para resolver el problema de optimización de portafolios es posible incluir restricciones no lineales. Por otra parte al emplear un algoritmo genético con optimización multiobjetivo se puede seleccionar un conjunto de resultados que se encuentren próximos al frente de Pareto en una sola ejecución. Aunque existen muchos avances en el tema de optimización de portafolios de inversión empleando algoritmos genéticos, en esta tesis se utilizan datos actuales y reales de la Bolsa Mexicana de Valores, además de explorar sobre el enfoque del problema de un objetivo. Por otra parte, se hace un análisis de este problema de optimización en cuanto a las ventajas de un método de un algoritmo evolutivo multiobjetivo.
- La relatividad en la comparación de algoritmos de optimización ciega: hacia la coevolución de algoritmos y problemas(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2006-12-01) Toledo Suárez, Carlos David; Valenzuela Rendón, Manuel; Dieck Assad, Graciano; Uresti Charre, Eduardo; Terashima Marín, Hugo; ITESM-Campus Monterrey; Programa de Graduados; División de Tecnologías de Información y ElectrónicaUn sueño de la computación evolutiva es generar algoritmos que puedan adaptarse a los problemas que enfrentan y a través de estas adaptaciones volverse más aptos, análogamente a los procesos mediante los cuales las especies biológicas evolucionan en conjunto, coevolucionan. Con esta analogía en mente es que se llama coevolución de algoritmos y problemas al proceso de adaptación de algoritmos para resolver problemas sucesivamente más difíciles. Saber qué es fácil o difícil para cierto algoritmo de optimización es un problema de investigación abierto para el que se cree no puede existir un marco teórico definitivo, por la complejidad de los sistemas implicados. La tesis descrita en este documento propone que es posible usar a la coevolución de algoritmos y problemas para resolverlo, basándose en la hipótesis de que planteado como problema de optimización sólo es posible saber qué es fácil o difícil para un algoritmo de optimización ciega tomando en cuenta a otro. La principal contribución de la tesis es mostrar que asumir la hipótesis de la relatividad en la comparación de algoritmos de optimización ciega hace posible la implementación de la coevolución de algoritmos y problemas, que el problema planteado por dicha coevolución es complementario al de buscar problemas que hagan quedar mejor a un algoritmo frente a otro, a los que se les da el nombre de problemas tendenciosos. La implementación que se presenta corresponde a un algoritmo de coevolución incremental (ACI) en el que evolucionan dos poblaciones de afinaciones de algoritmos y una de problemas con el fin de encontrar problemas tendenciosos. Los algoritmos que compiten en el ACI son recocido simulado, algoritmo genético simple y búsqueda aleatoria. Posteriormente se hace la comparación entre las conclusiones obtenidas del análisis de los problemas tendenciosos encontrados y las teorías de dificultad para algoritmos genéticos, mostrando algunas discrepancias importantes.
- Hiperheurísticas a través de programación genética para la resolución de problemas de ruteo de vehículos-Edición Única(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2005-12-01) Corona León, José Alejandro; Valenzuela Rendón, Manuel; ITESM-Campus MonterreyEl problema de ruteo de vehículos, o VRP por sus siglas en inglés, (Vehicle Routing Problem) puede ser descrito en su forma más sencilla como una flota de vehículos con capacidades uniformes que tiene que satisfacer la demanda de un grupo de clientes a través de un conjunto de rutas que empiezan y terminan en un almacén común y que representan el menor costo posible. Como consecuencia de los altos niveles actuales de congestión vehicular, de los fuertes consumos de energía de los vehículos de carga, así como del impacto negativo que ´estos últimos tienen en el medio ambiente, en los últimos años ha aumentado el interés de desarrollar técnicas de optimización que sean eficientes en la resolución de una gran variedad de problemas VRP. Sin embargo, debido a la naturaleza NP-difícil del VRP, no es factible resolver instancias de tamaño grande utilizando técnicas exactas sino que la mayoría de los algoritmos de solución para este problema están basados en el uso de heurísticas y metaheurísticas. Estas últimas técnicas no han sido del todo exitosas ya que las heurísticas entregan frecuentemente resultados de baja calidad; mientras que las metaheurísticas requieren mucho tiempo de cómputo, así como un alto nivel de especialización en grupos de instancias para la obtención de buenos resultados. Este trabajo de tesis aborda el problema de VRP con vehículos de capacidad fija utilizando para su resolución un nuevo enfoque basado en un algoritmo de hiperheurísticas con programación genética como mecanismo de aprendizaje teniendo un conjunto de terminales formada por heurísticas de mejora y un conjunto de funciones compuesto por ciclos, condicionales y operadores auxiliares. La propuesta para el uso de este algoritmo se basa en que el concepto de hiperheurísticas ha dado buenos resultados en otro tipo de problemas como problemas de horario y de empaquetamiento. Por otra parte, en que la programación genética es una técnica que puede dar mayor expresividad a la administración de las heurísticas simples que solamente el manejar para éstas un arreglo en forma de cadena o tira. El uso del algoritmo propuesto obtuvo de manera consistente resultados bastante cercanos al mejor valor reportado, encontrando para dos instancias el valor óptimo conocido. Otra de las ventajas que se observaron en esta técnica fueron los cortos tiempos de cómputo, la repetibilidad y el grado de abstracción de la plataforma propuesta ya que generalizar su uso a otro tipo de problemas VRP no implicaría mucho tiempo de desarrollo. De lo anterior se prueba la hipótesis planteada y se abre un nuevo camino de investigación para atacar problema de optimización de tipo NP-completos.
- Pronóstico del IPC de la Bolsa Mexicana de Valores mediante el uso de reglas y redes neuronales(Instituto Tecnológico y de Estudios Superiores de Monterrey, 01/05/2004) Cázares Carrillo, Juan Germán; Valenzuela Rendón, Manuel; tolmquevedo; Tecnológico de Monterrey, Campus MonterreyLa presente investigación es un esfuerzo para el desarrollo de un pronosticador con resultados aceptables para el mercado de valores destinándose su uso como una herramienta de apoyo a la toma de decisiones financieras. El pronóstico se realiza mediante la identificación de patrones utilizando como herramientas técnicas de Inteligencia Artificial, específicamente Redes Neuronales de Retro propagación y Algoritmos Genéticos. Las principales aportaciones de la presente investigación son: la determinación de reglas de pronóstico basándose en el concepto de buy-and-hold utilizando indicadores de análisis técnico y la integración de diferentes métodos de pronóstico. Los resultados obtenidos al realizar la integración de los diferentes métodos de pronóstico mejoran hasta en un 20 % al mejor pronóstico obtenido por las técnicas empleadas, de manera independiente, en el desarrollo de la presente investigación
- Solución al Problema de Programación de Tareas mediante Algoritmos Genéticos Cooperantes-Edición Única(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2002-05-01) Flores Flores, José Maximiliano; Valenzuela Rendón, Manuel; Martínez Alfaro, Horacio; Terashima Marín, Hugo; ITESM; Garza Salazar, DavidEste trabajo de tesis aborda el problema de programación de tareas minimizando el criterio de justo a tiempo, mediante la combinación de algoritmo genético cooperante con una heurística llamada dinámica de cuello de botella. La solución que se propone en este trabajo es el uso de un algoritmo genético medicado, llamado algoritmo genético cooperante, en donde la representación de las tareas del problema se lleva a cabo mediante particiones del problema completo en varias poblaciones independientes. Cada una de estas poblaciones pertenecen a un algoritmo genético completo. Mediante un mecanismo de intercambio de información, cada uno de los algoritmos genéticos independientes utilizan la información generada por los individuos de las demás poblaciones para encontrar una mejor solución que la que se encontraría con una sola población, con el mismo número de evaluaciones totales de la función objetivo. La aplicación del algoritmo genético cooperante que se propone incluye un método para construirlas particiones iniciales y un método de reinicialización para migrar tareas entre particiones, así como una forma de representar algunas tareas en dos poblaciones distintas. La proposición del uso de un algoritmo genético cooperante se basa en la hipótesis de que, en un conjunto de tareas a programar, existen tareas que están fuertemente relacionadas entre sí, al igual que existen tareas que no tienen relación alguna en el resultado final de la programación. Con este enfoque, se pretende explotar la idea de independencia entre tareas para optimizar la representación de la solución y mejorar considerablemente el tiempo de respuesta de un algoritmo genético a los problemas de programación de tareas en una máquina. Los resultados de esta tesis son comparados con investigaciones anteriores donde se utilizaron algoritmos genéticos simples para resolver este mismo problema y objetivo de producción. El uso del algoritmo genéticos cooperante obtuvo de manera consistente mejores resultados que los algoritmos contra los que se comparó
- Optimizando el secuenciamiento de tareas mediante un algoritmo genético con dinámica del cuello de botella(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2000-05-01) Martínez Pérez, Israel Marck; Martínez Pérez, Israel Marck; 35729; Valenzuela Rendón, Manuel; Scheel Mayenberger, Carlos; Martínez Alfaro, Horacio; Mata Carrasco, Fernando; Programa de Graduados en Computación, Información y Comunicaciones; Division de Computación, Información y Comunicaciones; Campus MonterreyEn esta tesis de investigación se realiza un estudio para resolver uno de los problemas más importantes dentro de la industria y uno de los mas complejos de la Inteligencia Artificial: la programación de tareas. Se propone un algoritmo genético en combinación con la heurística dinámica del cuello de botella para optimizar este problema en una y múltiples máquinas de acuerdo a los objetivos de la producción justo a tiempo y tardanza ponderada. Se realizan experimentos con más de 300 problemas de diferentes características y restricciones como lo son el factor de rango, el factor de tardanza, el número de tareas, el número de máquinas y el tipo de ambiente. Los resultados muestran una estrategia de optimización eficiente y robusta que bien puede tratar con las restricciones y objetivos que demandan los problemas del mundo real.
- Estimación de la Dirección de Arribo y de los Coeficientes óptimos en un Sistema de Antenas Inteligentes Usando Redes Neuronales(Instituto Tecnológico y de Estudios Superiores de Monterrey, 01/05/2000) Rivera Arzola, Vladimir Z.; Valenzuela Rendón, Manuel; Muñoz Rodríguez, David; Aguilar Coutiño, Artemio; ITESMEl desarrollo de este trabajo se basa en el diseño de un sistema de antenas inteligentes usando redes neuronales. El primer problema tratado es la estimación de la Dirección de Arribo (DDA) de los usuarios móviles que están enviando sus mensajes a un arreglo lineal de antenas en fase. Una red neuronal fue diseñada para estimar la dirección de las fuentes que tiene acceso al arreglo de antenas. En el segundo problema, otra red neuronal fue utilizada para encontrar los coeficientes óptimos del arreglo de antenas para emitir el patrón de radiación hacia el usuario de interés. Las soluciones de estos dos problemas usando redes neuronales mostraron un mejor desempeño que los algoritmos ya existentes como el de Clasificación MÚltiple de Señales (MUSIC) para la estimación de la DDA y de la ecuación de Wiener-Hopf para la obtención de los coeficientes óptimos.