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
- Uso de BRKGA como herramienta para generar plan de producción de una fábrica de empaques de cartón(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2023-11-19) Zúñiga González, José de Jesús Nicolas; Sánchez Ante, Gildardo; emiggomez, emipsanchez; Zavala Martinez, Araceli; Hinojosa Cervantes, Salvador Miguel; Escuela de Ingeniería y Ciencias; Campus GuadalajaraEl dinamismo de la industria manufactura, en todos sus segmentos, exige a las empresas la capacidad de planear y maximizar la utilización de sus recursos. Esto involucra desde las personas, el uso de las máquinas y los materiales hasta sus mismas cadenas de suministro. Para las grandes empresas esta planeación está sustentada en el uso de herramientas computacionales como los ERP (Enterprise Resource Planning) con sus múltiples complementos. Sin embargo, para laspequeñas empresas la inversión en un ERP de gama alta pudiera ser difícil. De ahí que muchas veces satisfacen esa necesidad con las habilidades y capacidades “expertise” de las personas o con el uso de herramientas alternativas. Con base en esta situación, la presente tesis busca el mostrar como la planeación de la producción, considerada un problema clásico de asignación de recursos en un taller – JSSP, Job Shop Scheduling Problem – puede ser optimizada mediante el uso de algoritmos heurísticos. En específico, el presente estudio utiliza una variación del algoritmo genético conocido como BRKGA (Biased Random Key Genetic Algorithm) por sus siglas en inglés. Este algoritmo es aplicado al plan de producción de una semana proporcionado por unapequeña empresa dedicada a la fabricación de cajas y empaques de cartón corrugado, comparando los resultados obtenidos utilizando su metodología actual con el plan de producción generado por el algoritmo. Los hallazgos presentan que tras el uso del BRKGA el plan de producción se redujo a 598 minutos en comparación a las 48 horas que se habían considerado como plan original. Esto representa una reducción del 76%.
- Detection of suspicious attitudes on video using neuroevolved shallow and deep neural networks models(Instituto Tecnológico y de Estudios Superiores de Monterrey, 2021-11) Flores Munguía, Carlos; Terashima Marín, Hugo; puemcuervo/tolmquevedo; Oliva, Diego; Ortiz Bayliss, Jose Carlos; School of Engineering and Sciences; Campus MonterreyThe analysis of surveillance cameras is a critical task usually limited by the people involved in the video supervision devoted to such a task, their knowledge, and their judgment. Security guards protect other people from different events that can compromise their security, like robbery, extortion, fraud, vehicle theft, and more, converting them to an essential part of this type of protection system. If they are not paying attention, crimes may be overlooked. Nonetheless, different approaches have arisen to automate this task. The methods are mainly based on machine learning and benefit from developing neural networks that extract underlying information from input videos. However, despite how competent those networks have proved to be, developers must face the challenging task of defining the architecture and hyperparameters that allow the network to work adequately and optimize the use of computational resources. Furthermore, selecting the architecture and hyperparameters may significantly impact the neural networks’ performance if it is not carried out adequately. No matter the type of neural network used, shallow, dense, convolutional, 3D convolutional, or recurrent; hyperparameter selection must be performed using empirical knowledge thanks to the expertise of the designer, or even with the help of automated approaches like Random Search or Bayesian Optimization. However, such methods suffer from problems like not covering the solution space well, especially if the space is made up of large dimensions. Alternatively, the requirement to evaluate the models many times to get more information about the evaluation of the objective function, employing a diverse set of hyperparameters. This work proposes a model that generates, through a genetic algorithm, neural networks for behavior classification within videos. The application of genetic algorithms allows the exploration in the hyperparameters solution space in different directions simultaneously. Two types of neural networks are evolved as part of the thesis work: shallow and deep networks, the latter based on dense layers and 3D convolutions. Each sort of network takes distinct input data types: the evolution of people’s pose and videos’ sequences, respectively. Shallow neural networks are generated by NeuroEvolution of Augmented Topologies (NEAT), while CoDeepNEAT generates deep networks. NEAT uses a direct encoding, meaning that each node and connection in the network is directly represented in the chromosome. In contrast, CoDeepNEAT uses indirect encoding, making use of cooperative coevolution of blueprints and modules. This work trains networks and tests them using the Kranok-NV dataset, which exhibited better results than their competitors on various standard metrics.