Actas del X Congreso Español - GeNeura...

Actas del X Congreso Español

sobre Metaheurísticas,

Algoritmos Evolutivos y Bioinspirados

MAEB 2015

Editadas por:

Francisco Chávez de la ORafael M. Luque Baena

Francisco LunaFrancisco Fernández de Vega

Mérida - Almendralejo4, 5 y 6 de febrero de 2015

Edita: Francisco Chávez de la O, Rafael M. Luque-Baena, Francisco Luna, Francisco Fernández de VegaCentro Universitario de MéridaUniversidad de Extremadura

Derechos reservados

c� Los autores

Diseño de cubierta: Cayetano Cruz García

ISBN: 978-84-697-2150-6

iv

Comité Organizador

Cayetano Cruz GarcíaUniversidad de Extremadura

Josefa Díaz ÁlvarezUniversidad de Extremadura

Francisco Chávez de la OUniversidad de Extremadura

Francisco Fernández de VegaUniversidad de Extremadura

Francisco LunaUniversidad de Extremadura

Rafael M. Luque-BaenaUniversidad de Extremadura

v

Comité Director

Enrique AlbaUniversidad de Málaga

Abraham DuarteUniversidad Rey Juan Carlos

Francisco Fernández de VegaUniversidad de Extremadura

José Antonio GámezUniversidad de Castilla-La Mancha

Francisco HerreraUniversidad de Granada

J. Ignacio HidalgoUniversidad Complutense de Madrid

César HervásUniversidad de Cordoba

Rafael MartíUniversidad de Valencia

Juan Julián MereloUniversidad de Granada

José A. MorenoUniversidad de La Laguna

Luciano SánchezUniversidad de Oviedo

vii

Comité de Programa

Jesús Aguilar, Universidad Pablo de OlavideEnrique Alba, Universidad de MálagaCarlos Andrés Romano, U. Politécnica de ValenciaAda Álvarez, Universidad Autónoma de Nuevo LeónRamón Álvarez-Valdés, Universidad de ValenciaLourdes Araujo, Universidad Nacional a DistanciaJaume Bacardit, University of NottinghamJulio R. Banga, CSICJoaquín Bautista, Universidad Politécnica de CataluñaJosé Manuel Benítez, Universidad de GranadaChristian Blum, Universidad Politécnica de CataluñaRafael Caballero, Universidad de MálagaVicente Campos, Universitat de ValènciaJorge Casillas, Universidad de GranadaPedro A. Castillo Valdivieso, Universidad de GranadaFrancisco Chicano, Universidad de MálagaFrancisco Chávez, Universidad de ExtremaduraCarlos A. Coello Coello, CINVESTAV - IPNÁngel Corberán, Universidad de ValenciaOscar Cordón, Universidad de GranadaCarlos Cotta, Universidad de MálagaAntonio Córdoba, Universidad de SevillaBernabé Dorronsoro, Universidad de LuxemburgoAbraham Duarte, Universidad Rey Juan CarlosRichard Duro, Universidad da CoruñaAdenso Díaz, Universidad de OviedoJosé Egea, Universidad Politécnica de CartagenaFrancisco Javier Elorza, U. Politécnica de MadridAntonio J. Fernández, Universidad de MálagaFrancisco Fernández, Universidad de ExtremaduraMiguel Frade, Instituto Politécnico de LeiriaMario Garcia, Instituto Politécnico de TijuanaMaribel García Arenas, Universidad de GranadaEduardo García Pardo, Universidad Rey Juan CarlosCarlos García, Universidad de CórdobaNicolás García, Universidad de CórdobaSalvador García, Universidad de JaénRaúl Giraldez, Universidad Pablo de OlavideJosé Luís González-Velarde, Inst. Tec. de MonterreyAntonio González, Universidad de GranadaPedro González, Universidad de JaénJosé Antonio Gutiérrez, Universidad de CórdobaJosé Antonio Gámez, U. de Castilla-La ManchaJuan A. Gómez Pulido, Universidad de ExtremaduraFrancisco Herrera, Universidad de GranadaCesar Hervás, Universidad de CórdobaJosé Ignacio Hidalgo, U. Complutense de MadridMaría José del Jesús, Universidad de JaénAngel A. Juan, Universitat Oberta de CatalunyaManuel Laguna, Universidad de ColoradoDario Landa Silva, University of NottinghamHelena Ramalhinho Lourenco, U. Pompeu Fabra

José Antonio Lozano, Universidad del País VascoManuel Lozano, Universidad de GranadaFrancisco Luna, Universidad de MálagaGabriel J. Luque, Universidad de MálagaRafael M. Luque-Baena, Universidad de ExtremaduraLuís Magdalena, European Centre for Soft ComputingRafael Martí, Universitat de ValènciaFrancisco Martínez, Universidad de CórdobaBelén Melián, Universidad de La LagunaAlexander Mendiburu, Univ. del País VascoJulián Molina, Universidad de MálagaJ. Marcos Moreno, Universidad de La LagunaJosé A. Moreno, Universidad de La LagunaAntonio J. Nebro, Universidad de MálagaJulio Ortega, Universidad de GranadaDomingo Ortiz, Universidad de CórdobaLuis de la Ossa, Universidad de Castilla-La ManchaJosé Otero, Universidad de OviedoJoaquín Pacheco, Universidad de BurgosJuan J. Pantrigo, Universidad Rey Juan CarlosFrancisco Parreño, Universidad de Castilla-La ManchaDavid Pelta, Universidad de GranadaAntonio Peregrín, Universidad de HuelvaJosé Miguel Puerta, U. de Castilla-La ManchaCynthia Pérez, Tecnológico de SinaloaM. Elena Pérez, Universidad de ValladolidJuan R. Rabuñal, Universidad da CoruñaIgnacio Requena, Universidad de GranadaJosé Riquelme, Universidad de SevillaJose Luís Risco-Martín, U. Complutense de MadridVíctor Rivas, Universidad de JaénRubén Ruiz, Universidad Politécnica de ValenciaRoger Ríos, Universidad Autónoma de Nuevo LeónSancho Salcedo, Universidad de AlcaláRoberto Santana, Universidad Politécnica de MadridAntonio Sanz Montemayor, U. Rey Juan CarlosThomas Stützle, Université Libre de BruxellesYago Sáez, Universidad Carlos III de MadridAna María Sánchez, Universidad de GranadaLuciano Sánchez, Universidad de OviedoLeonardo Trujillo, Instituto Tecnológico de TijuanaÁngel Udías, Universidad Rey Juan CarlosMiguel A. Vega Rodríguez, U. de ExtremaduraSebastián Ventura, Universidad de CórdobaJosé Luís Verdegay, Universidad de GranadaGabriel Villa, Universidad de SevillaPedro Villar, Universidad de GranadaJuan Villegas, Universidad Autónoma MetropolitanaGabriel Winter, U. de las Palmas de Gran CanariaAmelia Zafra, Universidad de Córdoba

ix

Índice General

Sesión general

Planificación de celdas de reporte con el algoritmo SPEA2Víctor Berrocal-Plaza, Miguel A. Vega-Rodríguez, Juan M. Sánchez-Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Algoritmo Genético con Diversificación Voraz y Equilibrio entre Exploración y ExplotaciónAndrés Herrera-Poyatos, Francisco Herrera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Introducing Mixtures of Generalized Mallows in Estimation of Distribution AlgorithmsJosian Santamaría, Josu Ceberio, Alexander Mendiburu, Roberto Santana, José A. Lozano . . . . . . . . . . . . . . . . . . . . 19

Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Utilizando PanelesLEDDaniel H. Stolfi, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Algoritmo memético basado en regiones con archivo externo para optimización multimodalBenjamin Lacroix, Daniel Molina, Francisco Herrera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

El problema de los cortafuegos. Resultados con métodos heurísticos y con programación linealenteraCarlos García-Martínez, Christian Blum, Francisco Javier Rodríguez, Manuel Lozano . . . . . . . . . . . . . . . . . . . . . . . . . 43

Estudio preliminar sobre visualización y clasificación de la calidad de la emisión de sonido en elClarineteFrancisco Fernández de Vega, Francisco Chávez de La O, Carlos M. Fernandes, Antonio Mora, J.J. Merelo . . . . 51

Generación de Secuencias de Pruebas Funcionales con Algoritmos Bio-inspiradosJavier Ferrer, Peter M. Kruse, Francisco Chicano, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Ajuste Probabilístico de Modelos de Glucosa obtenidos mediante Gramáticas EvolutivasJ. Ignacio Hidalgo, Rafael Villanueva, José Manuel Colmenar, José L. Risco-Martín, Esther Maqueda, JuanCarlos Cortés, Almudena Sánchez, Marta Botella, José Antonio Rubio, Juan Lanchares, Óscar Garnica, AlfredoCuesta, Francisco Santonja, Iván Contreras, José Manuel Velasco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

Una Metaheurística Multiarranque para el Problema de la Partición Entera Común MínimaManuel Lozano, Francisco Javier Rodríguez, Carlos García-Martínez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Beam Search para la búsqueda de caminos en redes complejas con entidades semánticasFrancisco Vélez, Enrique Herrera-Viedma, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

Registrado evolutivo de fragmentos craneales en 3D mediante Scatter SearchEnrique Bermejo, Alejandro León, Sergio Damas, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

A Comparison of Estimation of Distribution Algorithms for the Linear Ordering ProblemJosu Ceberio, Alexander Mendiburu, José A. Lozano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

xiii

Algoritmo de aprendizaje de redes bayesianas basado en algoritmos de colonias de hormigas ymodelos sustitutos con estructura de árbolJuan Ignacio Alonso-Barba, Luis de La Ossa, José A. Gámez, José Miguel Puerta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

Generación de reglas difusas tipo TSK-1 basada en el principio apriori derivando el sistema dereglas mediante búsqueda localJavier Cózar, Luis de la Ossa, José A. Gámez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

Modelo de Reglas de Asociación para el Diagnóstico de Prestaciones en el Servicio Público deEmpleo EstatalJosé Antonio Sánchez, José M. Luna, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

Algoritmos Heurísticos al Problema de Máxima Diversidad de Mínima SumaAnna Martínez Gavara, Vicente Campos, Manuel Laguna, Rafael Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Un procedimiento basado en GRASP para un problema de asignación de equipos médicos dediagnóstico en una red de hospitales públicosRodolfo Mendoza Gómez, Roger Z. Ríos Mercado, Karla B. Valenzuela Ocaña . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

Un método multi-arranque aleatorizado para un problema de diseño de una red de caminos yubicación de maquinaria y patios forestales con consideraciones ambientalesAna L. González-Estrada, Roger Z. Ríos Mercado, Óscar A. Aguirre-Calderón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

Análisis del espacio de funciones aditivamente descomponibles para dimensiones pequeñasJosé A. Lozano, Iván Sánchez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

Un enfoque multiobjetivo para la planificación multinivel de lotes de trabajos en sistemas distri-buidosSantiago Iturriaga, Bernabé Dorronsoro, Andrei Tchernykh, Sergio Nesmachnow, Pascal Bouvry . . . . . . . . . . . . . . 157

Optimizando el gasto de energía en redes de sensores con la utilización del conformado de hazJuan Carlos González-Macías, Francisco Luna, Rafael M. Luque-Baena, Juan F. Valenzuela-Valdés, Pablo Padilla

165

Estudio preliminar del rendimiento de familias de algoritmos multiobjetivo en diseño arquitectónicoAurora Ramírez, José-Raúl Romero, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

Predicción a muy corto plazo de series temporales de volumen de tráfico rodado mediante co-evolución de RBFNsVíctor Rivas, Elisabet Parras-Gutiérrez, Antonio Fernández Ares, Pedro A. Castillo, Pedro García-Fernández,Maribel García Arenas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

Implementación de algoritmos meméticos con capacidad de auto-generación sobre CouchBDManuel García García, Mariela Nogueira, Carlos Cotta Porras, Antonio J. Fernández-Leiva, J.J. Merelo . . . . . . 189

SIPESCA-B: presentando un benchmark de series temporales de datos reales para la prediccióndel tráficoPedro A. Castillo, Antonio Fernández Ares, Maribel García Arenas, Antonio Mora, Pablo García Sánchez, VíctorRivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

Interpolación espacial para la predicción de la radiación solar mediante gradient tree boostingRicardo Aler, José M. Valls, Inés M. Galván . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205

Un algoritmo de colonias de abejas artificiales para el problema de agrupación de máxima diver-sidadFrancisco Javier Rodríguez Díaz, Manuel Lozano, Carlos García-Martínez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211

Algoritmo evolutivo para optimizar ensembles de clasificadores multi-etiquetaJosé M. Moyano, Eva Gibaja, Alberto Cano, José M. Luna, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

xiv

Optimización de la deconvolución de perfiles de difracción mediante algoritmos evolutivosSidolina Pereira Dos Santos, Juan Antonio Gómez Pulido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227

Optimización Multi-objetivo del Consumo de Energía y Tiempo de Ejecución en una MemoriaCache de primer nivel para Sistemas EmpotradosJosefa Díaz-Álvarez, José Manuel Colmenar, José L. Risco-Martín, Juan Lanchares . . . . . . . . . . . . . . . . . . . . . . . . . . . 233

Sesión especial: Metaheurísticas en Empresas y ProducciónOrganizadores: Joaquín Bautista, Óscar Cordón, Sergio Damas

Aplicación de metaheurísticas en la optimización de pasos superiores de carreterasJosé V. Martí, Víctor Yepes, Tatiana García-Segura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241

Algoritmos GRASP para el equilibrado de líneas con riesgo ergonómico mínimoJoaquín Bautista, Rocío Alfaro, Cristina Batalla, Sara Llovera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249

Aplicación de Técnicas de Inteligencia Computacional a un Sistema de Ciberseguridad CorporativaPaloma de Las Cuevas, Antonio Mora, J.J. Merelo, Pedro A. Castillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

A Refined GRASP Algorithm for the Extended Car Sequencing ProblemElvira Laković, Manuel Chica, Sergio Damas, Joaquín Bautista, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265

Sesión especial: Metaheurísticas en logística portuaria y problemas afinesOrganizadores: Belén Melián, J. Marcos Moreno

Un Problema Real de Planificación de Rutas de Vehículos con IntermodalidadJesica de Armas, Belén Melián, Julio Brito, Eduardo Lalla Ruiz, Christopher Expósito Izquierdo . . . . . . . . . . . . . . 273

Búsqueda por Entornos Variables para el Problema de Asignación de AtraquesEduardo Lalla Ruiz, Christopher Expósito Izquierdo, Jesica de Armas, Belén Melián, J. Marcos Moreno-Vega . . 281

Modelos y algoritmos para el problema de la asignación de atraques en una terminal de contene-doresJuan Francisco Correcher, Pablo Froján, Ramón Álvarez-Valdés, Gerasimos Koulouris, José Manuel Tamarit . . 289

Un GRASP reactivo para el problema de planificación de la estibaFrancisco Parreño, Ramón Álvarez-Valdés, Dario Pacino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297

Planificación de rutas para productos perecederos utilizando un híbrido GRAP-VNSJulio Brito, Airam Expósito, José Andrés Moreno Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .305

Modelado del transbordo de contenedores en una terminal marítima de contenedoresChristopher Expósito Izquierdo, Jesica de Armas, Eduardo Lalla Ruiz, Belén Melián, J. Marcos Moreno-Vega . . 313

Sesión especial: Metodologías y Herramientas Software para la Investigaciónsobre Metaheurísticas

Organizadores: Francisco Chicano, Gabriel Luque

Using the Page Trend Test to Analyze the Convergence of Evolutionary AlgorithmsJoaquín Derrac, Sheldon Hui, Ponnuthurai Nagaratnam Suganthan, Salvador García, Francisco Herrera . . . . . . . 321

xv

Teoría del valor extremo como criterio de parada en la optimización heurística de puentesVíctor Yepes, José V. Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329

Descomposición en Landscapes Elementales del Problema de Diseño de Redes de Radio con Apli-cacionesFrancisco Chicano, Franco Arito, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337

Optimización Multi-objetivo Basada en Preferencias para la Planificación de Proyectos SoftwareRubén Saborido, Francisco Chicano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345

Describiendo experimentos de optimización con MOEDLJosé Antonio Parejo Maestre, Sergio Segura, Antonio Ruiz-Cortés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .353

Optimización de Problemas Multiobjetivo de Ingeniería Civil con jMetalAntonio J. Nebro, Gustavo R. Zavala, Juan J. Durillo, Francisco Luna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .361

Sesión especial: Metaheurísticas, Algoritmos Evolutivos y Bioinspirados en Bio-informática

Organizadores: Miguel A. Vega-Rodríguez, Sergio Santander-Jiménez, ÁlvaroRubio-Largo, David L. González-Álvarez

Análisis Comparativo de Implementaciones del Algoritmo Multiobjective Artificial Bee Colonypara Reconstrucción FilogenéticaSergio Santander-Jiménez, Miguel A. Vega-Rodríguez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369

Docking Inter/Intra-Molecular Mediante Metaheurísticas Multi-objetivoEsteban López-Camacho, María Jesús García Godoy, José García-Nieto, Antonio J. Nebro, José F. AldanaMontes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377

Ruteo de Micro-fluidos en Biochips Digitales: Un enfoque basado en Colonia de HormigasCarlos Mendoza, Eduardo Szaran, Diego Pedro Pinto Roa, Carlos Brizuela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385

Sesión especial: Búsqueda dispersa y re-encadenamiento de trayectoriasOrganizadores: Manuel Laguna, Rafael Martí

Búsqueda dispersa para un problema de localización de concentradoresRafael Martí, Ángel Corberán, Juanjo Peiró . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393

Búsqueda dispersa aplicada al problema del paso de bandaJesús Sánchez-Oro, Abraham Duarte, Rafael Martí, Manuel Laguna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401

Sesión especial: Simheurísticas en Logística, Transporte, y ProducciónOrganizadores: Ángel A. Juan, Javier Faulin, Helena Ramalhinho Lourenço

Técnicas estadísticas aplicadas a la selección de valores para parámetros de metaheurísticasLaura Calvet, Ángel A. Juan, Carles Serrat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 409

Tamaño y Composición de Flotas de Vehículos en Problemas de Rutas con Retorno: Un MétodoHeurístico con Aleatoriedad SesgadaJavier Belloso, Ángel A. Juan, Javier Faulín . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417

xvi

Un algoritmo basado en aleatorización sesgada para la recolección eficiente de residuos en ciudadesinteligentesAljoscha Gruler, Christian Fikar, Ángel A. Juan, Patrick Hirsch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423

Resolviendo el problema de rutas de vehículos con criterio medioambiental mediante una búsquedatabúSergio Úbeda, Javier Faulin, Adrián Serrano, Francisco Arcelus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 429

Network design considering risk aversionLuis Cadarso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437

Uso combinado de métodos exactos con heurística aleatorizada para la programación y enruta-miento de servicios médicos domiciliariosCarlos Quintero-Araujo, Andrés F. Torres-Ramos, Edgar H. Alfonso-Lizarazo, Lorena S. Reyes-Rubiano, ÁngelA. Juan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441

Sesión especial: Desarrollo de videojuegos y software de entretenimientoOrganizadores: Antonio J. Fernández, Antonio Mora, Raúl Lara

Diseño de un Simulador de Bajo Coste para Vehículos Aéreos no TripuladosVíctor Rodríguez-Fernández, Héctor Menéndez, David Camacho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 447

Desarrollo de un Bot Evolutivo Interactivo para Unreal Tournament 2004José Luis Jiménez López, Antonio J. Fernández-Leiva, Antonio Mora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 455

Optimización en videojuegos: retos para la comunidad científicaRaúl Lara Cabrera, Mariela Nogueira, Carlos Cotta, Antonio J. Fernández-Leiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463

Diseño de bots competitivos para un juego de estrategia en tiempo real usando programacióngenética: análisis de funciones de fitnessAntonio Fernández Ares, Pablo García Sánchez, Antonio Mora, Pedro A. Castillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471

Videojuegos Serios en Educación Infantil y PrimariaRafael Prieto de Lope, Daniel Díaz Salas, Jahiel Jerónimo, Nuria Medina Medina, Carlos García Cruz . . . . . . . . 479

Diseño de la experimentación para evaluar la efectividad de Behavior BricksIsmael Sagredo-Olivenza, Pedro Pablo Gómez-Martín, Marco Antonio Gómez-Martín, Pedro A. González-Calero487

RPG Quest Generation using a Search-based Approach and Partial Ordering PlanningÁlvaro Gutiérrez, José M. Peña, Luis Peña, Antón Planells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495

Sesión especial: Algoritmos paralelosOrganizadores: Enrique Alba, Francisco Luna

Comunicación eficiente entre vehículos aplicando un algoritmo multi-objetivo paraleloJamal Toutouh, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503

Integrando ECJ con HadoopFrancisco Chávez de La O, Daniel Lanza, Francisco Fernández de Vega, Gustavo Olague, Leonardo Trujillo . . . . 511

Planificación multiobjetivo de viajes compartidos en taxis utilizando un micro algoritmo evolutivoparaleloRenzo Massobrio, Óscar Gabriel Fagúndez de Los Reyes, Sergio Nesmachnow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519

xvii

Un SMS-EMOA paralelo para resolver un problema real de ingeniería civilFrancisco Luna, Gustavo R. Zavala, Antonio J. Nebro, Juan J. Durillo, Carlos A. Coello Coello . . . . . . . . . . . . . . .527

Sesión especial: Algoritmos multiobjetivoOrganizadores: Enrique Alba, Mariano Luque

Un Nuevo Algoritmo Evolutivo en Programación Multiobjetivo para Aproximar el Frente Óptimode ParetoMariano Luque, Ana B. Ruiz, Rubén Saborido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 535

Paginación gaussiana en áreas de registro. Análisis de rendimiento multi-objetivoVíctor Berrocal-Plaza, Miguel A. Vega-Rodríguez, Juan M. Sánchez-Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 543

Cooperación paralela para selección multiobjetivo de características en problemas de dimensiónelevadaDragi Kimovski, Julio Ortega, Andrés Ortiz, Raúl Baños . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 551

Aplicación de algoritmos evolutivos multiobjetivo al diseño de circuitos integrados: criterios dedetenciónElisenda Roca, Rafael Castro-López, Francisco V. Fernández . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 559

Reconocimiento de punto láser en sistemas de interacción mediante algoritmos multiobjetivosFrancisco Chávez de La O, Eddie Clemente, Daniel Hernández, Francisco Fernández de Vega, Gustavo Olague .567

Algoritmos evolutivos para un modelo multi-objetivo de selección de carteras con restricción decardinalidadEnriqueta Vercher, José D. Bermúdez, Rubén Saborido, Ana B. Ruiz, Mariano Luque . . . . . . . . . . . . . . . . . . . . . . . . . 575

Sesión especial: Metaheurísticas y soft computing en contextos complejosOrganizadores: José Luis Verdegay, David A. Pelta

Criterios de inversión y evaluación de la responsabilidad social mediante Soft ComputingClara Calvo, Carlos Ivorra, Vicente Liern, Blanca Pérez-Gladish . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 581

RankFSP: Procedimiento de Búsqueda del Pescador aplicado al Aprendizaje de la Ordenación enRecuperación de InformaciónÓscar Alejo, Juan M. Fernández-Luna, Juan F. Huete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 589

Una herramienta para la experimentación y análisis estadístico en ambientes dinámicosPavel Novoa-Hernández, Carlos Cruz Corona, David Pelta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597

Comparación de algoritmos metaheurísticos en la resolución del problema de planificación de rutasde camiones y remolques con restricciones difusasIsis Torres Pérez, Alejandro Rosete Suárez, Carlos Cruz Corona, José Luis Verdegay . . . . . . . . . . . . . . . . . . . . . . . . . . 605

Comparativa de algoritmos de inserción para un DVRPTWAlondra De Santiago, Belén Melián, Ada Álvarez, Francisco Ángel-Bello . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .613

Optimización de Sistemas Basados en Reglas Difusas para la predicción de congestión a corto plazoPedro López, Enrique Onieva, Asier Perallos, Laura Arjona, Eneko Osaba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 621

xviii

Sesión especial: Búsqueda de Vecindad VariableOrganizadores: Abraham Duarte, Eduardo G. Pardo

BVNS para el problema del bosque generador k-etiquetadoSergio Consoli, Nenad Mladenovic, José Andrés Moreno Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 629

Búsqueda de Vecindad Variable Básica para la minimización del tiempo máximo en el Problemadel Empaquetamiento de PedidosBorja Menéndez Moreno, Eduardo García Pardo, Abraham Duarte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 637

Mejorando la eficiencia de sistemas embebidos utilizando estrategias paralelas de búsqueda devecindad variableJesús Sánchez-Oro, Abraham Duarte, Rafael Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 645

Variantes de VNS para el Problema de Dispersión Max-MeanFrancisco Gortázar, Rubén Carrasco, An Thanh Pham, Micael Gallego, Abraham Duarte . . . . . . . . . . . . . . . . . . . . . . 653

Búsqueda de vecindad variable para problemas de programación entera no lineaJosé A. Egea, Julio Sáez-Rodríguez, Julio R. Banga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 659

Sesión especial: Algoritmos evolutivos y creatividadOrganizadores: Francisco Fernández de Vega

Diseñando Problemas Sintéticos de Clasificación con Superficie de Aptitud DeceptivaEnrique Naredo, Leonardo Trujillo, Francisco Fernández de Vega, Sara Silva, Pierrick Legrand . . . . . . . . . . . . . . . . 667

Incluyendo el elitismo en el modelo creativo mediante algoritmos evolutivos desconectadosLilian Navarro Moreno, Francisco Fernández de Vega, Cayetano Cruz García . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 675

Sesión especial: Análisis y reconocimiento de patrones basado en modelos yalgoritmos bio-inspirados

Organizadores: Leonardo Trujillo, Gustavo Olague

Algoritmo Masivamente Paralelo Inspirado en el Modelo de la Corteza Visual Artificial para elReconocimiento de ObjetosBenjamín Hernández, Gustavo Olague, Daniel Hernández, Eddie Clemente, Andersen Herrera . . . . . . . . . . . . . . . . . 683

Detección de objetos en imágenes naturales utilizando el paradigma de la programación cerebralcon un enfoque multiobjetivoEddie Clemente, Gustavo Olague, Daniel Hernández, José Luis Briseño, José Mercado . . . . . . . . . . . . . . . . . . . . . . . . 691

Algoritmo híbrido de enjambre de luciérnagas y aceptación por umbrales para diseño de vigasTatiana García-Segura, Víctor Yepes, José V. Martí, Julián Alcalá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 699

Modelo Computacional para la Detección de Zonas Reactivas en Concreto Tratado con Acetatode UraniloCecilia Olague, Gustavo Olague, José Antonio Pérez, Eddie Clemente, Gilberto Wenglas . . . . . . . . . . . . . . . . . . . . . . . 707

Programación Cerebral para el Seguimiento de Objetos Basado en la Atención VisualDaniel Hernández, Gustavo Olague, Eddie Clemente, José Luis Briseño, Paul Llamas . . . . . . . . . . . . . . . . . . . . . . . . . 715

xix

Sesión especial: Procesamiento de imágenes y vídeoOrganizadores: Enrique Domínguez, Esteban Palomo, Rafael M. Luque-Baena

Selección del espacio de color para video-segmentacion mediante redes neuronales autorganizadasRafael M. Luque-Baena, Esteban J. Palomo, Ezequiel López-Rubio, Enrique Dominguez, Francisco Javier López-Rubio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 723

Reconocimiento de rostros a partir de la propia imagen usando técnica CBIRCesar Benavides-Alvarez, Juan Villegas-Cortez, Graciela Román-Alonso, Carlos Aviles Cruz . . . . . . . . . . . . . . . . . . 733

Sesión especial: Computación evolutiva y bioinspirada aplicada a problemas deagrupación y clustering

Organizadores: David Camacho, Sancho Salcedo, Antonio Portilla

Algoritmo K-means adaptativo para clustering basado en grafosGema Bello Orgaz, Héctor Menéndez, David Camacho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 741

Análisis de Tendencias Espacio-Temporales de Temperatura en Europa mediante ClusterizaciónAcoplada a DatosMihaela Chidean, Jesús Muñoz-Bulnes, Eduardo Del Arco, Julio Ramiro-Bargueno, Antonio Caamaño-Fernández,Sancho Salcedo-Sanz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749

Índice de autores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 757

xx

Prediccion a muy corto plazo de seriestemporales de volumen de trafico rodado

mediante co-evolucion de RNFBRVıctor M. Rivasa , Elisabet Parras-Gutierreza, Antonio Fernandez-Aresb, Pedro A.

Castillob, Pedro Garcıa-Fernandezc , Maribel G. Arenasb

Resumen— La prediccion del estado del trafico entiempo real y a corto plazo es una necesidad cada vezmas demandada, tanto por conductores como por loscentros de gestion del trafico. Este trabajo presen-ta una comparativa de la prediccion realizada sobrecuatro series temporales distintas por distintos algo-ritmos, entre los que se ha incluido un sistema de co-evolucion de redes neuronales y conjuntos de retar-dos. Cada serie temporal recoge el numero de dispo-sitivos Bluetooth detectados en puntos de la red vial,agrupados por intervalos de 15 minutos, y la predic-cion se realiza a 15, 30, 45 y 60 minutos con respectoal ultimo dato conocido. Los resultados muestran lasposibilidades que ofrece cada metodo en funcion delhorizonte a obtener partiendo de los datos medidosen las ultimas 24 horas.

Palabras clave—Algoritmos coevolutivos, Prediccionde trafico, Series temporales, Redes Neuronales deFunciones Base Radiales

I. Introduccion

La prediccion en tiempo real del trafico de vehıcu-los por carretera o ciudad se ha convertido en unanecesidad cada vez mas demandada tanto por lasadministraciones como por los propios usuarios [1].Por este motivo, cada vez existen mas mecanismosque permiten medir el volumen del trafico, generan-do una vasta cantidad de informacion pendiente deser debidamente tratada y analizada para obtenerpredicciones cada vez mas fiables. Actualmente, laposibilidad de obtener datos en tiempo real sobrevolumen de trafico o velocidades medias en nume-rosos puntos de las redes viales es ya un hecho; sinembargo, la toma de decisiones acerca de las medidasa tomar y la prediccion de en que modo aumentarano disminuiran ambas variables sigue siendo una ta-rea que llevan a cabo tanto los gestores de las salasde control de trafico como los propios conductores.

Durante los tres ultimos anos, gracias al proyectoSIPESCA1 [2], se ha desarrollado y puesto en mar-cha una nueva tecnica para estimar el numero devehıculos que circulan por una vıa, ası como su ve-locidad. En concreto, se han ubicado en distintospuntos de Andalucıa (tanto en vias urbanas comoen autovıa) unos sensores capaces de detectar, al-

aDepartamento de Informatica. Escuela Politecnica Supe-rior de Jaen. Univ. de Jaen E-mail: [email protected]

bDepartamento de Arquitectura y Tecnologıa de Compu-tadores. Univ. de Granada

cDepartamento de Electronica y Tecnologıa de Computado-res. Univ. de Granada

1http://sipesca.ugr.es/

macenar y transmitir el identificador unico de losdispositivos Bluetooth de los vehıculos que circulanproximos a cada sensor. La base de datos que se hagenerado (y que sigue mejorandose y ampliandose)es ahora un recurso de enorme valor desde el cualestamos realizando distintos tipos de estudio, tan-to por su capacidad de proporcionar informacion entiempo real como por las posibilidades que ofrecepara realizar predicciones.

Partiendo de los datos recopilados por el proyectoSIPESCA, este trabajo presenta los resultados ob-tenidos al aplicar distintas metricas y metodos deprediccion de series temporales, entre ellos el algo-ritmo co-evolutivo L-Co-R [3]), para la predicciona muy corto plazo de volumen de trafico. Concre-tamente, el trabajo se centra en la prediccion a 15minutos, 30 minutos, 45 minutos y 1 hora. La moti-vacion para usar concretamente estos tiempos coin-cide con la indicada por Min y Wynter en [1]: porun lado, las oficinas de gestion de trafico necesitanactualizar de forma dinamica la senalizacion y men-sajes dirigidos a ordenar correctamente el trafico, ypara ello deben basarse en las condiciones previstaspara el trafico en un futuro cercano, no en predic-ciones hechas con mucha anterioridad y que puedenestar totalmente obsoletas. Por otro lado, los pro-pios conductores solicitan cada vez mas informaciony predicciones actualizadas en el mismo instante enque estan desarrollando sus movimientos por la redde carreteras, mostrando poca confianza en las con-diciones que existıan cuando planificaron el trayecto.

Uno de los aspectos mas innovadores que intro-ducimos en este trabajo es la seleccion del conjuntode valores pasados que utilizaremos para construirel modelo con el que realizar la prediccion. En estesentido, hemos considerado solamente los datos re-copilados en las ultimas 24 horas. Los motivos sondos: en primer lugar, permite tratar el problema ba-jo el paradigma correcto de la prediccion de seriestemporales, esto es, utilizar un conjunto de datosconsecutivos para realizar una prediccion mas o me-nos diferida en el tiempo2. En segundo lugar, nospermite situar un punto de referencia para futurostrabajos ya planificados en los cuales la construccion

2Este importante aspecto fue puesto de manifiesto por losganadores de la competicion de prediccion de series tempora-les realizada en el simposio SICO, integrado dentro del con-greso CEDI 2010 realizado en Zaragoza.

X Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados (MAEB 2015)

181

del modelo predictor se realizara en dispositivos depoca capacidad de calculo y almacenamiento, quecooperaran en un entorno distribuido logrando me-jorar las soluciones usando un enfoque colaborativo.Estos trabajos se enmarcan dentro de una lınea deinvestigacion ya iniciada en Rivas et al. [4], y per-mitiran la descentralizacion del proceso de creacionde los modelos predictores al mismo tiempo que ladifusion de los mismos a los dispositivos interesadosen explotarlos.

El resto del trabajo se compone de los siguientesapartados: la seccion II describe el estado del artedel problema tratado; la seccion III presenta tantolos datos que se han utilizado, como los algoritmosempleados y las medidas de error que se permitencomparar la bondad de los mismos; a continuacion,la seccion IV presenta los resultados que se han obte-nido, utilizando para ello un resumen del numero deveces que cada algoritmo ha hallado el modelo quedevolvıa el menor error. Finalmente, en la seccion Vse destacan las principales conclusiones obtenidas.

II. Estado del arte

Existen numerosos ejemplos en la literatura en losque el problema de prediccion de trafico a 15 minu-tos ha sido tratado. En la mayor parte de ellos, elmetodo utilizado ha sido ARIMA [5], como por ejem-plo en Smith et al. [6] donde se compara la tecnicadel vecino mas cercano con los modelos autorregre-sivos. Un trabajo mas reciente es el correspondientea Chandra y Al-Deek [7] que, como el anterior estacentrado en los modelos ARIMA; a su vez ambostrabajos son similares al realizado por Min y Wyn-ter [1] en cuanto a la metodologıa utilizada, basadaen modelo de autorregresion espacio-temporal multi-variable (MSTAR). En este tipo de algoritmos, cadavıa se modela como un grafo en el que cada una de lasaristas proporciona informacion acerca de la canti-dad de vehıculos que circulan, ası como la direccionde los mismos y la velocidad a la que se mueven.Para mejorar la prediccion del modelo, los autoresen [1] incorporan informacion adicional relacionada,fundamentalmente, con las condiciones meteorologi-cas de modo que integran un modelo autorregresivocon la medicion de una o mas variables exogenas. Eneste sentido, los anteriores trabajos describen estu-dios similares a los llevados a cabo por Kmarianakisy Prastacos [8], en el que se lleva a cabo una predic-cion basada en correlaciones espacio-temporales. Entodo caso, los anteriores metodos suelen ser muy de-pendientes de las caracterısticas concretas de la vıasobre la que se aplican (como por ejemplo la pen-diente de la misma), por lo que suelen necesitar deun reajuste del numeroso conjunto de parametrosque incorporan.

En lo relativo a las redes neuronales, desde haceuna decada, es posible encontrar trabajos en los quedistintos tipos de ellas han sido empleados para pre-decir problemas similares, tales como los trabajos de

Van Lint et al. [9], Vlahogianni et al. [10] y Zheng etal. [11]. Este ultimo, realiza un enfoque muy similaral nuestro, capturando los datos en zonas puntualesy tratando de predecir el volumen de trafico de los15 minutos que siguen al ultimo dato registrado. Noobstante, los autores excluyen de la captura de da-tos las horas correspondientes a la noche, ası comolos fines de semana, por lo que, de algun modo, lainformacion analizada esta sesgada.

Finalmente, trabajos anteriores como el de Parraset al. [12], introdujeron el modelado de series tem-porales mediante algoritmos co-evolutivos dentro delcampo del trafico de vehıculos. En el citado traba-jo, se estudiaba la prediccion del volumen diario devehıculos, utilizando para ello series temporales queagregaban datos por intervalos de 24 horas y uti-lizando un historial de datos recopilados durante 7semanas. En el nuevo estudio que proponemos, serealiza una prediccion mas realista, con un horizon-te mas cercano con miras a la futura implantacion deun sistema descentralizado de distribucion de datosregistrados y computo y comunicacion de prediccio-nes realizadas por dispositivos moviles.

III. Metodologıa experimental

Los experimentos que hemos realizado se han cen-trado en la prediccion del numero de vehıculos queiban a pasar a las 07:00, 07:15, 07:30 y 07:45 del jue-ves, 24 de enero de 2013, por 5 sensores o nodos dis-tintos. Los sensores estan etiquetados como ”347”,”721”, ”419”, ”420”, ”440”. El dıa de la semana yhoras escogidas estan basados en los utilizados en[1]. Para realizar esta prediccion, se han aportado alos distintos algoritmos empleados los datos recogi-dos durante las 23 horas anteriores, agrupados porintervalos de 15 minutos. De esta forma, el conjuntode entrenamiento estaba formado por 92 datos (estoes, 4 datos por cada hora y por 23 horas), y el detest por 4 datos (ver figs. 1 a 5). Por tanto, dado quelos datos han sido agregados de 15 en 15 minutos, elconjunto de datos a predecir es el formado por loscuatro datos correspondientes a los horizontes 1, 2,3 y 4 de cada una de las cinco series temporales quehemos creado.

De los cinco algoritmos que hemos utilizado, cua-tro de ellos pertenecen al paquete Forecast [13] de laaplicacion R: ETS (Exponential smoothing state spa-ce model), ARIMA, Croston y Theta. Cada uno deestos algoritmos ha sido ejecutado una vez, sin mo-dificar los parametros establecidos por los autorescomo valores por defecto, y han proporcionando lasestimaciones de cada uno de los 4 valores a predecir.

Como quinto algoritmo, proponemos utilizar L-Co-R [3], cuyo algoritmo se muestra en la fig 6.Se trata de un algoritmo co-evolutivo en el quedos poblaciones evolucionan simultaneamente de for-ma cooperativa. La primera de ellas es una pobla-cion de redes neuronales de funciones base radiales(RNFBR), mientras la segunda es una poblacion de

Sesión general

182

Fig. 1. Datos de entrenamiento y test agrupados por intervalos de 15 minutos para el nodo 347.


retardos (o lags). La coevolucion permite encontrarla mejor combinacion entre red neuronal y conjuntode retardos a utilizar para predecir los futuros valo-res de una serie temporal para cualquier horizonteque se le indique como parametro.

En la actualidad, el algoritmo no esta paraleliza-do, por lo que ambas poblaciones evolucionan de for-ma secuencial: un primer bucle realiza un proceso deevolucion de las redes que son evaluadas usando el

mejor conjunto de retardos hallados hasta ese mo-mento; a continuacion, es el conjunto de retardosel que es evolucionado durante algunas generacionessiendo evaluado con la mejor red encontrada hasta elmomento. Ambos ciclos de evolucion (o bucles inte-riores) se encuentran a su vez dentro de un bucle masgeneral que itera el procedimiento anterior duranteun determinado numero de generaciones totales (bu-cle exterior).


183



Dado que es un algoritmo estocastico, cada expe-rimento se ha ejecutado 30 veces y los valores quemostramos para cada uno de los errores correspon-den a la media aritmetica de los 30 errores obtenidos,uno por ejecucion. Los parametros con los que se hanejecutado son los establecidos por defecto para estealgoritmo, esto es:

Numero de generaciones totales (bucle exterior):20

Numero de generaciones por cada evolucion de re-tardos (bucle interior): 5

Numero de generaciones por cada evolucion de re-des (bucle interior): 10

Numero de individuos de la poblacion de retardos:50

Numero de individuos de la poblacion de redes: 50

Todas las ejecuciones se han realizado en un or-denador con sistema operativo Linux (kernel 3.13.0-

Sesión general

184


32), un procesador Intel i7 a 2,8GHz y 6GB de me-moria RAM. Ademas, el total de las ejecuciones sehan llevado a cabo mientras el ordenador se utiliza-ba como estacion de trabajo al mismo tiempo quegestiona un servidor de paginas web que soporta unbajo numero de accesos. Aunque no describimos lostiempos de ejecucion, hemos de indicar que el algo-ritmo mas costoso en este aspecto, L-Co-R, ha sidocapaz de realizar las 30 ejecuciones en menos de 15minutos para cada nodo. Por tanto, serıa viable laexplotacion de un servicio que actualizase las pre-visiones en tiempo real a medida que nuevos datosfuesen siendo capturados por los sensores.

Finalmente, en relacion a la medida de error autilizar, incluimos los resultados obtenidos por ca-da algoritmo para cada nodo y en relacion a cadauno de los 4 horizontes de prediccion. Las medidasutilizadas son propuestas por [14], donde se indi-ca claramente que toda medida de error posee ven-tajas e inconvenientes por lo que es necesario eva-luar cada metodo con varias de ellas para tener unaidea certera de la idoneidad del mismo. Las medi-das que hemos utilizado son las 9 siguientes (ecua-ciones 1 a 9: error cuadratico medio (MSE), raızdel error cuadratico medio (RMSE), error absolu-to medio (MAE), error promedio porcentual (MPE),error absoluto porcentual medio (MAPE), medianadel error absoluto (MdAE), mediana del error abso-luto porcentual (MdAPE), media simetrica del errorabsoluto expresado como porcentaje (sMAPE (%)),mediana simetrica del error absoluto expresado co-mo porcentaje (sMdAPE (%)).

Error cuadratico medio (MSE):

MSE =1n

nX

i=1

et2 (1)

Raız del error cuadratico medio (RMSE):

RMSE =

v

u

u

t

1n

nX

i=1

et2 (2)

Error absoluto medio (MAE):

MAE = mean(| et |) (3)

Error promedio porcentual (MPE):

MPE = 100 ⇤ et

Yt(4)

Error absoluto porcentual medio (MAPE):

MAPE = mean(| pt |) (5)

Mediana del error absoluto (MdAE):

MdAE = median(| et |) (6)

Mediana del error abosluto porcentual (MdAPE):

MdAPE = median(| pt |) (7)

Media simetrica del error asoluto expresado comoporcentaje (sMAPE (%)):

sMAPE = 100mean(2⇤ | Yt�Ft])/(Yt +Ft) |) (8)


185

Elmiinar tendenciat = 0;inicializar P lags(t);inicializar P RNFBR(t);evaluar individuos en P lags(t);evaluar individuos en P RNFBR(t);mientras no se den las condiciones de paradainicio

t = t+1;/* Evolucionar poblacion de retardos */for i=0 to max gen retardos doinicio

establecer umbralseleccionar P lags’(t) desde P lags(t);aplicar operadores geneticos a P lags’(t);/* Evaluar P lags’(t) */elegir colaboradores en P RNFBR(t);evaluar individuos de P lags’(t);

reemplazar individuos P lags(t) por P lags’(t);if umbral < 0inicio

divergir P lags(t);fin

fin/* Evolucionar poblacion de RNFBR */for i=0 to max gen RNFBR doinicioseleccionar P RNFBR’(t) desde P RNFBR(t);aplicar operadores geneticos in P RNFBR’(t);/* Evaluar P RNFBR’(t) */elegir colaboradores en P lags(t);evaluar individuos en P RNFBR’(t);

reemplazar individuos con P RNFBR’(t);fin

finentrenar modelos y seleccionar el mejorpredecir los valores de test con dicho modeloDeshacer eliminacion de tendencia

Fig. 6. Algoritmo general de L-Co-R.

Mediana simetrica del error absoluto expresadocomo porcentaje (sMdAPE):

sMdAPE = 100median(2⇤ | Yt � Ft])/(Yt + Ft) |)(9)

donde Yt es el dato observado en tiempo t =1, ..., n; Ft es la prediccion de Yt; et es el error deprediccion (i.e. et = Yt � Ft); pt = 100et/Yt es elporcentaje de error y qt =

et

1n� 1

nX

i=2

| Yi � Yi�1 |

IV. Resultados

Las tablas que recogen los resultados de cada al-goritmo para cada nodo, horizonte de prediccion ymedida de error estan disponibles en la direccionhttp://goo.gl/FREoR6; el menor de los valores pa-ra cada uno de las medidas de error se ha destacado

sobre los demas. A modo de resumen, las Tablas Iy II muestran el numero de medidas para las quecada algoritmo consigue el menor error. La primerade ellas (Tabla I) se ha realizado teniendo en cuentasolo los algoritmos especialmente indicados para eltrabajo con series temporales, esto es, todos menosel que calcula el valor promedio (meanf); mientrasque la segunda (Tabla II) muestra el resumen de re-sultados incluyendo tambien dicho metodo.

Comenzando por la primera tabla resumen (TablaI) podemos observar que en general los algoritmosque en mayor numero de ocasiones consiguen el me-nor error son L-Co-R y Croston. De hecho, salvo parael horizonte 2 en el que Croston obtiene los mejoresresultados, L-Co-R resulta ser el algoritmo mas ade-cuado, produciendo las predicciones mas cercanas alos valores esperados. De los demas algoritmos, ETSy en ocasiones ARIMA obtienen tambien los erroresmas pequenos, siendo Theta el algoritmo que salepeor parado en cualquiera de los horizontes conside-rados.

No obstante, si consideramos todos los metodosincluyendo el del valor promedio, obtenemos que es-te ultimo es el que consigue los mejores resultados entodos los casos (ver Tabla II). En comparacion coneste algoritmo, todos los demas obtienen resultadosque difıcilmente son comparables si exceptuamos elhorizonte 2, para el cual L-Co-R obtiene el menorvalor en 15 de las medidas que se han calculado. Enprincipio, podrıa pensarse que el motivo por el queel metodo del valor promedio ofrece buenos resulta-dos estriba en la prediccion a muy corto plazo queestamos realizando. Sin embargo, se da la circuns-tancia de que para algunas de las bases de datos, esprecisamente el metodo que peor resultados ofrececuando se predice el horizonte 1, por lo que no siem-pre su sencillez ni el hecho de estar prediciendo amuy corto plazo son garantıas de que su uso sea elmas adecuado.

V. Conclusiones

A partir de los datos recogidos por sensores de dis-positivos Bluetooh, se han desarrollado un conjuntode experimentos que permiten discriminar entre dis-tintos algoritmos de prediccion de series temporalescuales pueden ser los mas adecuados para estimarlos valores futuros.

Los distintos algoritmos utilizados incluyen tan-to de autorregresion (ARIMA), metodos de descom-posicion (Theta), modelos de demanda intermitente(Croston), un algoritmo basado en el calculo de pro-medios (MeanF, del paquete Forecast de la aplica-cion R) y un algoritmo co-evolutivo basado en redesneuronales de funciones de base radial (L-Co-R).

Los resultados muestran que, para la predicciondel numero de vehıculos que pasaran a las 07:00,07:15, 07:30 y 07:45 de un dıa laborable (concreta-mente el jueves), partiendo de los datos agregadoscada 15 minutos de las 23 horas anteriores, las me-

Sesión general

186

TABLA I

Numero de ocasiones en los que cada algoritmo de los especialmente disenados para resolver series temporales

(esto es sin incluir meanf de la biblioteca Forecast del paquete R) obtiene el menor error. Se contabiliza el

total sobre 5 series temporales y 9 medidas de error para cada una de ellas.

Algoritmo Horizonte 1 Horizonte 2 Horizonte 3 Horizonte 4ETS 7 3 12 8ARIMA 9 11 3 9CROSTON 13 22 12 16THETA 4 0 0 0L-Co-R 12 9 18 12

TABLA II

Numero de ocasiones en los que cada algoritmo (incluyendo el algoritmo meanf de la biblioteca Forecast)

obtiene el menor error. Los datos mostrados estan calculados sobre 5 series temporales y 9 medidas de error

para cada una de ellas.

Algoritmo Horizonte 1 Horizonte 2 Horizonte 3 Horizonte 4ETS 7 0 7 7ARIMA 9 3 3 3CROSTON 8 6 7 7THETA 4 0 0 0MEANF 14 21 28 28L-Co-R 3 15 0 0

jores predicciones son las aportadas por el algoritmoMeanF, seguido de los algoritmos Croston y L-Co-R.Dado que se han utilizado 9 medidas de error distin-tas y 5 series temporales distintas los resultados ob-tenidos pueden considerarse bastante concluyentes.

Las lıneas de futuro que plantea este trabajo pa-san, en primer lugar, por encontrar una configura-cion para el algoritmo co-evolutivo (L-Co-R) que lepermita mejorar sus predicciones, pues para esta pu-blicacion ha sido utilizado con sus parametros pordefecto. Dado que el algoritmo es altamente confi-gurable, a priori estimamos que es factible encontraruna combinacion que mantenga tiempos de ejecu-cion por debajo del horizonte a predecir a la vez queminimiza el error cometido.

En segundo lugar, este trabajo da inicio a un se-gundo modelo de procesamiento descentralizado enel que dispositivos moviles podran recibir los ultimosdatos y predicciones conocidos, elaborar sus propiaspredicciones mejoradas y difundir a otros dispositi-vos tanto las predicciones como los modelos que lascalculan.

Agradecimientos

Este trabajo ha sido financiado en parte por losproyectos Este trabajo se esta desarrollando gra-cias a la financiacion de los proyectos SPIP2014-01437 (Direccion General de Trafico), PRY142/14(financiado por la Fundacion Publica Andaluza Cen-tro de Estudios Andaluces en la IX Convocatoriade Proyectos de Investigacion), ANYSELF :: UGR:Self-* Properties in P2P and Cloud Systems (codigoTIN2011-28627-C04, Ministerio de Ciencia e Inno-

vacion)), GENIL (codigo PYR-2014-17, Universidadde Granada) y del proyecto FEDER de la Union Eu-ropea con tıtulo ”Sistema de Informacion y Predic-cion de bajo coste y autonomo para conocer el Esta-do de las Carreteras en tiempo real mediante dispo-sitivos distribuidos” (SIPEsCa) del Programa Ope-rativo FEDER de Andalucıa 2007-2013. Asimismo,queremos mostrar nuestro agradecimiento al perso-nal e investigadores de la Agencia de Obra Publicade la Junta de Andalucıa, Consejerıa de Fomento yVivienda, por su dedicacion y profesionalidad.

Referencias[1] Wanli Min and Laura Wynter, “Real-time road tra�c

prediction with spatio-temporal correlations,” Transpor-tation Research Part C: Emerging Technologies, vol. 19,no. 4, pp. 606 – 616, 2011.

[2] P. A. Castillo, A. Fernandez-Ares, P. Garcıa-Fernandez,P. Garcıa-Sanchez, M. G. Arenas, A. M. Mora, V. M. Ri-vas, J. J. Asensio, G. Romero, and J. J. Merelo, “Stud-ying individualized transit indicators using a new low-cost information system,” in Handbook of Research onEmbedded Systems Design, Alessandra Bagnato, Lean-dro Soares Indrusiak, Imran Rafiq Quadri, and MatteoRossi, Eds. IGI Global, Hershey, USA, 2014.

[3] E. Parras-Gutierrez, M. Garcia-Arenas, V.M. Rivas, andM.J. del Jesus, “Coevolution of lags and rbfns for timeseries forecasting: L-co-r algorithm,” Soft Computing,vol. 16, no. 6, pp. 919–942, 2012.

[4] Victor Manuel Rivas Santos, Maria Isabel Garcia Are-nas, Juan Julian Merelo Guervos, Antonio Mora Garcia,and Gustavo Romero Lopez, “An object-oriented libraryin javascript to build modular and flexible cross-platform


187

evolutionary algorithms.,” in To be published in EvoAp-plications, EvoStar ’14, Granada, Spain, April 23-25,2014, Springer Verlag, 2014.

[5] G.E. Box and G.M. Jenkins, Time series analysis: fore-casting and control, San Francisco: Holden Day, 1976.

[6] B.L. Smith, B.M. Williams, and R. Keith Oswald, “Com-parison of parametric and nonparametric models for traf-fic flow forecasting,” Transportation Research Part C:Emerging Technologies, vol. 10, no. 4, pp. 303–321, 2002,cited By (since 1996)275.

[7] S.R. Chandra and H. Al-Deek, “Predictions of freewaytra�c speeds and volumes using vector autoregressivemodels,” Journal of Intelligent Transportation Systems:Technology, Planning, and Operations, vol. 13, no. 2, pp.53–72, 2009, cited By (since 1996)20.

[8] Y. Kamarianakis and P. Prastacos, “Forecasting traf-fic flow conditions in an urban network: comparison ofmultivariate and univariate approaches,” Journal of theTransportation Research Board, vol. 1857, pp. 74–84,2003.

[9] J.W.C. van Lint, S.P. Hoogendoorn, and H.J. van Zuy-len, “Accurate freeway travel time prediction with state-space neural networks under missing data,” Transporta-tion Research Part C: Emerging Technologies, vol. 13,no. 5-6, pp. 347–369, 2005, cited By (since 1996)93.

[10] E.I. Vlahogianni, M.G. Karlaftis, and J.C. Golias, “Op-timized and meta-optimized neural networks for short-term tra�c flow prediction: A genetic approach,” Trans-portation Research Part C: Emerging Technologies, vol.13, no. 3, pp. 211–234, 2005, cited By (since 1996)147.

[11] W. Zheng, D.-H. Lee, and Q. Shi, “Short-term freewaytra�c flow prediction: Bayesian combined neural net-work approach,” Journal of Transportation Engineering,vol. 132, no. 2, pp. 114–121, 2006.

[12] V. M. Rivas, E. Parras-Gutierrez, M. G. Arenas, P. A.Castillo, P. Garcıa Sanchez, and P. Garcıa-Fernandez J.J.Merelo and, “Prediccion de trafico mediante co-evolucionde redes neuronales de funciones de base radial y selec-cion de variables de entrada,” in Ix Congreso Espanol DeMetaheurısticas, Algoritmos Evolutivos Y Bioinspirados(MAEB 2013), 2013, vol. 1, pp. 782–791.

[13] R.J. Hyndman and Y. Khandakar, “Automatic time se-ries for forecasting: the forecast package for r,” Tech.Rep., Monash University, Department of Econometricsand Business Statistics, 2007.

[14] Jan G De Gooijer and Rob J Hyndman, “25 years of timeseries forecasting,” International Journal of Forecasting,, no. 22, pp. 443–473, 2006.

Sesión general

188

Actas del X Congreso Español - GeNeura...

Documents

Transcript of Actas del X Congreso Español - GeNeura...