Implementando un Algoritmo Competitivo Imperialista para reducir marginalidad en un polígono de los más pobres en Chihuahua.

Autores/as

  • Carlos Alberto Ochoa Ortiz Maestría en Cómputo Aplicado, Universidad Autónoma de Ciudad Juárez, Ciudad Juárez, México. Gerencia de Tecnologías de la Información, Instituto Nacional de Electricidad y Energías Limpias, Reforma 113, Palmira, Cuernavaca, Mor., México, CP. 62490
  • José Alberto Hernández Aguilar Facultad de Contaduría Administración e Informática, Universidad Autónoma del Estado de Morelos, Av. Universidad No. 1001, Col. Chamilpa, Cuernavaca, Mor., México, CP. 62209.
  • Julio César Ponce Gallegos Departamento de Ciencias de la Computación, Universidad Autónoma de Aguascalientes, Av. Universidad No. 940, Col. Ciudad Universitaria, Aguascalientes, Ags., México, CP. 20131.

DOI:

https://doi.org/10.30973/progmat/2017.9.2/4

Palabras clave:

Algoritmo Competitivo Imperialista, Modelo reactive bajo incertidumbre, Modelado social

Resumen

ElAlgoritmo Competitivo Imperialista (ACI) usa un sistema básico de conocimiento fuente para determinar las mejores situaciones bajo incertidumbre usando un modelo de países, cada uno relacionado al conocimiento observado en varios aspectos del comportamiento social. Este conocimiento está combinado para direccionar las decisiones de los agentes individuales para resolver problemas de optimización o en la solución de la distribución de recursos en diferentes comunidades. En la presente investigación, nosotros simulamos un modelo reactivo bajo incertidumbre para integrar estas diversas fuentes de conocimiento para dirigir la población del agente. Las diferentes fases de solución del problema emergen combinando el uso de estas fuentes de conocimiento y estas fases dan lugar a la aparición de roles individuales dentro de la población en términos de líderes y seguidores para cada país (grupo de agentes). Estos roles dan lugar a la salida de un grupo organizado o grupos organizados en nivel de población y grupos de conocimientos o conocimiento agrupado en el espacio de creencias sociales. Esta aplicación optimiza una función revalorizada en el diseño de problemas de modelado social, permitiendo ilustrar un mejor modelo reactivo bajo incertidumbre.

Biografía del autor/a

Carlos Alberto Ochoa Ortiz, Maestría en Cómputo Aplicado, Universidad Autónoma de Ciudad Juárez, Ciudad Juárez, México. Gerencia de Tecnologías de la Información, Instituto Nacional de Electricidad y Energías Limpias, Reforma 113, Palmira, Cuernavaca, Mor., México, CP. 62490

Carlos Alberto Ochoa Ortiz (BSc 1994 – Eng. Master 2000, Ph.D. 2004 at CICATA at Instituto Politécnico Nacional, México, Postdoctoral Researcher 2006 at University of Campinas (UNICAMP), Brazil and Industrial Postdoctoral Research 2008 at Centro de Innovación Aplicada en Tecnologías Competitivas (CIATEC - CONACYT). He has participated in the organization of different international congresses like HAIS, HIS, ENC, and MICAI. His research interests include Evolutionary Computation, Natural Processing Language, and Social Data Mining; he is part-time professor at the Social Science department at Juarez City University. He is a member of the National System of Researchers Level 2 in Mexico (SNI).

José Alberto Hernández Aguilar, Facultad de Contaduría Administración e Informática, Universidad Autónoma del Estado de Morelos, Av. Universidad No. 1001, Col. Chamilpa, Cuernavaca, Mor., México, CP. 62209.

José Alberto Hernández Aguilar. He finished his Doctorate thesis in 2007 at Universidad Autónoma del Estado de Morelos (UAEM) and received his Ph.D. degree in 2008. He obtained a Master of Business Administration degree, Cuma Sum Laude in 2003 at Universidad de las Americas (UDLA), A.C. He has a B.S. in Computers Engineering at Universidad Nacional Autónoma de México. Since 2010, he is a full-time professor at the accounting, management and computer sciences School at Universidad Autónoma del Estado de Morelos. His areas of interest are Databases, Artificial Intelligence, Online Assessment Systems, Data Mining and Marketing Research. He has participated in the organization of different international congress like HIS and MICAI.

Julio César Ponce Gallegos, Departamento de Ciencias de la Computación, Universidad Autónoma de Aguascalientes, Av. Universidad No. 940, Col. Ciudad Universitaria, Aguascalientes, Ags., México, CP. 20131.

Julio César Ponce Gallegos. He received the B.S. degree in computer system engineering from the Universidad Autónoma de Aguascalientes in 2003. He received the M.S. degree in computer sciences from the Universidad Autónoma de Aguascalientes in 2007, and the Ph.D. Degree in computer sciences from the Universidad Autónoma de Aguascalientes in 2010. He is currently a full-time professor in the Universidad Autónoma de Aguascalientes. He is author and coauthor of several international papers and book chapters in Computer Sciences related fields. His research interests include Evolutionary Computation, Data Mining, Software Engineering and Learning Objects. He has participated in the organization of different international congress like HIS and MICAI. He is a member of the National System of Researchers Candidate level

Citas

Benda, M.; Jagannathan V. & Dodhiawalla, R.: On optimal cooperation of knowledge sources. Technical Report BCS-G2010-28, Boeing AI Center, Boeing Computer. (1985).

Fogel D. B.: An introduction to simulated evolutionary optimization. In IEEE Trans. On Neural Networks, vol. 5, num 1, pp 3-14. (1994) https://doi.org/10.1109/72.265956

Goldberg D.E.: Genetic Algorithm in Search, Optimization and Machine Learning. AddisonWesley. (1989)

Holland J. H. Application in Natural and Artificial Systems. MIT Press, Cambridge Massachusetts. (1975)

MacDonald Donald; Fyfe Colin: Strategy Selection in Games Using Co-Evolution Between Artificial Immune System. (2004) https://doi.org/10.1007/978-3-540-28643-1_58

Haynes, T.: Evolving behavioral strategies in predator and prey. IJCAI-95 Workshop on Adaptation and Learning in Multiagent Systems. (1995) https://doi.org/10.1007/3-540-60923-7_22

Korf, Richard E.: A simple solution to pursuit games. In Working Papers of the 11th International Workshop on Distributed Artificial Intelligence. (1992)

Nishimura, S. & Ikegami T.: Emergence of collective strategies in an Imperialist Competitive Algorithm model. Artificial Life, 3(4): 243-260. (1997) https://doi.org/10.1162/artl.1997.3.4.243

Ochoa A. et al.: Baharastar – Simulador de Algoritmos Culturales para la Minería de Datos Social. In Proceedings of COMCEV’2007. (2007)

Ochoa A. et al.: Una comparativa de la Inteligencia Grupal desde la perspectiva del Cómputo Evolutivo CIICC’08; Cuernavaca; México. (2008)

Reynolds, R. G. & Saleem, S. M.: The Impact of Environmental Dynamics on Cultural Emergence. Perspectives on Adaptions in Natural and Artificial Systems. Oxford University Press, 253-280. (2005)

Reynolds, R et al. Optimization Problem Solving using Imperialist Competitive Algorithms and Imperialist Competitive Algorithm. CIG 2006: 119-125. (2006)

Savill, N. & Hogeweg, P.: Evolutionary stagnation due to pattern-pattern interactions in a coevolutionary pre-dator-prey model. Artificial Life, 3(2): 81-100. (1997)

Steels, Luc: Self-organizing vocabularies. In Proceedings of Alife V. (1996) https://doi.org/10.1162/artl.1995.2.3.319

Stephens, L. & Merx, M.: The effect of agent control strategy on the performance of a day pursuit problem. In Proceedings of the 10th International Workshop on DAI. (1995)

Esmaeil Atashpaz-Gargari, Caro Lu Imperialist Competitive Algorithm: Imperialist competitive algorithm: An algorithm for optimization inspired by imperialistic competition. IEEE Congress on Evolutionary Computation 2007: 4661-4667 https://doi.org/10.1109/CEC.2007.4425083

Mahdi Bashiri: Optimal scheduling of distributed energy resources in a distribution system based on imperialist competitive algorithm considering reliability worth. Neural Computing and Applications 25(3-4): 967-974 (2014) https://doi.org/10.1007/s00521-013-1497-5

PROGMAT-2019

Descargas

Publicado

30-06-2017

Cómo citar

Ochoa Ortiz, C. A., Hernández Aguilar, J. A., & Ponce Gallegos, J. C. (2017). Implementando un Algoritmo Competitivo Imperialista para reducir marginalidad en un polígono de los más pobres en Chihuahua . Programación matemática Y Software, 9(2), 31–38. https://doi.org/10.30973/progmat/2017.9.2/4

Número

Vol. 9 Núm. 2 (2017): Junio de 2017

Sección

Artículos

Licencia

Derechos de autor 2017 Programación Matemática y Software

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Usted es libre de:

Compartir — compartir y redistribuir el material publicado en cualquier medio o formato.
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente.

Bajo las siguientes condiciones:

Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso.
  Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia.

Artículos más leídos del mismo autor/a