1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Tamaulipas
4. Instituto Tecnológico de Ciudad Madero
5. Tesis - Tec. Madero - O
6. Tesis de Doctorado
7. Doctorado en Ciencias de la Ingeniería

Titre:	FRAMEWORK PARA HIPERHEURÍSTICAS QUE INTEGREN PREFERENCIAS EN LA SOLUCIÓN DE PROBLEMAS A GRAN ESCALA, CON MUCHOS OBJETIVOS, E IMPRECISIÓN
Auteur(s):	Vargas Martinez, Jose Manuel
Date de publication:	2025-03-01
Editeur:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Ciudad Madero
Description:	La optimización multi-objetivo sigue siendo un tema de investigación clave, especialmente en el ámbito de la optimización evolutiva multi-objetivo (EMO) y la toma de decisiones multicriterio (MCDM). Sin embargo, muchos problemas del mundo real presentan desafíos adicionales, como la presencia de múltiples objetivos (MaOPs), un gran número de variables de decisión y la incertidumbre en los datos. Esta investigación propone un framework para la construcción de hiperheurísticas que integren preferencias del decisor, con el objetivo de mejorar la eficiencia en la solución de problemas de optimización de gran escala y muchos objetivos bajo condiciones de imprecisión. El framework permite la creación modular y flexible de hiperheurísticas mediante la combinación de estrategias de selección basadas en preferencias, métodos de descomposición y heurísticas para manejar incertidumbre. Se construyen algoritmos de optimización robustos utilizando un conjunto de heurísticas de bajo nivel (LLHs) y operadores evolutivos, permitiendo una selección adaptativa basada en el desempeño de las soluciones. La validación del framework se realiza en el problema de selección de proyectos (PSP) y en problemas estándar como DTLZ y WFG. Los resultados experimentales muestran que la integración de preferencias mejora la convergencia hacia la región de interés (ROI), optimizando la satisfacción del decisor y reduciendo la complejidad computacional. Además, los resultados muestran que los algoritmos son capaces de manejar desafíos de escalabilidad como lo son la presencia de muchos objetivos y la gran escala. Este trabajo contribuye al desarrollo de hiperheurísticas avanzadas con un enfoque adaptable y extensible, con aplicaciones potenciales en áreas como la optimización energética y la planificación industrial.
metadata.dc.type:	info:eu-repo/semantics/doctoralThesis
Collection(s) :	Doctorado en Ciencias de la Ingeniería

Ce document est protégé par copyright Voir la licence

Ce document est autorisé sous une licence de type Licence Creative Commons