Ver Estadísticas

Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

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

Utilize este identificador para referenciar este registo: https://rinacional.tecnm.mx/jspui/handle/TecNM/3033
Registo completo
Campo DCValorIdioma
dc.contributor.authorCastellanos Alvarez, Alejandro-
dc.creatorCastellanos Alvarez, Alejandro%1006467-
dc.date.accessioned2022-02-28T19:07:06Z-
dc.date.available2022-02-28T19:07:06Z-
dc.date.issued2021-11-01-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/3033-
dc.descriptionLa mayoría de los problemas del mundo real son complejos (pertenecen a la clase NP-Duro) y requieren la optimización simultanea de múltiples funciones objetivo que pueden estar en conflicto entre sí. El entorno de estos problemas generalmente involucra información imprecisa derivada de mediciones inexactas o de la variabilidad en juicios y creencias de los tomadores de decisiones, lo que puede conducir a soluciones insatisfactorias. El conocimiento imperfecto puede estar presente en funciones objetivo, restricciones o preferencias de los tomadores de decisiones.En este trabajo se aborda el problema de incorporación de preferencias en optimización multiobje- tivo continua bajo condiciones de incertidumbre. Se propone un método para incorporar preferencias en algoritmos evolutivos multiobjetivo (MOEAs). El método propuesto utiliza clasificación ordinal multicriterio basada en outranking para guiar la búsqueda hacia la región de interés del tomador de decisiones, que es la zona más acorde con sus preferencias. Los parámetros del modelo de preferencias outranking incorporan un mecanismo capaz de afrontar la incertidumbre con números de intervalos; permitiendo que las preferencias sean expresadas con imprecisión.De manera general, el método de incorporación de preferencias segmenta a un grupo de individuos en categorías ordenadas por nivel de satisfacción para incrementar la capacidad de un MOEA de discriminar entre buenas y malas soluciones. El proceso de ordenamiento de soluciones de cada tipo de MOEA requiere un tratamiento específico para acoplar el clasificador. Hasta nuestro conocimiento, este es el primer trabajo que integra el clasificador ordinal multicriterio INTERCLASS-NC en un MOEA.De manera general, el método de incorporación de preferencias segmenta a un grupo de individuos en categorías ordenadas por nivel de satisfacción para incrementar la capacidad de un MOEA de discriminar entre buenas y malas soluciones. El proceso de ordenamiento de soluciones de cada tipo de MOEA requiere un tratamiento específico para acoplar el clasificador. Hasta nuestro conocimiento, este es el primer trabajo que integra el clasificador ordinal multicriterio INTERCLASS-NC en un MOEA.Los experimentos contrastaron los algoritmos propuestos contra sus versiones que no consideran preferencias; los algoritmos resolvieron instancias de tres, cinco y diez objetivos de la familia de problemas DTLZ. En todos los casos, los resultados obtenidos mostraron una mejor aproximación a la región de interés para un tomador de decisiones cuando se consideran sus preferencias. Además, se comparó la efectividad de los algoritmos propuestos que integran preferencias contra un algoritmo del estado del arte basado en MOEA/D y guiado por preferencias, para la familia de problemas DTLZ con tres, cinco y diez objetivos. Las variantes de NSGA-III-P y MOGWO-P mostraros los mejores resultados en los indicadores de desempeño evaluados, encontrando más soluciones altamente satisfactorias para el tomador de decisiones.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.titleCLASIFICACIÓN MULTICRITERIO BASADA EN OUTRANKING PARA INCORPORAR PREFERENCIAS EN OPTIMIZACIÓN MULTIOBJETIVO EVOLUTIVA CON PRESENCIA DE CONOCIMIENTO IMPERFECTOes_MX
dc.typeinfo:eu-repo/semantics/masterThesises_MX
dc.contributor.directorCruz Reyes, Laura%122925-
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmInstituto Tecnológico de Ciudad Maderoes_MX
Aparece nas colecções:Maestría en Ciencias de la Computación

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
G14070628_donacion_tesis_bib.pdf1.8 MBAdobe PDFVer/Abrir
G14070628_donacion_tesis_licencia.pdf
  Until 2050-01-01		197.01 kBAdobe PDFVer/Abrir Request a copy


Este registo está protegido por copyright original.

Ver licença
Mostrar registo em formato simples Visualizar estatísticas


Este registo está protegido por Licença Creative Commons Creative Commons