FRM - I+D+i - Artículo Publicado

Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/6957

Browse

Filters

2016 - 202023

Settings

Author: search.filters.author.Tardivo, María

Search Results

Now showing 1 - 10 of 23
  • Thumbnail Image
    Item
    Procesamiento computacional paralelo con metaheurísticas híbridas para la reducción de incertidumbre en modelos de incendios forestales
    (2018-04-27) Bianchini, Germán; Caymes Scutari, Paola; Méndez Garabetti, Miguel; Tardivo, María
    La predicción del comportamiento de incendios forestales no es una tarea sencilla ya que dicho proceso se ve afectado por la falta de precisión o incertidumbre en los parámetros de entrada. En base a esto, resulta importante desarrollar métodos que permitan tratar la incertidumbre posibilitando la obtención de predicciones más precisas y confiables. En el proyecto que aquí se expone se propone el desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESSIM). En HESSIM se plantea un resultantes de proyectos previos en los cuales se implementaron dos versiones de ESS-IM: la primera con Algoritmos Evolutivos, y la segunda con Evolución Diferencial. De este modo surge la idea de desarrollar una versión híbrida en un único método, en vista del potencial aportado por cada una de las metaheurísticas poblacionales en forma aislada, y añadiendo además una tercera (PSO). Dado que las arquitecturas paralelas se han convertido en una herramienta importante en muchos campos de la ciencia por los beneficios que aporta a la hora de efectuar los cálculos, y debido a la naturaleza intrínsecamente paralela de las tres método que combine la fuerza de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos (EA), Evolución Diferencial (DE) y Optimización por Cúmulo de Partículas (PSO), bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. HESSIM corresponde a la continuación de las líneas abiertas metaheurísticas elegidas, HESSIM se implementará siguiendo un esquema de procesamiento paralelo.
  • Thumbnail Image
    Item
    Sintonización automática de aplicaciones paralelo/distribuidas basadas en algoritmos evolutivos y evolución diferencial
    (2018-01-01) Caymes Scutari, Paola; Bianchini, Germán; Tardivo, María; Méndez Garabetti, Miguel
    El procesamiento paralelo se ha convertido en un recurso muy utilizado para el procesamiento de datos y la resolución de problemas en diversos campos de la ciencia y la ingeniería. Sin embargo, el paradigma paralelo conlleva una complejidad considerable dado que involucra un gran número de aspectos no funcionales (como granularidad, técnica de descomposición y/o asignación, grado de concurrencia, etc.) que pueden impactar negativamente en el rendimiento de las aplicaciones. Mitigar dicho efecto negativo requiere de un cierto dominio y experiencia en su manejo, lo cual suele resultar prohibitivo para el usuario no experto en informática y en paralelismo en particular. Es por ello que tanto el proceso de desarrollo de aplicaciones paralelas como el proceso de sintonización de las mismas constituyen importantes desafíos a la hora de abordar un problema de manera paralela y eficiente. El Proceso de Sintonización comporta una serie de etapas sucesivas mediante las cuales las aplicaciones son instrumentadas, monitorizadas, analizadas y sintonizadas (o ajustadas) de acuerdo a las características del problema que presentan o al entorno de ejecución, con el fin de mejorar su rendimiento y hacer un mejor aprovechamiento de los recursos. Sin lugar a dudas, el proceso de sintonización requiere un grado de conocimiento de la aplicación, el paradigma paralelo y los problemas de sintonización que usualmente lo vuelve una tarea muy difícil y restrictiva para lograr un rendimiento adecuado, sobre todo cuando de usuarios no expertos se trata. El presente proyecto propone abordar la sintonización automática de aplicaciones paralelas basadas en Evolución Diferencial.
  • Thumbnail Image
    Item
    Monitorización y análisis de métricas poblacionales en un método de predicción de incendios forestales
    (2018-01-01) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel
    La incertidumbre sobre el valor de los parámetros de entrada que alimentan los modelos de predicción de incendios forestales es un problema crucial, que puede producir graves consecuencias si la salida de los modelos proporcionan predicciones erróneas. ESSIM­DE(r) es un método general de predicción y reducción de incertidumbre basado en Análisis Estadístico, la metaheurística Evolución Diferencial y Cómputo de Alto Rendimiento, y ha sido estudiado durante los últimos años con el fin de mejorar su rendimiento. Este trabajo presenta una mejora del método en la cual se perfecciona la estrategia evolutiva, en base a la monitorización y análisis de la distribución poblacional y de los movimientos efectivos del optimizador.
  • Thumbnail Image
    Item
    Propuesta de metodología de generación automática de perímetros de área quemada usando imágenes satelitales MODIS para su aplicación en un sistemas de predicción de Incendios
    (2018-01-01) Zúñiga, Agustín; Arancibia, José; Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
    Cada año, los incendios forestales causan pérdidas inconmensurables en los ecosistemas del mundo, provocando la desaparición de grandes superficies de bosques. En respuesta a esta problemática, la predicción del comportamiento de estos fenómenos puede ser una herramienta de gran utilidad para disminuir los daños provocados. Este método ha sido probado mayormente con mapas de incendios controlados y mapas de incendios reales cuya metodología de trabajo consistía en la toma de sus perímetros de forma manual mediante herramientas de sistemas de información geográfica. En el presente trabajo, se ha aplicado un método para la automatización de perímetros de área quemada en casos de incendios reales. El mismo ha sido diseñado y probado para la utilización de imágenes satelitales obtenidas por los satélites Terra y Aqua de la herramienta espacial MODIS. Los resultados obtenidos en el experimento han sido comparados respecto a los obtenidos mediante la metodología de trabajo manual, consiguiendo valores más adecuados de las áreas quemadas para ser posteriormente implementados en el método de simulación de comportamiento de incendios.
  • Thumbnail Image
    Item
    Sintonización estática de ESSIM-DE(lr) para acelerar y mejorar la predicción de incendios forestales
    (2018-01-01) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel
    Los sistemas de predicción constituyen en nuestros días una gran herramienta computacional que puede brindar soporte en los planes de lucha contra el fuego y en la prevención de incendios forestales. ESSIM-DE es un método de predicción paralelo, el cual permite obtener predicciones de la línea de fuego utilizando Análisis Estadístico, la estrategia evolutiva Evolución Diferencial y Cómputo de Alto Desempeño. El Análisis Estadístico permite obtener la tendencia de la propagación de las llamas a lo largo del desarrollo del incendio. El Cómputo de Alto Desempeño se utiliza para mejorar los tiempos de respuesta bajo un esquema de procesamiento en paralelo. Finalmente, la estrategia evolutiva Evolución Diferencial guía el proceso de búsqueda hacia soluciones de calidad. ESSIM-DE ha sido estudiado durante los últimos años, con el fin de mejorar su rendimiento. Recientemente se ha incorporado un operador de reinicio de poblaciones, y la evaluación de un modelo de rendimiento para el componente evolutivo del método. En este trabajo se presenta un estudio de calibración estática sobre dos métricas asociadas a dicho modelo de rendimiento, con el fin de mejorar tanto la calidad como el tiempo de respuesta en la obtención de las predicciones.
  • Thumbnail Image
    Item
    Método de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales bajo una Implementación heterogénea MPI/CUDA
    (2018-01-01) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
    Los incendios forestales causan grandes pérdidas y daños en todo el mundo. Por esta razón, la predicción de este tipo de fenómeno se considera una tarea muy importante que implica un alto grado de complejidad. Debido a esto, tales métodos deben configurarse para operar de la manera más eficiente posible, tanto en términos de calidad de los resultados como así también en relación al tiempo de obtención de los resultados. En este trabajo, se presenta una implementación MPI/CUDA de un método paralelo de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales. Los resultados revelan grandes incrementos en la eficiencia computacional del método.
  • Thumbnail Image
    Item
    IQR : una medida estadística como modelo para la sintonización computacional
    (2019-01-01) Caymes Scutari, Paola; Tardivo, María; Bianchini, Germán; Méndez Garabetti, Miguel
    El Rango Intercuartil (o métrica IQR) es una medida estadística que cuantifica la dispersión de la muestra considerada, es decir, la variabilidad de la distribución de los elementos muestrales en base a algún parámetro de interés. En este proyecto, centrado en métodos que como muestra del espacio de búsqueda consideran poblaciones de individuos (muestra de elementos candidatos) se propone la utilización del rango intercuartil de los valores de aptitud de los individuos como un indicador de la tendencia a estancarse que tiene el algoritmo. El caso de estudio se refiere a la predicción de incendios forestales. Por lo tanto, la función de aptitud cuantifica el grado de coincidencia entre la predicción arrojada por cierto individuo y el incendio real. El IQR actuaría como un indicador de estancamiento y/o convergencia prematura y sería de utilidad para tomar decisiones sobre cuándo la predicción alcanzada es suficientemente buena, o bien ha alcanzado un cierto tope de calidad que no podrá mejorarse, y por consiguiente sea recomendable dar paso a una nueva población y una nueva generación. En resumen, se propone un modelo basado en el IQR para sintonizar de forma automática y dinámica el parámetro que regula la cantidad de generaciones del proceso evolutivo, a fin de evitar estancamiento y convergencia prematura.
  • Thumbnail Image
    Item
    Modelo matemático para la sintonización dinámica de un método predictivo basado en evolución diferencial
    (2019-01-01) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel
    El desarrollo y sintonización de programas paralelos presenta el desafío de generar aplicaciones que obtengan los resultados esperados desde el punto de vista funcional, y que además alcancen un rendimiento acorde a los recursos computacionales utilizados. El proceso de sintonización dinámica brinda la posibilidad de monitorizar la aplicación, analizar su rendimiento y mejorar automáticamente aquellos aspectos limitantes de mejor rendimiento. La sintonización puede responder a modelos matemáticos de rendimiento, a heurísticas definidas ad-hoc, a estrategias basadas en historia, entre otros. En este trabajo se presenta un modelo matemático/estadístico de rendimiento, computado de manera distribuida para sintonizar el método de predicción ESSIM-DE. Dicho método utiliza la metaheurística poblacional Evolución Diferencial como algoritmo de optimización. La sintonización es aplicada de forma automática y dinámica al parámetro que regula la cantidad de generaciones del proceso evolutivo, a fin de evitar estancamiento y convergencia prematura.
  • No Thumbnail Available
    Item
    Sintonización dinámica del método paralelo de predicción de incendios forestales ESSIM-DE
    (2019-02-01) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel
    La calidad de las soluciones obtenidas por los métodos de predicción está condicionada por la falta de precisión o incertidumbre presente en los parámetros de entrada que alimentan los modelos, por lo cual resulta de interés el desarrollo y perfeccionamiento de métodos que permitan tratar la incertidumbre, a fin de obtener predicciones confiables. ESSIM-DE es un método general de predicción y reducción de incertidumbre basado en Análisis Estadístico, la metaheurística Evolución Diferencial y Cómputo de Alto Rendimiento, y ha sido aplicado a la predicción de la línea de fuego en incendios forestales. En este trabajo se presenta una estrategia de sintonización aplicada de forma automática y dinámica al parámetro que regula la cantidad de generaciones del proceso evolutivo, a fin de mejorar su rendimiento y evitar estancamiento y/o convergencia prematura. Se describen las métricas monitorizadas, los puntos y acciones de sintonización en el modelo distribuido y los resultados obtenidos con diferentes casos de quemas controladas
  • Thumbnail Image
    Item
    Optimization for an Uncertainty Reduction Method Applied to Forest Fires Spread Prediction
    (2018-01-01) Tardivo, María; Caymes Scutari, Paola; Méndez Garabetti, Miguel; Bianchini, Germán
    Forest fires prediction represents a great computational and mathematical challenge. The complexity lies both in the definition of mathematical models for describing the physical phenomenon and in the impossibility of measuring in real time all the parameters that determine the fire behaviour. ESSIM (Evolutionary Statistical System with Island Model) is an uncertainty reduction method that uses Statistic, High Performance Computing and Evolutionary Strategies in order to guide the search towards better solutions. ESSIM has been implemented with two different search strategies: the method ESSIM-EA uses Evolutionary Algorithms as optimization engine, whilst ESSIM-DE uses the Differential Evolution algorithm. ESSIM-EA has shown to obtain good quality of predictions, while ESSIM-DE obtains better response times. This article presents an alternative to improve the quality of solutions reached by ESSIM-DE, based on the analysis of the relationship between the evolutionary strategy convergence speed and the population distribution at the beginning of each prediction step.