Facultad Regional Buenos Aires

Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/6

Browse

Subject: search.filters.subject.optimization

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Optimización del transporte público en la ciudad de Mendoza y consideraciones ambientales
    (2016-10-01) Zanitti, Ayelén; Puliafito, Enrique
    El transporte público en la ciudad de Mendoza está compuesto por trolebuses, trenes, autobu- ses y minibúses. El 30% de su población utiliza el sistema de transporte público regularmen- te, y el resto utiliza el coche para sus traslados diarios, cuando el promedio de ocupantes que viajan en los vehículos propios es de 1,4 pasajeros. Ambos factores conllevan a que la ciudad esté cada vez más congestionada y contaminada. El objetivo de este artículo es la búsqueda de una metodología que permita lograr la optimización y distribución eficaz de los vehículos que conforman el transporte público en la ciudad de Mendoza, que minimice el consumo de combustible, y produzca la menor emisión, a partir de un parque automotor y recorridos dados. La continuación de esta investigación está orientada a desarrollar un modelo que permita lograr una mejora significativa en el sistema de transporte público y en la calidad del aire en esa ciudad.
  • Thumbnail Image
    Item
    Mejoras en la calidad de las soluciones de simulated annealing mediante preservación de menores costos
    (2018-04-01) Sivori, Gastón; Verrastro, Claudio; Gómez, Juan Carlos
    Simulated Annealing (SA) o Metropolis es un algoritmo de búsqueda de soluciones que em- plea meta-heurística para problemas de optimización global donde el objetivo es encontrar buenas aproximaciones al valor óptimo de una función en un espacio de búsqueda grande. Su implementación estándar presenta dispersión en la calidad de las respuestas encontradas debido a que explora el espacio de soluciones en forma estocástica. En este trabajo, se pre- senta una implementación del algoritmo de SA que utiliza la preservación de menores cos- tos en problemas de optimización global y permite obtener soluciones mejores, con menor dispersión y manteniendo tiempos de convergencia finitos. La preservación de los menores costos se realiza durante el proceso de generación aleatoria (perturbación) de la nueva so- lución a partir de la solución corriente. La modificación se hace conservando una parte de la solución elegida con una probabilidad inversamente proporcional a su costo parcial. La implementación del algoritmo se llevó a cabo en Matlab® y se comparó contra el recocido simulado estándar en problemas TSP simétricos de la librería TSPLIB obteniendo soluciones excelentes para problemas de n < 200 nodos.