Metaheurística inspirada en Inteligencia Colectiva humana para problemas de optimización numérica continua

Vista sencilla de ítem
dc.contributor.advisorÁlvarez Pomar, Lindsay
dc.contributor.advisorRojas Galeano, Sergio Andrés
dc.contributor.authorGarzón López, Martha Milena
dc.contributor.orcidÁlvarez Pomar, Lindsay [0000-0002-8818-0901]
dc.date.accessioned2024-10-25T21:25:23Z
dc.date.available2024-10-25T21:25:23Z
dc.date.created2024-07-23
dc.descriptionLa presente tesis aborda el diseño y desarrollo de una metaheurística inspirada en la inteligencia colectiva (IC) en organizaciones humanas para la optimización numérica continua. La motivación principal radica en la necesidad de nuevas técnicas de optimización más eficientes y adaptables a problemas de ingeniería complejos. La IC ha demostrado ser una herramienta poderosa en la resolución de problemas complejos en diversos campos, lo que sugiere un gran potencial para su aplicación en la optimización de ingeniería. La innovación de esta investigación radica en la propuesta de un enfoque basado en el Genoma de la IC, un marco conceptual propuesto para entender mejor los mecanismos de la IC. El modelo propuesto se fundamenta en el funcionamiento de comunidades de preguntas y respuestas, como StackOverflow. Se diseñó un modelo multiagente que incluye dos tipos de agentes principales: Solvers y Users. Los Solvers representan individuos que proponen soluciones a los problemas, mientras que los Users son aquellos que plantean preguntas y evalúan las respuestas proporcionadas por los Solvers. La interacción entre estos agentes se modela de manera que fomente una colaboración e intercambio de información implícita, lo que potencia la emergencia de la inteligencia colectiva en el sistema. Los resultados empíricos indican un rendimiento prometedor de la metaheurística estudiada. Se observó una eficacia exitosa en una amplia selección de problemas de referencia (benchmarks) y un rendimiento comparable en términos de calidad de las soluciones obtenidas y costo computacional en comparación con otras técnicas de optimización multiagente recientemente propuestas. Sin embargo, se identificaron áreas de mejora y trabajo futuro, como la optimización de la eficiencia computacional y la exploración de nuevos escenarios de aplicación en problemas de ingeniería específicos. Así mismo, se sugieren varias líneas de investigación futura para mejorar y ampliar su aplicación en diversos contextos, incluyendo dominios discretos, binarios y combinatorios.
dc.description.abstractDrawing inspiration from online question-and-answer (Q&A) online communities often regarded as embodiments of Collective Intelligence (CI), this study investigates the dynamics of reputation-driven and distributed network interactions in multi-agent systems as a model for problem-solving in engineering optimisation. We explore the interplay among diverse participants, including Solvers motivated by reputation and Users seeking net benefits, recognising its critical role in fostering success within these communities. Our study translates the principles of collective intelligence inherent in these interactions into a novel agent-based search algorithm for unconstrained numerical optimisation of continuous-valued cost functions. Empirical testing across a suite of established benchmark problems allows a comparative analysis of its performance against alternative agent-based methodologies. These findings underscore the algorithm’s advantages across diverse optimisation landscapes, highlighting the potential of the CI framework as a promising avenue in metaheuristic research. They illustrate how the interaction between individual actors and the collective, favours the emergence of global solutions in engineering contexts, mirroring similar emergent phenomena observed in social organisations.
dc.format.mimetypepdf
dc.identifier.urihttp://hdl.handle.net/11349/42210
dc.language.isospa
dc.relation.referencesAntelmi, A., Cordasco, G., DAmbrosio, G., De Vinco, D., and Spagnuolo, C. (2022). Experimenting with agent-based model simulation tools. Applied Sciences, 13(1):13.
dc.relation.referencesBansal, J. C., Sharma, H., and Jadon, S. S. (2013). Artificial bee colony algorithm: A survey. International Journal of Advanced Intelligence Paradigms, 5:123–159.
dc.relation.referencesBlanco, A. L., Chaparro, N., and Rojas-Galeano, S. (2019). An urban pigeon-inspired optimiser for unconstrained continuous domains. Proceedings - 2019 Brazilian Conference on Intelligent Systems, BRACIS 2019, pages 521–526.
dc.relation.referencesBlum, C., Roli, A., and Alba, E. (2005). An introduction to metaheuristic techniques. Parallel Metaheuristics: A New Class of Algorithms, 47:1.
dc.relation.referencesBortz, G. (2013). El hackaton como metodologia de produccion de bienes inofmracionales. Hipertextos, I:133–162.
dc.relation.referencesBoussaïd, I., Lepagnot, J., and Siarry, P. (2013). A survey on optimization metaheuristics. Information Sciences, 237:82–117.
dc.relation.referencesBriscoe, G. and Mulligan, C. (2014). Digital Innovation: The Hackathon Phenomenon. Creativeworks London, (6):1–13.
dc.relation.referencesCasadei, R. (2023). Artificial collective intelligence engineering: a survey of concepts and perspectives.
dc.relation.referencesCañon, A. L. B. (2023). Modelo de programación de la producción con cancelación de trabajos en sistemas open-shop mediante algoritmos meméticos.
dc.relation.referencesChakraborty, A. and Kar, A. K. (2017). Nature-inspired computing and optimization - theory and applications. Modeling and Optimization in Science and Technologies, 10:13.
dc.relation.referencesChopard, B. and Tomassini, M. (2018). An introduction to metaheuristics for optimization. Springer.
dc.relation.referencesDorigo, M. (1992). Optimization, learning and natural algorithms.
dc.relation.referencesDorigo, M. and Blum, C. (2005). Ant colony optimization theory: A survey. Theoretical Computer Science, 344:243–278.
dc.relation.referencesDuan, H. and Qiao, P. (2014). Pigeon-inspired optimization: A new swarm intelligence optimizer for air robot path planning. International Journal of Intelligent Computing and Cybernetics, 7:24–37.
dc.relation.referencesEberhart, R. C. and Kennedy, J. (1995). A new optimizer using particle swarm theory. page 3943. IEEE.
dc.relation.referencesGarzón, M., Álvarez-Pomar, L., and Rojas-Galeano, S. (2022). An agent-based model of follow-the-leader search using multiple leaders. In Metaheuristics International Conference, pages 499–505. Springer.
dc.relation.referencesGarzon, M. and Rojas-Galeano, S. (2019). An agent-based model of urban pigeon swarm optimisation. 2019 IEEE Latin American Conference on Computational Intelligence, LACCI 2019.
dc.relation.referencesGlover, F. and Sörensen, K. (2015). Metaheuristics. Scholarpedia, 10(4):6532.
dc.relation.referencesGoldberg, D. E. and Holland, J. H. (1988). Genetic algorithms and machine learning. Machine learning, 3(2):95–99
dc.relation.referencesGuarnizo, M. P. V. and Arévalo, L. E. B. (2022). Diseño de modelo de simulación que representa el genoma de inteligencia colectiva de malone, laubacher y dellarocas. Tecnura, 26:59–77.
dc.relation.referencesHe, F., Pan, Y., Lin, Q., Miao, X., and Chen, Z. (2019). Collective intelligence: A taxonomy and survey. IEEE Access, 7:170213–170225
dc.relation.referencesJanssens, M., Meslec, N., and Leenders, R. T. A. (2022). Collective intelligence in teams: Contextualizing collective intelligent behavior over time. Frontiers in Psychology, 13
dc.relation.referencesKaraboga, D. (2005). An idea based on honey bee swarm for numerical optimization. Univ. Press, Erciyes.
dc.relation.referencesKennedy, J. and Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN’95-international conference on neural networks, volume 4, pages 1942–1948. ieee
dc.relation.referencesKirkpatrick, S., Gelatt Jr, C. D., and Vecchi, M. P. (1983). Optimization by simulated annealing. science, 220(4598):671–680
dc.relation.referencesLeimeister, J. M. (2010). Collective intelligence. Business Information Systems Engineering, 2:245–248.
dc.relation.referencesLévy, P. (1997). Collective intelligence: Mankind’s emerging world in cyberspace. Perseus books
dc.relation.referencesLuke, S. (2013). Essentials of Metaheuristics. Lulu, second edition. Available for free at http://cs.gmu .edu/∼sean/book/metaheuristics/.
dc.relation.referencesLykourentzou, I., Vergados, D. J., Kapetanios, E., and Loumos, V. (2011). Collective intelligence systems: Classification and modeling. volume 3, pages 217–226.
dc.relation.referencesMalone, T., Laubacher, R., and Dellarocas, C. (2010). The collective intelligence genome. MIT SLOAN MANAGEMENT REVIEW, 21:20–31.
dc.relation.referencesMalone, T. W. and Bernstein, M. S. (2015). Handbook of Collective Intelligence. The MIT Press
dc.relation.referencesMamykina, L., Manoim, B., Mittal, M., Hripcsak, G., and Hartmann, B. (2011). Design lessons from the fastest Q&A site in the west. Conference on Human Factors in Computing Systems - Proceedings, pages 2857–2866.
dc.relation.referencesMolina, D., Poyatos, J., Ser, J. D., García, S., Hussain, A., and Herrera, F. (2020). Comprehensive taxonomies of nature-and bio-inspired optimization: Inspiration versus algorithmic behavior, critical analysis recommendations. Cognitive Computation, 12(5):897–939.
dc.relation.referencesPe-Than, E. P. P., Nolte, A., Filippova, A., Bird, C., Scallen, S., and Herbsleb, J. D. (2019). Designing Corporate Hackathons with a Purpose: The Future of Software Development. IEEE Software, 36(1):15–22
dc.relation.referencesPereda, M. and Zamarreño, J. (2015). Modelado basado en agentes: un enfoque desde la ingeniería de sistemas. Revista Iberoamericana de Automática e Informática Industrial RIAI, 12:304–312
dc.relation.referencesRailsback, S. F. and Grimm, V. (2010). Agent-Based and Individual-Based Modeling: A Practical Introduction, Second Edition
dc.relation.referencesRand, W. and Rust, R. T. (2011). Agent-based modeling in marketing: Guidelines for rigor. International Journal of Research in Marketing, 28:1–13.
dc.relation.referencesStonedahl, F. and Wilensky, U. (2008). Netlogo Particle Swarm Optimization model. Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL, USA.
dc.relation.referencesSuran, S., Pattanaik, V., Yahia, S. B., and Draheim, D. (2019). Exploratory Analysis of Collective Intelligence Projects Developed Within the EU-Horizon 2020 Framework. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11684 LNAI:285–296.
dc.relation.referencesTisue, S. and Wilensky, U. (2004). Netlogo: A simple environment for modeling complexity. In International Conference on Complex Systems. New England Complex Systems Institute
dc.relation.referencesTomar, V., Bansal, M., and Singh, P. (2024). Metaheuristic algorithms for optimization: A brief review. Engineering Proceedings, 59(1):238.
dc.relation.referencesWilensky, U. (1999). Netlogo user manual: Netlogo. center for connected learning and computer-based modeling
dc.relation.referencesWolpert, D. H. and Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1):67–82.
dc.relation.referencesWoolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., and Malone, T. W. (2010). Evidence for a collective intelligence factor in the performance of human groups. Science, 330:686–688
dc.rights.accesoAbierto (Texto Completo)
dc.rights.accessrightsOpenAccess
dc.subjectMetaheurísticas
dc.subjectGenoma de Inteligencia Colectiva
dc.subjectOptimización numérica sin restricciones de funciones de costo de valor continuo
dc.subjectSistemas miltiagente
dc.subjectComunidades en línea de preguntas y respuestas (Q&A)
dc.subject.keywordMetaheuristics
dc.subject.keywordCollective Intelligence Genome
dc.subject.keywordUnconstrained numerical optimisation of continuous-valued cost functions
dc.subject.keywordMulti-agent systems
dc.subject.keywordQuestion-and-answer (Q&A) online communities
dc.subject.lembMaestría en Ingeniería Industrial -- Tesis y disertaciones académicas
dc.subject.lembMetaheurística
dc.subject.lembInteligencia colectiva
dc.subject.lembOptimización numérica
dc.titleMetaheurística inspirada en Inteligencia Colectiva humana para problemas de optimización numérica continua
dc.title.titleenglishMetaheuristics inspired by Human Collective Intelligence for continuous numerical optimization problems
dc.typemasterThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.degreeInvestigación-Innovación
dc.type.driverinfo:eu-repo/semantics/masterThesis

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
GarzonLopezMarthaMilena2024.pdf
Tamaño:
16.67 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
GarzonLopezMarthaMilena2024LicenciaDeUsoyAutorización.pdf
Tamaño:
560.35 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia de uso y autorización
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
7 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ingeniería Industrial
Universidad Distrital Francisco José de Caldas - Biblioteca UDFJC

Institución de Educación Superior sujeta a inspección y vigilancia por el Ministerio de Educación Nacional | Acuerdo de creación N° 10 de 1948 del Concejo de Bogotá | Acreditación Institucional de Alta Calidad - Resolución N° 23096 del 15 de diciembre del 2016.

Contáctenos
  • Calle 13 No. 31 - 75 Bogotá D.C. - República de Colombia
  • (+57 601) 3239300
  • Lunes a viernes de 8 a.m. a 5 p.m.
  • repositorio@udistrital.edu.co
Síguenos en redes sociales

Software DSpace copyright © 2002-2026 LYRASIS