Search

Este artículo aborda el problema de selección de portafolio de proyectos para la adjudicación de interventorías de obra pública a través de concursos de méritos abiertos (CMA) supervi-sados por el Instituto Nacional de Vías (INVIAS) en Colombia. En esta modalidad, cada con-cursante presenta un portafolio único de proyectos históricos para cuantificar su experiencia como interventor. Como alternativa al uso de hojas de cálculo en Excel con procedimientos limitados de enumeración exhaustiva, se evaluó un algoritmo genético meta-optimizado (GA) y un procedimiento de búsqueda voraz adaptativo probabilista meta-optimizado (GRASP) para el caso de estudio de una Compañía con 207 contratos de trayectoria en el sector. Ambas metaheurísticas consiguieron encontrar puntajes de valoración óptimos para distintas instancias de prueba, sin embargo, el algoritmo GA presentó un mejor desempeño consistentemente en todas las instancias de evaluación, encontrando en algunos casos hasta 10 portafolios óptimos en menos de 9 minutos., This article addresses the problem of project portfolio selection for the adjudication of public works audits through open merit competitions (CMA) supervised by the National Institute of Roads (INVIAS) in Colombia. In this modality, each contestant presents a unique portfolio of historical projects to quantify their experience as a controller. As an alternative to using Excel spreadsheets with limited exhaustive enumeration procedures, a meta-optimized genetic algorithm (GA) and a meta-optimized probabilistic adaptive greedy search procedure (GRASP) were evaluated for a Company case study. with 207 experience contracts in the sector. Both metaheuristics were able to find optimal evaluation scores for different test instances, however, the GA algorithm presented a consistently better performance in all evaluation instances, finding in some cases up to 10 optimal portfolios in less than 9 minutes., Recibido: 03-01-2020Aceptado: 18-06-2020 Disponible online: 15-11-2020, Publicación científica semestral Universidad EIA, Envigado, Colombia

La predicción de interacciones proteína-proteína ha sido una herramienta importante para demostrar la causa de una gran cantidad de enfermedades en los seres vivos. Para tal fin, se destacan los métodos basados en aprendizaje de máquina, resaltando aquellos en los cuales se pueden extraer la mayor cantidad de características. Estos métodos, a pesar de que pueden procesar una gran cantidad de datos en un tiempo más corto en comparación de los métodos físicos, pueden tardar una cantidad considerable de tiempo, además de que el uso de funciones kernel no son habitualmente optimizadas. Por tal motivo, en los últimos años se han desarrollado metodologías basadas en aprendizaje de máquina basadas en kernels con el fin de aumentar el rendimiento de las predicciones. En el transcurso del siguiente documento, se desarrolla una metodología de aprendizaje de máquina con múltiples kernel acompañada de un ajuste de parámetros por medio de programación cuadrática y optimización metaheurística, donde se extraen las interacciones positivas y negativas, luego se filtran las secuencias con respecto a su homología por medio de una herramienta llamada CD-HIT cumpliendo con un porcentaje de homología no mayor al 90% . La caracterización consiste en el cálculo de frecuencias de aminoácidos que coinciden en características físico-químicas descritas en la base de datos AAindex. La implementación consiste en una combinación lineal que incluye hasta 10 kernels que cumplen con condiciones específicas en cuanto a los pesos, los cuales se encuentran por medio de la optimización cuadrática y que resultan en una matriz final a partir de la secuencia inicial de kernels. Finalmente se realiza la clasificación teniendo en cuenta la optimización por enjambres de partículas para sintonizar el parámetro C. Como resultado, se obtienen resultados consistentes y competentes con respecto a los predictores existentes en la literatura actual ya los supera en algunos indicadores, para lo cual en el presente documento se evidencian rendimientos que se encuentran alrededor del 80 %. Por lo anterior, se puede afirmar que el aprendizaje por múltiples kernel y la optimización de parámetros puede mejorar notablemente el clasificador para el caso de la predicción de interacciones proteína-proteína Prediction of protein-protein interactions has been an important tool show the cause of a large number of diseases in living beings. For it, the methods based on machine learning are highlighted, and those in which the greatest number of features can be extracted take advantage among others. Those methods, can process a large amount of data in a shorter time compared to physical methods. For this reason, methodologies based on machine learning have been developed in recent years in order to increase the performance of predictions. In the course of the following document, a machine learning methodology with multiple kernels is shown, together with an adjustment of parameters by means of quadratic programming and metaheuristic optimization. These experiments are initially based on the extraction of interactions from the database called DIP (Database of interacting proteins), based on the sequences with respect to their homology are filtered through a tool called CD-HIT and continue to the next stage. The characterization consists in the calculation of amino acid frequencies that coincide in physical-chemical characteristics described in the AAindex database, and as such, taking into account that the amino acid sequences are comprised between 20 amino acids, 7 different groups are formed with respect to your properties. The implementation consists of a defined linear combination that includes up to 10 kernels that meet specific conditions that result in a final matrix of the initial sequence of kernels. As a result, consistent and valid results are obtained with respect to the existing predictors in the current literature, therefore, this document evidences performances around 80 %. Thus, It can be stated that multiple kernel learning and parameter optimization can significantly improve the classifier for the prediction of protein-protein interactions Magister en Automatización y Control

ilustraciones, fotografías, tablas El carbono orgánico almacenado en el suelo es uno de los compartimentos más importantes dentro del ciclo global del carbono. Dada su relevancia frente al fenómeno del cambio climático global, se ha planteado la necesidad de realizar monitoreos periódicos de esta variable. Sin embargo, el número de muestras requerido para hacer una estimación satisfactoria mediante métodos geoestadísticos plantea el problema de diseñar redes de muestreo que, limitadas al presupuesto, logren la mayor reducción en la variabilidad, lo cual conduce entonces a un problema de optimización. En esta investigación se empleó una técnica conocida como algoritmos genéticos para diseñar redes de muestreo para el monitoreo del carbono orgánico del suelo en el área del Centro de Investigación La Libertad de CORPOICA, con el propósito que la configuración de la red de muestreo permitiera reducir de manera óptima el error estándar de Kriging. El análisis de la variabilidad espacial de las variables edáficas estudiadas condujo a la selección de modelos esféricos para la modelación satisfactoria de los semivariogramas. Los modelos mostraron una dependencia espacial fuerte y valores de rangos correspondientes con el comportamiento esperado de las variables y con lo observado durante el trabajo de campo. La comparación entre las diferentes configuraciones de muestreo evaluadas permitió concluir que las redes aleatorias optimizadas mediante el método de varios puntos adicionales son más eficientes que las redes regulares, para las condiciones de este estudio. (Texto tomado de la fuente). Soil organic carbon is one of the most important pools in the global carbon cycle. Periodical monitoring of this variable has been requested by the scientific community because of its relevance in the global climate change. However, the sample size needed for a reliable estimation through geostatistical methods has leaded to a problem of designing sample networks that minimize the variability while accounting for the budget, situation that becomes an optimization problem. In this research, a mathematical technique known as genetic algorithms has been used for designing spatial networks for second-phase sampling of soil organic carbon in CORPOICA’s La Libertad Research Center, having as purpose that the sampling design reduces optimally the average standard error. In the spatial variability analysis of edaphic variables studied, a satisfactory variogram modeling was done through the selection of spherical models. The selected models showed a strong spatial dependency and range values associated to the expected behavior of the variables and to the information collected during field work. According to the results, random networks obtained through optimization with the method of additional points showed to be more efficient than regular networks, under La Libertad biophysical conditions. Incluye anexos Maestría Magíster en Geomática Ciencias Agronómicas

Este proyecto tiene como propósito abordar el problema de localización de una planta como un problema de asignación generalizada donde se pretende elegir el mejor lugar para las instalaciones de una planta de manufactura, de tal forma que se minimicen los costos de operación. Para esto se toma un ejercicio académico [1] como punto de partida y se desarrolla un modelo exacto , que evalúa todos los puntos factibles hasta llegar al punto optimo .Como complemento se desarrolla una técnica Metaheurística, que explora estocásticamente el espacio de soluciones planteando alternativas de buena calidad. Por ultimo se comparan los 2 procedimientos. The purpose of this project is to solve the location of facilities problem as an assignment problem where the best place to locate the facilities is going to be choose, according with the principle of minimizing operational cost involved. This problem is taking up from an academic exercise, and a precise model is developed , which is able to evaluate the whole feasible places until the best location is achieved . As a complement a Meta-Heuristic Technical is developed, exploring the space of solutions in order to set good quality options. Finally a comparative between two Technique is made.