Resumen de Un nuevo enfoque para asignación óptima de múltiples recursos

Facundo Cancelo, Pablo Cababie, Gabriel Barrera, Daniela López Rivera

• español

  El problema de la asignación óptima de aulas ha sido desarrollado e investigado con variastécnicas, herramientas y tecnologías. Este trabajo muestra el diseño de una solución basada eninteligencia artificial, más específicamente utilizando algoritmos genéticos multi-objetivo querealizan la asignación de aulas y docentes en forma conjunta. La implementación consiste enoptimizar más de un objetivo, permitiendo que ambos compitan para establecer un equilibriogeneral y llegar a un conjunto de soluciones factibles en forma ágil, eficaz y eficiente.A lo largo de este desarrollo, se detallan los parámetros que intervienen en el problema, laestructura definida del gen, la arquitectura elegida para la aplicación y la definición de la funciónde optimización. Es de destacar que este trabajo se basa en un prototipo funcional. A su vez, cabeaclarar que de acuerdo a las condiciones del problema en particular ha sido necesario rediseñarlas operaciones de algoritmos genéticos tradicionales, definir ponderaciones para los objetivos yrestricciones del caso. De este análisis surgen conceptos como distancia e híper-cubo paraestablecer la comparabilidad, relación y cercanía de las soluciones.Éste sistema cumple con la característica conocida de los Algoritmos Genéticos: resuelve unproblema en especial pero es aplicable a problemas del mismo tipo con escenarios totalmentedistintos.

• English

  The problem in the optimal room’s assignment has been developed and researched with lot of different techniques, tools and technologies. This job shows the design of a solution based on Artificial Intelligence, specifically using Multi-objective Genetic Algorithms that optimizes the classrooms and teachers assignment simultaneously. This implementation has been built optimizing more than one objective, letting both of them competing to establish a general equilibrium and get to a feasible solution quickly and efficiently.

  This development shows the parameters involved in the problem, the structure of the gene set, the architecture chosen for implementation and the definition of the fitness function. This job is based on a functional prototype. Under the terms of the particular problem has been necessary to redesign the operations of traditional genetic algorithms, to define weights for the objectives and restrictions of the case. From this analysis emerge the hypercube and distance concepts to ensure comparability, and close relationship of the solutions.

  This system meets the feature known for Genetic Algorithms: solves one problem but it is especially applicable to similar problems with entirely different scenarios.