TABLA DE CONTENIDO
Vol. 10 Nro 1. Año 2016. Enero-Junio
FEJER TYPE INEQUALITIES FOR m- CONVEX FUNCTIONS
DESIGUALDAD DEL TIPO FEJÉR PARA FUNCIONES m-CONVEXA
OPTIMIZACIÓN DEL DISEÑO DE PARÁMETROS: MÉTODO FOREST-GENETIC UNIVARIANTE
OPTIMIZING PARAMETER DESIGN: THE UNIVARIATE FOREST-GENETIC METHOD
MÉTODO PARA LA VALORACIÓN DE EFICIENCIA USANDO ANÁLISIS ENVOLVENTE DE DATOS EN AMBIENTE BORROSO
DMU EFFICIENCY ASSESSMENT USING DATA ENVELOPMENT ANALYSIS IN FUZZY ENVIRONMENT
...............................................................................................................................
Vol 10, Nro 1, Año 2016. pp 7-11.
FEJER TYPE INEQUALITIES FOR m- CONVEX FUNCTIONS
DESIGUALDAD DEL TIPO FEJÉR PARA FUNCIONES m-CONVEXA
Mireya Bracamonte (Venezuela)
José Giménez (Venezuela)
Nelson Merentes (Venezuela)
Miguel Vivas (Venezuela)
<PDF>
Abstract
In this paper we present some generalizations of the classical inequalities
of Fej er for m-convex functions.
Keywords: m-convex, Fejer, inequalities.
Resumen
En este artículo se presentan algunas generalizaciones de la clásica desigualdad de Fejér para funciones m-convexas.
Palabras clave: Convexidad, m-convexa, desigualdad de Fejér.
Vol 10, Nro 1, Año 2016. pp 12-24.
OPTIMIZACIÓN DEL DISEÑÓ DE PARÁMETROS: MÉTODO FOREST-GENETIC UNIVARIANTE
OPTIMIZING PARAMETER DESIGN: THE UNIVARIATE FOREST-GENETIC METHOD
Adriana Villa Murillo
Antonio Sozzi Rodríguez
Andrés Carrión García
<PDF>
Resumen
El Dr Genichi Taguchi desarrolló en los años 80 una metodología para la mejora del diseño de parámetros de productos y procesos, conocida como metodología Taguchi. Diversas propuestas han surgido en las que se mezclan técnicas de inteligencia artificial. Proponemos la creación de un híbrido entre Random Forest (RF) y los Algoritmos Genéticos (GA) en 3 fases; normalización, modelización y optimización. La primera fase corresponde a la preparación previa del conjunto de datos mediante funciones de normalización. En modelización se determina la función objetivo utilizando estrategias basadas en RF para predecir el valor de la respuesta en un conjunto de parámetros dado. Finalmente, en la fase de optimización se obtiene la combinación óptima de los niveles de los parámetros mediante la integración de propiedades dadas por nuestro esquema de modelización en el establecimiento del correspondiente GA. Se comparan los resultados de forma numérica con aportes más recientemente encontrados en la literatura. Nuestra propuesta metodológica se concentra en las variables de mayor importancia producto del proceso de modelización con RF, lo que permite desarrollar y dirigir de manera más eficiente las nuevas generaciones en la fase de optimización y en consecuencia, alcanzar significativas mejoras en cuanto al objetivo de calidad considerado.
Palabras clave: Taguchi, Arboles de Regresión y Clasificación, Random Forest, Algoritmos Genéticos, Redes Neuronales Artificiales. Abstract
In the 80’s, Dr Genichi Taguchi developed a methodology for processes and product parameters design improvement known as the Taguchi methodology. Different proposals have emerged involving artificial intelligence techniques. Our proposal consists of a hybrid methodology that combines Random Forest (RF) and Genetic Algorithms (GA) in three phases: normalization, modeling and optimization. The first phase corresponds to the previous preparation of the data set by using normalization functions. In the modeling, the objective function is determined using strategies based on RF to predict the value of the response in a given set of parameters. Finally, in the optimization phase, the optimal combination of the parameter levels is obtained by integrating properties given by our modeling scheme into the corresponding GA. The results are compared numerically with the contributions recently found in the literature. Our methodological proposal focuses on the most important variables resulting from the RF modeling process, which allows to develop and direct more efficiently the new generations in the optimization phase, and consequently, achieve significant improvements in the quality objective considered.
Keywords: Taguchi, classification and regression trees, random forest, genetic algorithm, artificial Neural Networks. Vol 10, Nro 1, Año 2016. pp 25-35.
MÉTODO PARA LA VALORACIÓN DE EFICIENCIA USANDO ANÁLISIS ENVOLVENTE DE DATOS EN AMBIENTE BORROSO
DMU EFFICIENCY ASSESSMENT USING DATA ENVELOPMENT ANALYSIS IN FUZZY ENVIRONMENT
Harizmar Izquierdo Madrid (Venezuela)
Belkis López de Lameda (Venezuela)
Maria Elena Torres-Samuel (Venezuela)
Ennodio Torres Cruz (Venezuela)
<PDF>
El presente artículo tiene como objetivo el desarrollo de un método, basado en la lógica borrosa, para la valoración de la eficiencia de unidades de decisión (Decision Making Unit, DMU) usando Análisis Envolvente de Datos (Data Envelopment Analysis, DEA), para el manejo de datos imprecisos. Se aplica el enfoque basado en alfa-cortes para calcular la eficiencia y seguidamente se ordenan los números borrosos obtenidos. El método desarrollado utiliza los datos referentes al servicio de un sistema hospitalario, con doce DMU a efecto de probar la utilidad del método. Este trabajo muestra una visión de la valoración y clasificación de las DMU bajo incertidumbre, útil para el proceso de toma de decisiones.
Palabras clave: Eficiencia, análisis envolvente de datos, ambiente borroso.
Abstract
The objective of this paper is to develop a method based on fuzzy logic for the evaluation of the efficiency of decision units (Decision Making Unit, DMU) using Data Envelopment Analysis (DEA) for the handling of inaccurate data. The Alpha-cut approach is used for efficiency assessment, and the obtained fuzzy parameters are then sorted. For the evaluation of the method's usefulness, the data of a Hospital system and 12 DMU's were used. This research proposes an approach for the valuation and classification of DMU's, useful for the decision making process.
Keywords: Efficiency, data envelopment analysis, fuzzy environment.
