Interaction between an optimization model for a Multi-Level Facility Location Problem and a Machine Learning model for demand prediction
Presentamos un modelo iterativo de optimización y predicción que integra un Problema de Ubicación de Instalaciones con un modelo de Aprendizaje de Máquina para predicción de demanda. Creamos un lazo retroalimentado entre ambos modelos para analizar como influencian sus decisiones mutuamente. Inicial...
- Autores:
- Tipo de recurso:
- masterThesis
- Fecha de publicación:
- 2023
- Institución:
- Pontificia Universidad Javeriana
- Repositorio:
- Repositorio Universidad Javeriana
- Idioma:
- spa
- OAI Identifier:
- oai:repository.javeriana.edu.co:10554/64523
- Acceso en línea:
- http://hdl.handle.net/10554/64523
- Palabra clave:
- Diseño de redes
Optimización combinatoria
Problemas de ubicación de instalaciones
Aprendizaje de máquina
Red neuronal artificial
Calidad del servicio
Network design
Combinatorial Optimization
Facility Location Problems
Machine Learning
Artificial Neural Network
Quality of service
Maestría en matemáticas - Tesis y disertaciones académicas
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| Summary: | Presentamos un modelo iterativo de optimización y predicción que integra un Problema de Ubicación de Instalaciones con un modelo de Aprendizaje de Máquina para predicción de demanda. Creamos un lazo retroalimentado entre ambos modelos para analizar como influencian sus decisiones mutuamente. Inicialmente se fija un valor de demandas para el Problema de Ubicación de Instalaciones y, basado en la red de distribución provista por la solución, recalculamos la predicción de la demanda usando el factor de la calidad del servicio (QoS por sus siglas en Inglés), y luego se reajusta la red de distribución iterativamente observando la convergencia de las soluciones. En particular, consideramos tres diferentes formulaciones de Programación Entera Mixta para el Problema de Ubicación de Instalaciones y utilizamos una Red Neuronal Artificial como nuestro modelo de Aprendizaje de Máquina. Más allá, realizamos un conjunto de experimentos computacionales para estudiar el comportamiento de la interacción de los modelos y analizar su desempeño. Los resultados muestran la importancia del QoS al conectar ambos modelos, que en todas las instancias de prueba del lazo retroalimentado convergen a una solución. También resaltamos las características esenciales del problema y proveemos resultados para futuras investigaciones. |
|---|