Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop
El objetivo de este trabajo es seleccionar, por medio de un clasificador bayesiano de dos clases, la mejor regla de prioridad que puede ser aplicada en un problema Job Shop: Open Shop. En una primera fase se expone el diseño del clasificador, entrenado con 300 problemas generados aleatoriamente. En...
- Autores:
-
Castrillón Gomez, Omar Danilo
Sarache, William Ariel
Ruiz Herrera, Santiago
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2019
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/4954
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/4954
https://doi.org/10.24050/reia.v16i31.867
- Palabra clave:
- Programación de la producción
Reglas de prioridad
Clasificador Bayesiano
Job Shop
Open Shop
Producción
Optimizacion.
- Rights
- openAccess
- License
- Revista EIA - 2019
| id |
REIA2_14bcc95046925f9c2fc665a46b88ee42 |
|---|---|
| oai_identifier_str |
oai:repository.eia.edu.co:11190/4954 |
| network_acronym_str |
REIA2 |
| network_name_str |
Repositorio EIA . |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| dc.title.translated.eng.fl_str_mv |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| title |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| spellingShingle |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop Programación de la producción Reglas de prioridad Clasificador Bayesiano Job Shop Open Shop Producción Optimizacion. |
| title_short |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| title_full |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| title_fullStr |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| title_full_unstemmed |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| title_sort |
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop |
| dc.creator.fl_str_mv |
Castrillón Gomez, Omar Danilo Sarache, William Ariel Ruiz Herrera, Santiago |
| dc.contributor.author.spa.fl_str_mv |
Castrillón Gomez, Omar Danilo Sarache, William Ariel Ruiz Herrera, Santiago |
| dc.subject.spa.fl_str_mv |
Programación de la producción Reglas de prioridad Clasificador Bayesiano Job Shop Open Shop Producción Optimizacion. |
| topic |
Programación de la producción Reglas de prioridad Clasificador Bayesiano Job Shop Open Shop Producción Optimizacion. |
| description |
El objetivo de este trabajo es seleccionar, por medio de un clasificador bayesiano de dos clases, la mejor regla de prioridad que puede ser aplicada en un problema Job Shop: Open Shop. En una primera fase se expone el diseño del clasificador, entrenado con 300 problemas generados aleatoriamente. En 150 de ellos, la mejor regla de prioridad para secuenciarlos fue FIFO (First in First Out) y en los restantes fue la regla LPT (Long Process Time). En una segunda fase, un conjunto de 300 problemas diferentes, con las mismas características de la primera fase, fueron generados aleatoriamente. Estos problemas fueron clasificados previamente (sin secuenciarlos) por medio la técnica bayesiana propuesta. Los resultados demuestran que en el 96% de los casos, el clasificador propuesto logra identificar la mejor regla de prioridad para secuenciar pedidos |
| publishDate |
2019 |
| dc.date.accessioned.none.fl_str_mv |
2019-01-20 00:00:00 2022-06-17T20:18:57Z |
| dc.date.available.none.fl_str_mv |
2019-01-20 00:00:00 2022-06-17T20:18:57Z |
| dc.date.issued.none.fl_str_mv |
2019-01-20 |
| dc.type.spa.fl_str_mv |
Artículo de revista |
| dc.type.eng.fl_str_mv |
Journal article |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_6501 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/ARTREF |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_6501 |
| status_str |
publishedVersion |
| dc.identifier.issn.none.fl_str_mv |
1794-1237 |
| dc.identifier.uri.none.fl_str_mv |
https://repository.eia.edu.co/handle/11190/4954 |
| dc.identifier.doi.none.fl_str_mv |
10.24050/reia.v16i31.867 |
| dc.identifier.eissn.none.fl_str_mv |
2463-0950 |
| dc.identifier.url.none.fl_str_mv |
https://doi.org/10.24050/reia.v16i31.867 |
| identifier_str_mv |
1794-1237 10.24050/reia.v16i31.867 2463-0950 |
| url |
https://repository.eia.edu.co/handle/11190/4954 https://doi.org/10.24050/reia.v16i31.867 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Baltazar, a., aranda, J. I. & Aguilar, G. G. (2008). Bayesian classification of ripening stages of tomato fruit using acoustic impact and colorimeter sensor data. computers and electronics in agriculture, No. 60, pp. 113-121. Dallaire, P., Giguère, P., Émond, D. & Chaib-draa, B. (2014). Autonomous tactile perception: A combined improved sensing and Bayesian nonparametric approach. Robotics and Autonomous Systems, No. 62, pp. 422-435. Del Sagrado, J., Sanchez, J. A., Rodriguez, F. & Berenguel, M. (2016). Bayesian networks for greenhouse temperature control. Journal of Applied Logic, http://dx.doi.org/10.1016/j.jal.2015.09.006, Article in press. Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Patter Classification. New York, Estados Unidos: John Wiley & Sons, Pagina 41. Fernandez, E. (2016). Analisis de clasificadores Bayesianos. Argentina: Laboratorio de sistemas Inteligentes, Consultado 18 de febrero de 2006, disponible en http://materias.fi.uba.ar/7550/clasificadores-bayesianos.pdf Hanen , B., Concha , B., Toro, C. & Larragaña, P. (2013). Predicting human immunodeficiency virus inhibitors using multi-dimensional Bayesian network classifiers. Artificial Intelligence in Medicine, No. 57, pp. 219-229. He, L., Liu, B., Hu, D., Wen, Y., Wan, M. & Long, J. (2015). Motor Imagery EEG Signals Analysis Based on Bayesian Network with Gaussian Distribution. Neurocomputing, http://dx.doi.org/10.1016/j.neucom.2015.05.133 (Article in press). Karabatak, M. (2015). A new classifier for breast cancer detection based on Naïve Bayesian. Measurement, No. 72, pp. 32-36. Mujalli, R. O., Lopez, G. & Garach L. (2016). Bayes classifiers for imbalanced traffic accidents data sets. Accident Analysis and Prevention, No. 88, pp. 37-51. Mukherjee, S. & Sharmaa, N. (2012). Intrusion Detection using Naive Bayes Classifier with Feature Reduction. Procedia Technology, No. 4, pp. 119-128. Roy, S., Shivakumara, P., Roy, P. P., Pal, U., Tan, C. L. & Lu, T. (2015). Bayesian classifier for multi-oriented video text recognition system. Expert Systems with Applications, No. 42, pp. 5554-5556. Salama, K. M. & Freitas. (2014). A. A. Classification with cluster-based Bayesian multi-nets using Ant Colony Optimization. Swarm and Evolutionary Computation, No. 18, pp. 54-70. Sun, L., Lin, L., Wang, Y., Gen, M. & Kawakami, H. (2015). A Bayesian Optimization-based Evolutionary Algorithm for Flexible Job Shop Scheduling. Procedia Computer Science, No. 61, pp. 521-526. Wiggins, M., Saad, A. & Litt, B. (2008). Vachtsevanos, G. Evolving a Bayesian classifier for ECG-based age classification in medical applications. Applied Soft Computing, No. 8, pp. 599-608. Xiang, C., Yong, P. C. & Meng, L. S. (2008). Design of multiple-level hybrid classifier for intrusion detection system using Bayesian clustering and decision trees. Pattern Recognition Letters, No. 29, pp. 918-924. Yin, W., Kissinger, J. C., Moreno, A., Galinski, M. R. & Styczynski. (2015). M. P. From genome-scale data to models of infectious disease: A Bayesian network-based strategy to drive model development. Mathematical Biosciences, No. 260, pp. 156-168. Zaidan, A., Ahmad, N., Karim, H. A., Larbani, M., Zaidan & B. Sali. (2014). A. On themulti-agent learning neural and Bayesian methods in skin detector and pornography classifier: An automated anti-pornography system. Neurocomputing, No. 131, pp. 397-418. |
| dc.relation.bitstream.none.fl_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/download/867/1219 |
| dc.relation.citationedition.spa.fl_str_mv |
Núm. 31 , Año 2019 |
| dc.relation.citationendpage.none.fl_str_mv |
64 |
| dc.relation.citationissue.spa.fl_str_mv |
31 |
| dc.relation.citationstartpage.none.fl_str_mv |
57 |
| dc.relation.citationvolume.spa.fl_str_mv |
16 |
| dc.relation.ispartofjournal.spa.fl_str_mv |
Revista EIA |
| dc.rights.spa.fl_str_mv |
Revista EIA - 2019 |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Revista EIA - 2019 https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Fondo Editorial EIA - Universidad EIA |
| dc.source.spa.fl_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/view/867 |
| institution |
Universidad EIA . |
| bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/d3c2ad51-90b9-4db8-a523-69b654087c11/download |
| bitstream.checksum.fl_str_mv |
b26ea7f0e8ce2d559890b16c657567cb |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1808400281870794752 |
| spelling |
Castrillón Gomez, Omar Danilo3c0f1b328206f76821eb8343397e938d300Sarache, William Arielc22aafa962965dd0ca04d386e1679202300Ruiz Herrera, Santiago7da5b8244db11085d614046c4e906ee25002019-01-20 00:00:002022-06-17T20:18:57Z2019-01-20 00:00:002022-06-17T20:18:57Z2019-01-201794-1237https://repository.eia.edu.co/handle/11190/495410.24050/reia.v16i31.8672463-0950https://doi.org/10.24050/reia.v16i31.867El objetivo de este trabajo es seleccionar, por medio de un clasificador bayesiano de dos clases, la mejor regla de prioridad que puede ser aplicada en un problema Job Shop: Open Shop. En una primera fase se expone el diseño del clasificador, entrenado con 300 problemas generados aleatoriamente. En 150 de ellos, la mejor regla de prioridad para secuenciarlos fue FIFO (First in First Out) y en los restantes fue la regla LPT (Long Process Time). En una segunda fase, un conjunto de 300 problemas diferentes, con las mismas características de la primera fase, fueron generados aleatoriamente. Estos problemas fueron clasificados previamente (sin secuenciarlos) por medio la técnica bayesiana propuesta. Los resultados demuestran que en el 96% de los casos, el clasificador propuesto logra identificar la mejor regla de prioridad para secuenciar pedidosEl objetivo de este trabajo es seleccionar, por medio de un clasificador bayesiano de dos clases, la mejor regla de prioridad que puede ser aplicada en un problema Job Shop: Open Shop. En una primera fase se expone el diseño del clasificador, entrenado con 300 problemas generados aleatoriamente. En 150 de ellos, la mejor regla de prioridad para secuenciarlos fue FIFO (First in First Out) y en los restantes fue la regla LPT (Long Process Time). En una segunda fase, un conjunto de 300 problemas diferentes, con las mismas características de la primera fase, fueron generados aleatoriamente. Estos problemas fueron clasificados previamente (sin secuenciarlos) por medio la técnica bayesiana propuesta. Los resultados demuestran que en el 96% de los casos, el clasificador propuesto logra identificar la mejor regla de prioridad para secuenciar pedidosapplication/pdfspaFondo Editorial EIA - Universidad EIARevista EIA - 2019https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://revistas.eia.edu.co/index.php/reveia/article/view/867Programación de la producciónReglas de prioridadClasificador BayesianoJob ShopOpen ShopProducciónOptimizacion.Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open ShopClasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open ShopArtículo de revistaJournal articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/ARTREFhttp://purl.org/coar/version/c_970fb48d4fbd8a85Baltazar, a., aranda, J. I. & Aguilar, G. G. (2008). Bayesian classification of ripening stages of tomato fruit using acoustic impact and colorimeter sensor data. computers and electronics in agriculture, No. 60, pp. 113-121.Dallaire, P., Giguère, P., Émond, D. & Chaib-draa, B. (2014). Autonomous tactile perception: A combined improved sensing and Bayesian nonparametric approach. Robotics and Autonomous Systems, No. 62, pp. 422-435.Del Sagrado, J., Sanchez, J. A., Rodriguez, F. & Berenguel, M. (2016). Bayesian networks for greenhouse temperature control. Journal of Applied Logic, http://dx.doi.org/10.1016/j.jal.2015.09.006, Article in press.Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Patter Classification. New York, Estados Unidos: John Wiley & Sons, Pagina 41.Fernandez, E. (2016). Analisis de clasificadores Bayesianos. Argentina: Laboratorio de sistemas Inteligentes, Consultado 18 de febrero de 2006, disponible en http://materias.fi.uba.ar/7550/clasificadores-bayesianos.pdfHanen , B., Concha , B., Toro, C. & Larragaña, P. (2013). Predicting human immunodeficiency virus inhibitors using multi-dimensional Bayesian network classifiers. Artificial Intelligence in Medicine, No. 57, pp. 219-229.He, L., Liu, B., Hu, D., Wen, Y., Wan, M. & Long, J. (2015). Motor Imagery EEG Signals Analysis Based on Bayesian Network with Gaussian Distribution. Neurocomputing, http://dx.doi.org/10.1016/j.neucom.2015.05.133 (Article in press).Karabatak, M. (2015). A new classifier for breast cancer detection based on Naïve Bayesian. Measurement, No. 72, pp. 32-36.Mujalli, R. O., Lopez, G. & Garach L. (2016). Bayes classifiers for imbalanced traffic accidents data sets. Accident Analysis and Prevention, No. 88, pp. 37-51.Mukherjee, S. & Sharmaa, N. (2012). Intrusion Detection using Naive Bayes Classifier with Feature Reduction. Procedia Technology, No. 4, pp. 119-128.Roy, S., Shivakumara, P., Roy, P. P., Pal, U., Tan, C. L. & Lu, T. (2015). Bayesian classifier for multi-oriented video text recognition system. Expert Systems with Applications, No. 42, pp. 5554-5556.Salama, K. M. & Freitas. (2014). A. A. Classification with cluster-based Bayesian multi-nets using Ant Colony Optimization. Swarm and Evolutionary Computation, No. 18, pp. 54-70.Sun, L., Lin, L., Wang, Y., Gen, M. & Kawakami, H. (2015). A Bayesian Optimization-based Evolutionary Algorithm for Flexible Job Shop Scheduling. Procedia Computer Science, No. 61, pp. 521-526.Wiggins, M., Saad, A. & Litt, B. (2008). Vachtsevanos, G. Evolving a Bayesian classifier for ECG-based age classification in medical applications. Applied Soft Computing, No. 8, pp. 599-608.Xiang, C., Yong, P. C. & Meng, L. S. (2008). Design of multiple-level hybrid classifier for intrusion detection system using Bayesian clustering and decision trees. Pattern Recognition Letters, No. 29, pp. 918-924.Yin, W., Kissinger, J. C., Moreno, A., Galinski, M. R. & Styczynski. (2015). M. P. From genome-scale data to models of infectious disease: A Bayesian network-based strategy to drive model development. Mathematical Biosciences, No. 260, pp. 156-168.Zaidan, A., Ahmad, N., Karim, H. A., Larbani, M., Zaidan & B. Sali. (2014). A. On themulti-agent learning neural and Bayesian methods in skin detector and pornography classifier: An automated anti-pornography system. Neurocomputing, No. 131, pp. 397-418.https://revistas.eia.edu.co/index.php/reveia/article/download/867/1219Núm. 31 , Año 201964315716Revista EIAPublicationOREORE.xmltext/xml2704https://repository.eia.edu.co/bitstreams/d3c2ad51-90b9-4db8-a523-69b654087c11/downloadb26ea7f0e8ce2d559890b16c657567cbMD5111190/4954oai:repository.eia.edu.co:11190/49542023-07-25 16:44:50.379https://creativecommons.org/licenses/by-nc-sa/4.0/Revista EIA - 2019metadata.onlyhttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.com |