Publicación:
Clasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shop

Vista sencilla de ítem
dc.contributor.authorCastrillón Gomez, Omar Danilospa
dc.contributor.authorSarache, William Arielspa
dc.contributor.authorRuiz Herrera, Santiagospa
dc.date.accessioned2019-01-20 00:00:00
dc.date.accessioned2022-06-17T20:18:57Z
dc.date.available2019-01-20 00:00:00
dc.date.available2022-06-17T20:18:57Z
dc.date.issued2019-01-20
dc.description.abstractEl 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 pedidosspa
dc.description.abstractEl 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 pedidoseng
dc.format.mimetypeapplication/pdfspa
dc.identifier.doi10.24050/reia.v16i31.867
dc.identifier.eissn2463-0950
dc.identifier.issn1794-1237
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/4954
dc.identifier.urlhttps://doi.org/10.24050/reia.v16i31.867
dc.language.isospaspa
dc.publisherFondo Editorial EIA - Universidad EIAspa
dc.relation.bitstreamhttps://revistas.eia.edu.co/index.php/reveia/article/download/867/1219
dc.relation.citationeditionNúm. 31 , Año 2019spa
dc.relation.citationendpage64
dc.relation.citationissue31spa
dc.relation.citationstartpage57
dc.relation.citationvolume16spa
dc.relation.ispartofjournalRevista EIAspa
dc.relation.referencesBaltazar, 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.spa
dc.relation.referencesDallaire, 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.spa
dc.relation.referencesDel 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.spa
dc.relation.referencesDuda, R. O., Hart, P. E., & Stork, D. G. (2001). Patter Classification. New York, Estados Unidos: John Wiley & Sons, Pagina 41.spa
dc.relation.referencesFernandez, 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.pdfspa
dc.relation.referencesHanen , 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.spa
dc.relation.referencesHe, 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).spa
dc.relation.referencesKarabatak, M. (2015). A new classifier for breast cancer detection based on Naïve Bayesian. Measurement, No. 72, pp. 32-36.spa
dc.relation.referencesMujalli, R. O., Lopez, G. & Garach L. (2016). Bayes classifiers for imbalanced traffic accidents data sets. Accident Analysis and Prevention, No. 88, pp. 37-51.spa
dc.relation.referencesMukherjee, S. & Sharmaa, N. (2012). Intrusion Detection using Naive Bayes Classifier with Feature Reduction. Procedia Technology, No. 4, pp. 119-128.spa
dc.relation.referencesRoy, 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.spa
dc.relation.referencesSalama, 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.spa
dc.relation.referencesSun, 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.spa
dc.relation.referencesWiggins, 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.spa
dc.relation.referencesXiang, 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.spa
dc.relation.referencesYin, 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.spa
dc.relation.referencesZaidan, 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.spa
dc.rightsRevista EIA - 2019spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/spa
dc.sourcehttps://revistas.eia.edu.co/index.php/reveia/article/view/867spa
dc.subjectProgramación de la producciónspa
dc.subjectReglas de prioridadspa
dc.subjectClasificador Bayesianospa
dc.subjectJob Shopspa
dc.subjectOpen Shopspa
dc.subjectProducciónspa
dc.subjectOptimizacion.spa
dc.titleClasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shopspa
dc.title.translatedClasificador bayesiano de dos clases para seleccionar la mejor regla de prioridad en un problema Job Shop: Open Shopeng
dc.typeArtículo de revistaspa
dc.typeJournal articleeng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTREFspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
Archivos
Colecciones
Revista EIA (Portal de Revistas)