Search

0000-0002-5320-0773 People’s safety and security have always been an issue to attend. With the coming of techno- logical advances, part of it has been used to improve safeguards, though other aspects, without precautions, have made people even more vulnerable. People can get their sensitive data stolen or become victims of transaction fraud. These may be crimes done without physical interac- tion, but felonies with physical violence still exist. Some solutions for pedestrian safety are guards, police cars patrolling, sensors and security cameras. Nonetheless, these methods only react when the crime is happening or, even more critical, when it has already occurred, and the damage has been done. Therefore, numerous methods have been implemented using Arti- ficial Intelligence in order to solve this problem. Many approaches to detect violent behavior and action recognition rely on 3D convolutional neural networks (3D CNNs), spatial tempo- ral models, long short term memory networks, pose estimation among other implementations. However, in the current state of the art, how these approaches are used do not work perfectly and are not adapted to an uncontrolled environment. Therefore, a significant contribution from this work was the development of a new solu- tion model that is able to detect violent behavior. This approach focuses on using pedestrian detection, tracking, pose estimation and neural networks to predict pedestrian behavior in video frames. This method uses a time window frame to extract joint angles, given by the pose estimation algorithm, as features for classifying behavior. At the moment of developing this thesis project, there were not many databases with violent behavior videos. The ones that existed were low quality; cluttered were pedestrians cannot be seen clearly, and with unfixed camera angles. Consequently, another important contribution of this work was creating a new database, Kranok-NV, with a total of 3,683 normal and violent videos. This database was used to train and test the solution model. For the evaluation, a protocol was designed using 10-fold cross- validation. With the implemented solution model, accuracy of more than 98% was achieved on the Kranok-NV database. This approach surpassed the performance of state of the art methods for violence detection and action recognition in the developed database. Though this new solution model is able to detect violent and normal behavior, it can be easily extended to classify more types of behaviors. Further work requires to test this approach in emerging databases of videos and optimize specific areas of the solution model. Additionally, the contributions of this work can aid in the development of new approaches. Maestro en Ciencias Computacionales

Disease understanding is key in designing effective treatments and diagnostic tools. A key aspect of this understanding is grouping the patients according to their phenotypes. Phenotypes are patterns in the characteristics of certain members of a population that are correlated with a particular illness. This grouping may be useful in revealing associations between disease risk, treatment responses, and other key clinical outcomes. Once these associations are found, it is easier to design tailored diagnosis tools and effective personalized treatments. To achieve this grouping goal, data is key, and recent advancements in digital technology have made possible to capture hundreds and thousands of clinical data that may be used to group patients into different disease phenotypes. To handle hundreds of patients, with hundreds of features, clinical researchers use clustering algorithms that automatically find hiding association between subjects. These algorithms are very useful once the researcher selects the correct clustering and configure it to the specific research task. Selecting the correct clustering algorithm is time-consuming, and setting up their parameters may take several trail and test sessions. On the other hand, computer scientists have developed several clustering metrics that can evaluate the fitness of the clustering algorithms to the data, and computer power has increased, allowing the automated testing and evaluation of the clustering algorithms in the specific data set. The objective of this proposal was the development of an automated computer pipeline that evaluates several clustering algorithms, providing metrics regarding important features such as clustering stability (Jaccard index) and clustering relevance (ANOVA test). Furthermore, the pipeline returns the number of natural clusters that may be useful for the given dataset (Dunn index). The designed pipeline was set up to evaluate the classical clustering algorithms of k-means, Fuzzy C-means, and Hierarchical clustering, but it can be used to test a user-provided clustering method. The evaluation consisted in bootstrapping the data and extracting the Dunn and Jaccard clustering indexes in a meaningful manner. Furthermore, the clinical relevance of the final clusters was evaluated using an ANOVA test, that provided indications of disease phenotypes. All the test results are plotted and the user can visually evaluate the performance of the different clustering methods in their data. The result of this development was deployed in R (github.com/majordave/clustest). The utility of the pipeline was tested on synthetic data sets and two radiomics datasets associated with the development of Osteoarthritis (OA) and the presence of breast cancer from mammograms. Furthermore, we contrasted the closeting approach to supervised learning of a large dataset of the association of nutrition with OA symptoms. Hence, the present work established that the automated robust evaluation of the utility of clustering algorithms in clinical data is feasible, and provided a publicly available software tool that can be used by any clinical researchers to select the best clustering algorithm for their data.

This document describes a feasible way of implementing hyper-heuristics into self-driving cars for decision-making. Hyper-heuristics techniques are used as an automated procedure for selecting or generating among a set of low-level heuristics when solving a particular type of problem. This project aims to contribute and bridging the gap between the fields of self-driving cars and hyper-heuristics since there is not any known approach linking them together to date. The decision-making process for self-driving cars has been a trend in recent years. Thus, there exist a variety of techniques applied to path planning at the moment, such as A*, Dijkstra, Artificial Potential Field, Probabilistic Roadmap, Ant Colony, Particle Swarm Optimization, etc. However, since there is no information of the complete environment at the beginning of the trip and also fast dynamic measurements of the surroundings are obtained while a decision plan is raised, selection or combination among various low-level heuristics such as the path planning techniques mentioned above could be helpful, or perhaps to create new heuristics and this way build another branch for decision-making of autonomous vehicles as a path planning method. Hyper-Heuristic approach with the help of Machine learning techniques harnesses the past driving experience of a self-driving car, which results in an improvement of the decision-making of the vehicle to different kind of scenarios. This thesis proposes a hyper-heuristic approach for decision-making of a self-driving car on a highway with different types of traffic and real-life constraints. The hyper-heuristics model introduced is of a generative type; thus, it creates a most suitable heuristic to drive the car on the road based on previously existing heuristic methods. Information is obtained by the vehicle through different onboard sensors such as Radar, Camera, LIDAR, Stereo-vision, GPS and IMU that combined establish a sensor fusion approach. Experimental study of the algorithms is performed in a simulation environment for self-driving cars built on a Unity platform. The generation hyper-heuristic proposed has a Decision Tree classifier as a high-level heuristic, which will be in charge of generating a new heuristic from the low-level heuristics presented. The Decision Tree classifier is defined with the optimal hyper-parameters obtained by a Grid-search method. In this work, there is also an explanation of the simulator's setup environment since it has evolved from a robotics' building-from-scratch level to a self-driving car platform modified from an open source resource. Thus, creating a framework suitable for extraction of instances and implementation of hyper-heuristic results to a self-driving car. Finally, the result of the hyper-heuristic performance is compared against a Finite state machine defined with greedy instructions based on the current state of the car, three heuristics built for the project: left heuristic, center heuristic, right heuristic, and a human driver.

This thesis presents a solution to the biped locomotion problem. The robot used for the experiments is robot Nao by Aldebaran Robotics and it is simulated in Webots mobile robot simulator. We provide a methodology for automated biped gait generation for a robot. The robot generates motions to move in its environment. The motions learned include a frontal walk and lateral left and right movement. Our method of solution does not requires the dynamic model of the robot, thus making this approach usable to other biped robots. For faster results the number of degrees of freedom is kept low, only six are used for generating a frontal locomotion. For lateral walk only four degrees of freedom are used. The walking gait is generated using Central Pattern Generators with limit-cycle oscillators. We suggest the use of Central Pattern Generators (CPGs) based on limit-cycle oscillators, together with Genetic Algorithms (GA). The CP G generates trajectories that are followed by the robot's actuators, and it is optimized by the use of GAs to find the best synchronization. Our solution is generated automatically and the best results for the frontal walk allow the robot to walk twice as fast as the Aldebaran's webots walk and four times faster than the default walk in Robotstadium.

Un agente inteligente debe de ser capaz de aprender de la experiencia por cada acción que realiza en su entorno. El uso de aprendizaje por refuerzo permite que un agente aprenda de su propia experiencia mientras interactúa con los objetos que lo rodean. Con esta técnica, el agente hace un mapa de su entorno y evalúa los diferentes estados que determinarán las decisiones a tomar. Por lo tanto, el agente buscará obtener la recompensa más alta para lograr su meta mientras interactúa en un entorno dinámico y estocástico. Esta tesis implementa dos enfoques de aprendizaje automático: un aprendizaje individual y uno cooperativo. El objetivo principal de esta tesis es aprender un conjunto de reglas reactivas que posteriormente servirán de política para el agente. Estas reglas reactivas serán usadas por el agente para pasar el balón a uno de sus compañeros de equipos. Los experimentos de la presente tesis fueron diseñados de acuerdo a la competencia internacional de Robocup. La competencia está basada en la liga de plataforma estándar (SPL por sus siglas en inglés) [Robocup, 2011], donde el robot oficial es el humanoide Nao creado por la empresa Aldebaran Robotics [Aldebaran, 2011]. Cada equipo sólo puede usar tres robots: un portero y dos mediocampistas.

Muchos de los problemas de las Ciencias de la Computación y de la Inteligencia Artificial (IA) pueden ser caracterizados como problemas de Satisfacción de Restricciones. Un CSP, por sus siglas en inglés, está compuesto por un conjunto de variables, un conjunto dominio de posibles valores y una serie de restricciones entre variables a ser satisfechas. Encontrar una solución para un problema de satisfacción de restricciones consiste en encontrar una asignación consistente para todo el conjunto de variables de tal manera que satisfaga todas las restricciones. Los algoritmos de solución más conocidos son Backtracking, Foward Checking y otros híbridos los cuales están basados en la teoría de algoritmos de búsqueda en árboles. La solución de estos problemas cuando son considerados difíciles por métodos tradicionales se vuelve muy lento y tedioso puesto que el espacio de búsqueda es muy grande, es por ello que se han realizado muchas investigaciones para la optimización de la forma de solucionar estos problemas. Además, existen instancias de CSPs que son particularmente difíciles de resolver, ya que requieren una elevada cantidad de verificaciones de consistencia para encontrar una solución o demostrar que no existe alguna. El ordenamiento de las variables juega un papel de suma importancia en la búsqueda de la solución. Un buen ordenamiento de variables al momento de buscar una solución representa una menor complejidad en la búsqueda. Existen dos enfoques para el ordenamiento de variables. El primer enfoque es conocido como en ordenamiento estático el cual consiste en definir el orden en la cual las variables estarían instanciadas antes de empezar a solucionar el problema. El otro enfoque es conocido como ordenamiento dinámico el cual consiste en determinar la variable a instanciar en tiempo de solución. Para esto surgieron algunas heurísticas que ayudan en este proceso, de las cuales podemos nombrar Fail First, Rho, Kappa, entre otras, pero ninguna de ellas ha demostrado ser eficiente para todas las instancias. En este enfoque la heurística elegida es aplicada en todos los niveles del árbol sin importar las modificaciones del problema. Recientemente se ha empezado a trabajar con un enfoque basado en hiperheurísticas, el cual, dada las características del estado del problema determina que heurística debe ser aplicada para elegir la variable a ser asignada, en este modelo en cada nivel del árbol la heurística aplicada puede variar respecto a la anterior. Este modelo se compone de una etapa de entrenamiento y una de prueba. La fase de entrenamiento consiste en utilizar un algoritmo genético para evolucionar una población de redes neuronales. Las redes neuronales son entrenadas por medio del algoritmo de retroprogramación del error y después evaluadas con diferentes instancias de CSPs. La red neuronal tiene como entrada el estado del problema y como salida la heurística sencilla a aplicar. La intención de utilizar diferentes instancias de CSPs durante la etapa de entrenamiento es desarrollar procesos de solución generales que puedan ser aplicados para resolver un gran número de instancias, mías que encontrar buenas soluciones para instancias específicas. La idea general es la siguiente, dado el estado del CSP P es utilizado para alimentar la red neuronal de la cual se obtendrá como salida la heurística sencilla a aplicar. Una vez aplicada la heurística el CSP P cambia a un CSP P', el cual es una versión actualizada del anterior. El procedimiento se repite hasta resolver el problema completamente. Al terminar el entrenamiento de la población se toma el mejor individuo y es utilizado para solucionar tanto los problemas utilizados para su entrenamiento como problemas nuevos. Lo anterior para hacer comparaciones con los resultados de la aplicación individual de las heurísticas simples. Los resultados demuestran que es factible la creación de una hiperheurística bajo este modelo de solución puesto que las hiperheurísticas generadas se comportaron como la mejor heurística sencilla aplicada y con esto mejor que el promedio que ellas. La mejor heurística simple puede ser diferente en cada instancia del problema. Maestro en Ciencias en Sistemas Inteligentes

El problema de Calendarización de Cursos (CTT - Course Timetabling), también conocido como Calendarización de Universidad (UTT - University Timetabling), se refiere a la programación de un conjunto de cursos dentro de un número finito de salones y en periodos de tiempo predeterminados. Este problema se considera interesante porque en cada ciclo escolar las instituciones educativas de nivel superior dedican días a la construcción de sus horarios, los cuáles a veces no resultan ser los que mejor se adaptan a las necesidades de sus estudiantes. Técnicas de investigación de operaciones, interacción humano-computadora, e inteligencia artificial se han utilizado para resolver el problema de CTT. En este trabajo se propone el uso de un algoritmo híbrido que utiliza las técnicas de satisfacción de restricciones (CSPs), búsqueda local y algoritmos meméticos para calendarizar un conjunto de cursos en un tiempo razonable, respetando todas las restricciones de asignación y tratando de cumplir con un conjunto de preferencias. Las restricciones de asignación de cursos que se deben de satisfacer forzosamente en los problemas de CTT se conocen como restricciones duras, mientras que las preferencias se manejan como restricciones suaves, y son aquellas que son deseables más no obligatorias. Este algoritmo híbrido se compone de tres fases, la primera fase tiene que ver con la generación de una población de individuos, los cuales representan posibles soluciones al problema. Una parte de estos individuos serán creados con ayuda de un algoritmo de satisfacción de restricciones y la otra parte de manera aleatoria. La segunda fase consiste en evolucionar la población inicial de individuos mediante un algoritmo memético, con el fin de reducir las inconsistencias existentes en la población con respecto al conjunto de restricciones duras y blandas del problema, de forma rápida. La última fase de este algoritmo consiste en ejecutar una búsqueda local sobre el mejor individuo encontrado por el algoritmo memético, con el fin de eliminar cualquier posible conflicto persistente con restricciones duras. El objetivo de combinar estas tres técnicas es generar soluciones factibles y al mismo tiempo con un menor número de restricciones suaves violadas que cuando se aplican los algoritmos de forma independiente. Los resultados obtenidos con el algoritmo híbrido se comparan con los resultados producidos independientemente mediante algoritmos genéticos, CSPs y el buscador local utilizado, y se demuestra que la combinación de algoritmos propuesta produce resultados competitivos en instancias del problema de CTT clasificadas como difíciles, ya que siempre obtiene soluciones factibles y con pocas restricciones suaves violadas, y mejores conforme se complica el problema a resolver.

Los problemas de satisfacción de restricciones (CSPs por sus siglas en inglés) representan un tema de gran interés en el área de sistemas inteligentes y sus aplicaciones incluyen planeación, visión, distribución de recursos, etc. Un CSP está compuesto por un conjunto de variables, un dominio de valores para cada variable y un conjunto de restricciones definidas sobre los valores que pueden tomar las variables simultáneamente. Asociado a los CSPs se encuentra el problema del ordenamiento de variables y de valores. Un buen ordenamiento de variables al momento de buscar una solución representa una menor complejidad en la búsqueda. Existen una gran cantidad de heurísticas que se han diseñado para seleccionar dinámicamente la siguiente variable a instanciar, pero ninguna de ellas ha demostrado ser eficiente para todas las instancias. Además, existen instancias de CSPs que son particularmente difíciles de resolver, ya que requieren una elevada cantidad de verificaciones de consistencia para encontrar una solución o demostrar que no existe alguna. Este trabajo considera el problema del ordenamiento dinámico de variables en CSPs utilizando hiperheurísticas producidas mediante un modelo evolutivo. Este modelo se compone de una etapa de entrenamiento y una de prueba. La etapa de entrenamiento se realiza con ayuda de un algoritmo genético con cromosomas de longitud variable. Durante la etapa de entrenamiento, el AG se encarga de evolucionar una población de individuos que representan las hiperheurísticas mediante la solución de un conjunto de entrenamiento formado por diferentes instancias de CSPs difíciles. La intención de utilizar diferentes instancias de CSPs durante la etapa de entrenamiento es desarrollar procesos de solución generales que puedan ser aplicados para resolver un gran número de instancias, más que encontrar buenas soluciones para instancias específicas. Estos individuos de la población representan grupos de reglas del tipo condición-acción, en donde la condición simboliza un estado específico del problema y la acción es una heurística de ordenamiento de variables. En términos generales, el procedimiento que se lleva a cabo es el siguiente: dado un estado P del problema, encontrar la regla más cercana i y aplicar la heurística asociada a dicha regla. Al llevar a cabo esta acción, el problema se transforma en P1 . El procedimiento se repite hasta resolver el problema completamente. La función primordial del AG durante la etapa de entrenamiento es seleccionar diferentes estados del problema y asociar cada uno de ellos con alguna de las heurísticas de bajo nivel para el ordenamiento dinámico de variables. Una misma heurística puede asociarse a varios estados o a ninguno. Al finalizar la etapa de entrenamiento, el mejor individuo de la población es utilizado para resolver el conjunto de problemas de prueba, el cual está formados por diferentes instancias de CSPs de las que fueron utilizadas durante el proceso de entrenamiento. Las hiperheurísticas generadas mediante el modelo presentado en este trabajo se comparan con los resultados obtenidos mediante la aplicación por separado de las heurísticas de bajo nivel para los problemas de entrenamiento y prueba. La investigación demuestra que es posible generar hiperheurísticas con eficiencia competitiva para una gran cantidad de instancias de CSPs mediante el modelo evolutivo presentado. Los resultados también dejan en claro que no existe una heurística capaz por sí sola de resolver eficientemente todas las instancias de CSPs. Sin embargo, el modelo evolutivo fue capaz de generar una hiperheurística general competitiva, la cual logró resultados muy parecidos a los producidos por el mejor resultado de las heurísticas simples y una reducción significativa al compararse contra el número de verificaciones de consistencia requerido por el resultado promedio de las heurísticas simples. Maestro en Ciencias en Sistemas Inteligentes

El problema de corte y empacado de materiales en dos dimensiones tiene gran relevancia práctica; por ejemplo, en la industria textil, de lámina metálica, madera, piel, plástico y papel [1]. Es por esto que ha sido ampliamente estudiado en los últimos a ̃nos, sobretodo en lo que se refiere al corte de piezas rectangulares. El corte de figuras irregulares es más complejo por lo que es posible abordarlo desde muy distintos enfoques. La presente investigación aplica al caso de los polígonos irregulares, un método para generar hiperheurísticas basado en un algoritmo genético (AG) que ha probado ser eficaz para el problema de corte de figuras rectangulares. Este método es llamado GHH-2D y fue descrito por Terashima-Mar ́ın [28] y Farías [14].Al generalizar el modelo GHH-2D a polígonos irregulares se incrementa la complejidad geométrica; por ejemplo: el cálculo de áreas, intersecciones, desplazamientos y rotaciones. El AG usa una representación de longitud variable que evoluciona combi-naciones de reglas del tipo condición-acción. Las condiciones de cada regla representan posibles estados de un problema mediante un vector de 8 números reales. Esta representación toma en cuenta el porcentaje de piezas que faltan por acomodar, la altura, el área y la rectangularidad de las piezas que faltan por acomodar. Gomes y Oliveira[19] definen rectangularidad con base en la diferencia entre el área de la pieza y el área del rectángulo que la contiene. Las acciones de cada regla indican heurísticas simples que encuentran una solución al problema de corte y empacado de material en dos dimensiones. La función primordial del AG es la de seleccionar diferentes estados del problema y asociar cada uno de ellos con alguna de las cuarenta acciones disponibles. Se realizaron experimentos donde el AG se evolución o durante 500 ciclos o generaciones. El mejor individuo del último ciclo constituye la hiperheurística generada la cual relaciona distintos estados del problema con heurísticas simples convenientes, de tal modo que al resolver una instancia utilizando las reglas de la hiperheurística se obtienen, en promedio, mejores resultados que empleando cualquiera de las heurísticas simples de manera exclusiva. El modelo desarrollado considera instancias con polígonos convexos de tres a ocho lados que deberán acomodarse en el menor número de objetos rectangulares idénticos. Para probar el modelo propuesto se generaron aleatoriamente 540 instancias, además de una instancia documentada en la literatura que incluye sólo figuras convexas. Se realizaron cuatro experimentos donde las instancias se dividen enconjuntos de entrenamiento y prueba. En cada experimento, se desarrollo una hiperheurística a partir de los problemas de entrenamiento y posteriormente se utilizó la hiperheurística generada para resolver las instancias de prueba. Se obtuvieron muy aceptables resultados, pues la hiperheurística desarrollada resolvió las instancias de prueba utilizando en promedio 1.38 objetos menos que el promedio de las 40 eucarísticas simples consideradas.

El problema de corte de material se define principalmente como el corte de un conjunto de piezas pequeñas a partir de objetos de materia prima de mayor tamaño tratando de minimizar el desperdicio de material utilizando la menor cantidad de objetos. Debido a que el problema de corte de material posee una gran importancia tanto económica como ecológica en numerosas industrias como la de madera, vidrio, papel, cartón, textil, metal, entre otras, en los últimos años ha aumentado el interés en el desarrollo de diferentes técnicas de optimización que sean eficientes en la resolución de una gran variedad de problemas de corte de material. Desafortunadamente, debido a la naturaleza NP-difícil de los problemas de corte de material, resulta prácticamente imposible el solucionar instancias de gran tamaño mediante el uso de técnicas exactas, razón por la cual la mayoría de los algoritmos para solucionar este tipo de problemas están basados en el uso de heurísticas, las cuales no proporcionan resultados de buena calidad en la mayoría de los casos. Debido a la gran similitud entre los problemas de corte y de empacado, los métodos de solución empleados para éstos, pueden ser fácilmente aplicados también en problemas de carga de vehículos, calendarización de tareas en intervalos de tiempo definidos, entre otros. Esta tesis considera el problema de corte de material en dos dimensiones utilizando un método para el desarrollo de hiperheurísticas generales que solucionen diferentes instancias del problema de corte de material de forma eficiente, dicho método se compone de una etapa de entrenamiento y una de prueba, la etapa de entrenamiento es llevada a cabo por un Algoritmo Genético con cromosomas de longitud variable. Durante la etapa de entrenamiento, el Algoritmo Genético se encarga de evolucionar una población de individuos (hiperheurísticas), mediante la solución de un conjunto de problemas de entrenamiento formado por diferentes instancias del problema de corte de material. La finalidad de utilizar diferentes instancias del problema de corte durante la etapa de entrenamiento es desarrollar procesos de solución generales que puedan ser utilizados para resolver una gran variedad de instancias, en lugar de encontrar buenas soluciones para instancias específicas. Los individuos de la población, representan grupos de reglas del tipo condición-acción, en donde la condición simboliza un estado específico del problema y la acción es una combinación de una heurística de selección (HS) y una de acomodo (HA). En términos generales el procedimiento que se lleva a cabo es el siguiente: dado un estado P del problema, encontrar la regla más cercana i y aplicar las heurísticas asociadas a dicha regla HS(i) y HA(i); al llevar a cabo esta acción, el estado del problema se transforma de P a P0. Este procedimiento es repetido hasta resolver el problema completamente. La función primordial del algoritmo genético durante la etapa de entrenamiento es la de seleccionar diferentes estados del problema y asociar cada uno de ellos con alguna de las cuarenta acciones disponibles, las cuales se encuentran formadas por una heurística de selección y una de acomodo. Una acción determinada puede asociarse a varios estados o a ninguno. Al finalizar la etapa de entrenamiento, el mejor individuo es utilizado para resolver el grupo de problemas de prueba, el cual está formado por diferentes instancias del problema de corte de material que no fueron utilizadas durante el proceso de entrenamiento. La utilización del método propuesto para el desarrollo de hiperheurísticas generales obtuvo muy aceptables resultados para aproximadamente el 2.59% de las instancias resueltas se encontraron mejores resultados que los obtenidos por las heurísticas simples. Los resultados confirman la efectividad del método planteado para el desarrollo de hiperheurísticas generales que puedan resolver una gran variedad de instancias del problema de corte de material en dos dimensiones. Además, debido al grado de abstracción del método propuesto es posible extender su uso a otro tipo de problemas de optimización, lo cual implicaría un menor tiempo de desarrollo. De esta manera se prueba la validez de la hipótesis planteada.

El desarrollo de la investigación aborda la implementación de un sistema nervioso digital dentro de una organización, en esta investigación se pretende presentar un marco teórico de cada uno de los conceptos involucrados en el desarrollo de la implementación del sistema nervioso digital propuesto al final de la investigación, con el cual se puedan tener las bases suficientes y el soporte de autores reconocidos en cada uno los conceptos manejados en esta tesis. Uno de los principales dentro de las organizaciones es la planeación, creación y manejo de la información de manera integral, rápida, eficiente y además distribuida. Con esta premisa hace más importante contar con el conocimiento necesario y una metodología para su aplicación y con esto poder ¡mplementar un sistema nervioso digital dentro de las organizaciones. En la investigación se integran conceptos teóricos como Visión de la organización, Planeación estratégica, las Organizaciones y sus estructuras, las tecnologías de información en la organización moderna, varios esquemas para poder Alinear las Tecnologías de Información con la Estrategia de negocios de la organización, así como entender que es la Cultura organizacional, además de tener información de las redes intranet, su estructura y uso actual, para llegar así a poder entender el concepto integral de lo que es el sistema nervioso digital y su metodología propuesta en una serie de pasos a seguir, y un esquema mental a desarrollar que será muy importante dentro de la investigación. Maestro en Administración de Tecnologías de Información

Este documento presenta la tesis para obtener el grado de Maestro en Ciencias en Sistemas Inteligentes. La tesis trata sobre la optimización de la carga de contenedores, lo cual se considera como un problema de empacado en tres dimensiones. El siguiente trabajo propone el uso de una técnica de la Inteligencia Artificial para encontrar soluciones eficientes al problema mencionado, mediante el uso de Algoritmos Genéticos (AGs), los cuales son algoritmos de búsqueda basados en la mecánica de la selección natural y en la genética natural, un método que ha sido aplicado exitosamente en diversos problemas de optimización. El problema de la carga de contenedores presenta dos grupos de datos básicos, por una parte, existe una lista de objetos grandes consistente de uno o más contenedores, y por otra parte, una lista de objetos más pequeños que deben ser empacados dentro de los contenedores. Aparte de ciertos objetivos específicos y restricciones dadas, el principal aspecto de la carga de contenedores concierne a la combinación geométrica de objetos pequeños formando patrones de empacado que pueden ser asignados a los contenedores de la lista, dependiendo de sus formas y dimensiones. Como resultado de esta investigación, se diseñó y se implemento un AG para optimización en este dominio. El AG fue denominado Algoritmo Genético para Empacado (AGE) y fue probado con problemas de un contenedor, usando tres funciones objetivo distintas y dos operadores de cruce diferentes. Además, se realizaron experimentos con problemas de empacado de más de un contenedor. Finalmente, se utilizó el AGE para resolver dos problemas reales de carga de contenedores de una compañía de transportación, obteniendo resultados satisfactorios. Maestro en Ciencias en Sistemas Inteligentes

En este documento se presenta un esquema de Modelación y Control Nolineal mediante Sistemas Difusos como algoritmo de control de un proceso monovariable y otro multivariable de dos entradas dos salidas. Las diferentes entradas de referencia (escalón, diente de sierra, senoidales, y cuadráticas) hacen que el sistema tenga características de regulación y seguimiento.