La creciente demanda en el uso las tecnologías de la información y comunicación (TIC) han revolucionado nuestra vida cotidiana, sin embargo, han contribuido a aumentar las preocupaciones ambientales y sociales. La aceleración de factores como el agotamiento y escasez de recursos, daños ambientales, uso de agua y energía y un incremento insostenible de desechos tecnológicos principalmente en zonas urbanas, se ha convertido en una preocupación para la industria y el gobierno. La recuperación de residuos tecnológicos requiere de estrategias inteligentes de recolección que minimicen los costos asociados, maximicen el reúso de materias primas y la reparabilidad de los bienes para la prolongación de su vida útil. Uno de los factores que inciden fuertemente, es el costo de recorrido para la recolección.
Este trabajo consiste en generar rutas recolección dado una cantidad de clientes por atender, un conjunto de vehículos de recolección, permitiendo minimizar ciertos factores que ayuden a la empresa a obtener beneficios. Los objetivos pueden ser: minimizar el tiempo de reparto, maximizar el ahorro de combustible en los vehículos, minimizar la cantidad de vehículos de reparto, todo lo cual llevaría a obtener menores costos y por lo tanto obtener beneficios y una mejor calidad de servicio e imagen. Particularmente, el propósito de este trabajo es mostrar como la aplicación de un algoritmo basado en inteligencia colectiva (metaheurística) mejora la planificación de recolección de residuos tecnológicos para un caso de estudio en la localidad de Comodoro Rivadavia sobre con diferentes escenarios e instancias de recolección con 75, 105, 150 y 200 contenedores de residuos y vehículos con diferentes capacidades. Se realiza además un análisis de la reducción de gases emitidos.
Data clustering helps in discerning the structure and simplifing the complexity of massive quantities of data. It is a common technique used in many fields, including machine learning, data mining, image analysis, and bioinformatics, in which the distribution of information can be of any size and shape. The efficiency of clustering algorithms is strongly required with very large databases and high-dimensional data types. This paper presents an evaluation study, from different perspectives, of several important unsupervised quality measures including quantization error, intra-and inter-cluster distances, obtained by the well-known K-means algorithm and a population-based metaheuristic called Particle Swarm Optimization (PSO) and a hybrid algorithm that combines the characteristics of both algorithms, called PSO+K-means. Results show that in general the PSO+K-means algorithm obtains better results in each measure and generates higher compact and separates clustering than either PSO or K-means alone.Keywords: Clustering, K-means, Particle Swarm Optimization, Unsupervised quality measures.
ResumenEl clustering de datos ayuda a discernir la estructura y simplifica la complejidad de cantidades masivas de datos. Es una técnica común y se utiliza en diversos campos como, aprendizaje de máquina, minería de datos, reconocimiento de patrones, análisis de imágenes y bioinformática, donde la distribución de la información puede ser de cualquier tamaño y forma. La eficiencia de los algoritmos de clustering es extremadamente necesaria cuando se trabaja con enormes bases de datos y tipos de datos de grandes dimensiones. Este trabajo presenta una evaluación desde distintas perspectivas de una serie de medidas relevantes no-supervisadas de calidad como por ejemplo, cuantización del error, distancias intra-e inter-cluster, de los clusters obtenidos por el conocido algoritmo de K-means, una metaheurística poblacional denominada Particle Swarm Optimization (PSO) y un algoritmo híbrido, que combina las características de los dos algoritmos anteriores, denominado PSO+Kmeans. De los resultados obtenidos se observa que en general el algoritmo PSO+K-means obtiene mejores resultados en cada una de las medidas generando clusters más compactos y separados entre ellos que los obtenidos por los otros algoritmos.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.