Colibri Comunidad :https://hdl.handle.net/20.500.12008/242024-03-28T18:11:33Z2024-03-28T18:11:33ZAplicación de técnicas cualitativas y colaboración con profesionales para mejorar el entrenamiento de la ingeniería de software basada en evidencia.Marenco, Leticiahttps://hdl.handle.net/20.500.12008/431172024-03-15T13:30:10Z2023-01-01T00:00:00ZTítulo: Aplicación de técnicas cualitativas y colaboración con profesionales para mejorar el entrenamiento de la ingeniería de software basada en evidencia.
Autor: Marenco, Leticia
Resumen: Contexto: La ingeniería de software basada en evidencias (EBSE) pone énfasis el uso de evidencia como herramienta de toma de decisiones en la práctica profesional. El entrenamiento es una de las principales claves para la adopción de EBSE. Sin embargo, poco se ha investigado sobre como acercarlo a la práctica profesional. Objetivo: Evaluar la construcción y uso de escenarios para mejorar el entrenamiento de EBSE mediante la reflexión sobre el uso de evidencia en situaciones de la práctica profesional. Método: Se realizó un entrenamiento en análisis cualitativo y un análisis de los estudios empíricos sobre adopción de EBSE realizados en Uruguay. Luego, se condujo un análisis cualitativo del último estudio sobre el uso de escenarios de evidencia para mejorar el entrenamiento de EBSE. Resultados: Nuestros resultados indican que es posible crear y usar escenarios para mejorar el entrenamiento de EBSE. La elaboración de escenarios en colaboración con practicantes es desafiante. La mayor barrera fue la falta o inadecuación de evidencia. El uso del escenario parece permitir que los estudiantes mejoren sus habilidades para utilizar evidencia aunque la mitad de los estudiantes tuvieron dificultades para entender el ejercicio planteado. Conclusiones: Utilizar escenarios para acercar el entrenamiento de EBSE a la práctica profesional parece factible y adecuado. Recomendamos involucrar a practicantes en la creación de escenarios, utilizar consignas claras sobre la dinámica de uso de los escenarios, y promover la creación de un catálogo de escenarios. Se deben hacer esfuerzos para generar evidencia que se adapte mejor a la práctica profesional.2023-01-01T00:00:00ZFeed resource allocation optimization in dairy systems.Notte Kirichenko, Gastónhttps://hdl.handle.net/20.500.12008/430532024-03-13T13:20:25Z2023-01-01T00:00:00ZTítulo: Feed resource allocation optimization in dairy systems.
Autor: Notte Kirichenko, Gastón
Resumen: In this thesis, the problem of feed resources allocation to a heterogeneous dairy herd was studied. We focused on how to allocate available feed resources by grouping cows based in their energy requirements and distribute them to the available feed resources like pasture and/or supplements. This problem was modeled as a combinatorial optimization problem and solved with exact methods and Evolutionary Algorithms (EA). Considering that exact methods may have limitations due to a great computational demand (which causes extremely high executions
times), initially, our approach used a single objective mathematical model and a Genetic Algorithm (GA). An experimental evaluation was performed in order to analyze the quality solution of the GA and to study how the resource allocation should be performed by interpreting the solutions’ structure for both methods. The results showed that the values obtained by the GA were very close to the exact values (the maximum gap value was 1.09% and the average gap value was 0.50%), but generating different assignment structures, presenting a good diversity and a wider exploration of the solutions’ space. In particular, we found many solutions with a very low gap value and large structural difference, reaching a maximum of 49.9%. Then due to the complexity of dairy systems and the need to contemplate several objectives, a Pareto-based multi-objective optimization with the Differential Evolution (DE) algorithm was applied. To evaluate the DE algorithm, we performed experiments to compare the solutions quality of the DE with exact Linear Programming (LP) solutions. As part of this analysis, the influence of different stocking rates (number of cows/ha) on milk production, feed allocation and economic
performance indicators was also evaluated as a source of variation. The DE solutions that minimize the feeding costs for different stocking rates closely approached the solutions derived with LP (with average values slightly higher, between 0.4% and 5.6%), confirming the quality of the DE algorithm. The multi-objective model scenarios demonstrated that increasing stocking density would enhance milk production and gross margin per unit of area at largely unchanged productivity per animal, by shifting the feed ration from roughage to a large proportion of supplementary concentrate feed. In particular, for stocking rates of 1.1, 1.6, 2.1 and 2.6 cows/ha, gross margins of 6.1, 8.9, 11.8 and 14.7 US dollars/ha/day were obtained, respectively. From the results, we concluded that the multi-objective optimization with a Pareto-based DE algorithm was highly effective to explore the interrelations among conflicting objectives and to find suitable solutions. Finally, and considering there are many variants of EA which have different performances depending on the problem being solved, we decided to evaluate some of the most successful algorithms presented in the literature to address the feed resource allocation problem.
In particular, a performance evaluation of four methods (two GA: NSGA-II, SPEA-2; and two DE algorithms: GDE-3, and the Pareto-based DE) was done. The algorithms were evaluated taking into account execution times, objective functions values attained, Pareto front comparisons and performance metrics values. The results showed significant differences between the algorithms in their ability to approach solutions in the Pareto front and in their computational times. In particular, the SPEA-2 algorithm obtained optimal values for all objectives, its solutions represented a large part of the Pareto front approximation, and it presented the best results in terms of convergence, diversity and cardinality; but required higher execution times. Depending on the parametric settings of the algorithms, the execution times of NSGA-II and GDE-3 were between 5 and 23 seconds, while the times of SPEA-2 were between 105 and 28400 seconds.; En esta tesis, se estudió el problema de asignación de recursos alimenticios a un rodeo lechero heterogéneo. Nos enfocamos en cómo asignar los recursos alimenticios disponibles agrupando las vacas en función de sus necesidades energéticas y distribuyéndolas en los recursos alimenticios disponibles, como pasturas y/o suplementos. Este problema se modeló como un problema de optimización combinatoria y se resolvió con métodos exactos y Algoritmos Evolutivos (EA, por sus siglas en inglés). Dado que los métodos exactos pueden tener limitaciones debido a una gran demanda computacional (lo que causa tiempos de ejecución extremadamente largos), inicialmente, nuestro enfoque utilizó un modelo matemático y un Algoritmo Genético (GA, por sus siglas en inglés) contemplando un solo objetivo. Se realizó un experimento para analizar la calidad de las soluciones del GA y estudiar cómo se debe hacer la asignación de recursos mediante la interpretación de la estructura de las soluciones de ambos métodos. Los resultados mostraron que los valores obtenidos por el GA son cercanos a los valores exactos (el valor máximo de gap fue 1.09% y el valor promedio de gap fue 0.50%), pero generaron estructuras de asignación diferentes, presentando una buena diversidad y una exploración más amplia del espacio de soluciones. En particular, encontramos muchas soluciones con un valor de gap muy bajo y una gran diferencia estructural, alcanzando un máximo de 49.9%.
Luego, debido a la complejidad de los sistemas lecheros y la necesidad de contemplar varios objetivos, se aplicó una optimización multiobjetivo basada en Pareto, para la cual se usó un algoritmo Diferencial Evolution (DE, por sus siglas en inglés). Para evaluar el algoritmo DE, se realizaron experimentos que compararon la calidad de las soluciones del DE con soluciones exactas de un modelo de Programación Lineal (LP, por sus siglas en inglés). Como parte de este análisis, también se evaluó, como fuente de variación, la influencia de diferentes cargas animales (número de vacas/ha) en la producción de leche, asignación de alimentos y resultados económicos. Las soluciones del DE que minimizan los costos de alimentación para diferentes cargas se acercaron mucho a las soluciones obtenidas con el modelo LP (con valores promedio ligeramente superiores, entre 0.4% y 5.6%), lo que confirma la calidad del algoritmo DE. Los escenarios del modelo multiobjetivo demostraron que aumentar la carga animal mejoraría la producción de leche y el margen bruto por unidad de área, manteniendo en gran medida la productividad por animal, al cambiar la ración de forraje por una gran proporción de suplementos. En particular, para cargas animales de 1.1, 1.6, 2.1 y 2.6 vacas/ha, se obtuvieron márgenes brutos de 6.1, 8.9, 11.8 y 14.7 dólares estadounidenses/ha/día, respectivamente.
A partir de los resultados, se concluye que la optimización multiobjetivo basada en Pareto, para la cual se usó un DE, fue altamente efectiva para explorar las interrelaciones entre objetivos conflictivos y encontrar soluciones adecuadas. Finalmente, considerando que hay muchas variantes de EA que tienen diferentes rendimientos según el problema que se está resolviendo, decidimos evaluar algunos de los algoritmos más exitosos presentados en la literatura para abordar el problema de asignación de recursos alimenticios. En particular, se realizó una evaluación de desempeño de cuatro métodos (dos GA: NSGA-II, SPEA-2; y dos algoritmos DE: GDE-3 y el DE basado en Pareto). Los algoritmos se evaluaron teniendo en cuenta los tiempos de ejecución, valores de las funciones objetivo, comparaciones del frente de Pareto y valores de distintos indicadores de calidad. Los resultados mostraron diferencias significativas entre los algoritmos en su capacidad para acercarse a las soluciones del frente de Pareto y en sus tiempos computacionales. En particular, el algoritmo SPEA-2 obtuvo valores óptimos para todos los objetivos, sus soluciones representaron gran parte de la aproximación del frente de Pareto y presentó los mejores resultados en términos de convergencia, diversidad y cardinalidad; pero requirió tiempos de ejecución más altos. Dependiendo de la configuración paramétrica de los algoritmos, los tiempos de ejecución de NSGA-II y GDE-3 estuvieron entre 5 y 23 segundos, mientras que los tiempos de SPEA-2 estuvieron entre 105 y 28400 segundos.2023-01-01T00:00:00ZEstimación de velocidad vehicular mediante análisis predictivo sobre redes.Cikurel, Matiashttps://hdl.handle.net/20.500.12008/429562024-03-05T17:37:13Z2023-01-01T00:00:00ZTítulo: Estimación de velocidad vehicular mediante análisis predictivo sobre redes.
Autor: Cikurel, Matias
Resumen: En este proyecto buscamos estudiar la bondad del modelo Graph WaveNet en la predicción de velocidad de tráfico en un contexto de carencia de datos. Analizando en primer lugar la sensibilidad del modelo frente a la falta de datos, procedemos a plantear una serie de escenarios basados en dos conjuntos de datos vinculados a las ciudades de Los Ángeles y Montevideo. Planteando una serie de variantes con distintos grados de carencia de datos construidas eliminando datos de manera aleatoria, evaluamos una serie de métodos de imputación para observar el impacto en el rendimiento del modelo. Estos métodos de imputación están vinculados a distintos valores estadísticos como son la media general y la media por ubicación, por mencionar algunos. Además, evaluamos una alternativa de imputación que escapa a esta línea de valores estadísticos: el método forward-fill, que en orden cronológico sustituye cada dato faltante con el inmediatamente anterior. Los resultados obtenidos muestran que con un 20% de datos faltantes o más, la imputación de datos comienza a producir mejores resultados sobre la opción de no imputar datos. En la evaluación de los métodos de imputación planteados, el que destaca por sobre los demás es el método forward-fill. Este comportamiento se acentúa a medida que aumenta la cantidad de datos faltantes en el dataset, permaneciendo siempre este método como el mejor. Este resultado puede estar influenciado por la manera en que se eliminan datos para generar los escenarios de prueba, donde al eliminar datos de manera aleatoria, el método forward-fill logra reconstruir la señal mejor que el resto.2023-01-01T00:00:00ZCyRa.uy : Hacia un cyber range académico.Corujo, GabrielRodríguez, Manuelhttps://hdl.handle.net/20.500.12008/429552024-03-05T17:37:00Z2023-01-01T00:00:00ZTítulo: CyRa.uy : Hacia un cyber range académico.
Autor: Corujo, Gabriel; Rodríguez, Manuel
Resumen: Este trabajo tiene tres objetivos específicos: desarrollar una arquitectura de seguridad para el Cyber Range del Grupo de Seguridad Informática (GSI), dotar a dicho Cyber Range de funcionalidades que faciliten el acceso y uso del mismo, e incorporar la simulación y/o generación de ataques automáticos con el fin de poder realizar prácticas orientadas a la seguridad defensiva y al análisis forense digital. Se ha realizado un relevamiento del estado del arte de arquitecturas de seguridad propicias para un cyber range, poniendo especial foco en lo que se conoce como arquitecturas de confianza cero (Zero Trust). Asimismo se relevaron herramientas que proveen soporte automatizado para la simulación de ciberataques. En este trabajo se han identificado un conjunto de requerimientos para posibilitar el aseguramiento de una plataforma de este tipo, y se analizaron y propusieron componentes tecnológicos que permiten satisfacer dichos requerimientos. Basándonos en el análisis realizado se propone una arquitectura para la plataforma, definiendo las distintas redes, los componentes y sus interacciones. Se ha implementado un prototipo funcional de la plataforma definida considerando un subconjunto de los componentes identificados y se realizó un experimento con un escenario de complejidad significativa que permitió validar las capacidades y propiedades de la plataforma propuesta.2023-01-01T00:00:00Z