Professional Documents
Culture Documents
115
Solano et al. Implementación de un algoritmo genético para la asignación de aulas
Élite
3.1 Objetos
Es un arreglo de individuos, que almacena
los dos individuos más aptos que se van generando
Individuo
a través del algoritmo.
Este es el objeto o clase principal del al-
goritmo, representa la información de una posible
Aulas
solución, ya que posee toda la configuración de los
Este objeto manipula toda la información
horarios de las aulas. El método de representación
referente a las aulas. Entre los campos que maneja
utilizado permite una mayor precisión y complejidad
se encuentran:
que el método comparativamente restringido de
utilizar sólo números binarios (Fleming y Purshouse,
• Un arreglo de hileras bidimensional que
2002).
almacena todos los horarios de las aulas a
las que se les desea asignar cursos. Cada
Su composición es la siguiente:
horario de un aula abarca 7 columnas (días)
y 14 filas (horas).
I. Un conjunto de cromosomas representado
• Otro arreglo bidimensional que guarda las
por un arreglo bidimensional de hileras
aulas según el tipo.
llamado Cromosoma, cada fila almacena la
• Un campo numérico que almacena la can-
información propia y detallada de un curso
tidad de aulas.
de la siguiente manera:
• Un campo numérico que indica la cantidad
1. La sigla del curso. Ej.: “CI - 201”.
2. El grupo del curso. Ej.: “01”.
117
Solano et al. Implementación de un algoritmo genético para la asignación de aulas
Figura 2.
Ventana
para la
actualiza-
ción de la
informa-
ción sobre
cursos.
119
Solano et al. Implementación de un algoritmo genético para la asignación de aulas
Figura 3. Ventana que muestra un ejemplo de asignación de horario para el aula 303.
cación fue posible analizar los resultados de una en varias ejecuciones se logró encontrar una solución
de las asignaciones óptimas encontradas. que contabiliza solamente cuatro situaciones de
choques, número muy bajo para la cantidad de cur-
En la figura 3 se observa un ejemplo del ho- sos y aulas que la Escuela de Computación maneja.
rario conformado para el aula 303 en particular. Estas soluciones se obtuvieron en un promedio de
4 segundos. El trabajo que resta es observar cómo
Adicionalmente, en la figura 4 se muestran quedan conformados los horarios de cada una de
aquellos cursos a los que no fue posible asignarles las aulas que participan en la asignación.
lugar dentro de alguna aula, debido a la insuficiencia
de aulas que satisfagan los requerimientos de dichos Dado que los cálculos de ciertos valores se
cursos. hacen de forma aleatoria, el tiempo requerido para
obtener una solución puede variar significativa-
Para el caso del ejemplo (Fig. 4), se nota que mente. De ahí la importancia de no quedarse con la
primera solución, se recomienda guardarla y probar
120
UNICIENCIA 22, 2008
cierta cantidad de veces, con el fin de encontrar tionary data mining algorithm with applications to
otras soluciones mejores en otros términos, en las churn prediction”. IEEE Transactions on Evolutionary
Computation, vol. 7, nº 6, pp. 532-545.
que se puede llegar a obtener menor cantidad de
cursos sin ser asignados. Beasley, J.E., J. Sonander & P. Havelock. 2001. “Scheduling
aircraft landings at London Heathrow using a population
heuristic”. Journal of the Operational Research Society,
4. CONCLUSIONES vol. 52, nº 5, pp. 483-493.
Los resultados de la figura 3 muestran que Koza, John, Forest Bennett, David Andre & Martin Keane. 1999.
en la mayoría de los casos la solución obtenida se Genetic Programming III: Darwinian Invention and
acerca a la óptima, a pesar de que en teoría puede Problem Solving. Morgan Kaufmann Publishers.
no encontrarse ni siquiera una solución. Mitchell, Melanie. 1996. An Introduction to Genetic Algorithms.
MIT Press.
En una etapa posterior de este proyecto se
piensa incluir otras variables igualmente restrictivas, Zitzler, Eckart & Lothar Thiele. 1999. “Multiobjective evo-
lutionary algorithms: a comparative case study and
entre ellas la asignación de profesores a cursos y the Strength Pareto approach”. IEEE Transactions on
horarios. Evolutionary Computation, vol. 3, nº 4, pp. 257-271.
Au, Wai-Ho, Keith Chan & Xin Yao. 2003. “A novel evolu-
121