Primera sesión butic Workshop - Inteligencia Artificial aplicada a la Ingeniería y la Arquitectura

FR 

FABRIKAM RESIDENCES 

INTELIGENCIA 

ARTIFICIAL APLICADA 

A INGENIERÍA Y 

ARQUITECTURA 

WORKSHOP: INTRODUCCIÓN 

Y APLICACIONES 

Aquí tiene la grabación del la primera sesión del butic Workshop: Inteligencia Artificial aplicada a Ingeniería y Arquitectura

Derechos de propiedad intelectual 

Este documento se rige por la licencia de Creative Commons de 

Atribución/Reconocimiento-NoComercial-SinDerivados 4.0 Internacional cuyo detalle 

puede consultar aquí: https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode.es 

Aquí tiene la grabación del la primera sesión del butic Workshop: Inteligencia Artificial aplicada a Ingeniería y Arquitectura 

https://www.lurtis.com | info@lurtis.com

INTELIGENCIA ARTIFICIAL APLICADA A 

INGENIERÍA Y ARQUITECTURA 

Índice de Contenidos 

1. Ponentes 

2. Introducción y Conceptos 

• Inteligencia Artificial 

• Machine/Deep Learning 

• Data Science y Big Data 

3. Inteligencia Artificial 

• Enfoques, Procedimientos y Tecnologías 

• Técnicas de IA y otras Herramientas Afines 

4. ¿Cómo afrontar el Reto? 

• El Problema y los Actores 

• Preguntas para Definir el Problema 

5. Casos Prácticos y Ejemplos de 

Aplicación 

• Procesamiento Automático de Normativas 

• Diseño y Optimización de Estructuras 

• Optimización de Diseños de Parcela 

• Distribución y Particionamiento de Espacios 

• Predicción de la Demanda 

• Reconocimiento de Objetos y Reconstrucción 

• Deformación en Túneles 

• Robótica de Inspección de Instalaciones

Sólo una Pequeña Nota de Quiénes Somos 

Dr. Luis Peña 

CEO (Lurtis Rules, España) 

Profesor Asociado (ESNE – Universidad Camilo José Cela) 

Doctor en Inteligencia Artificial. Especialista en IA para entornos interactivos y de simulación. 

https://www.linkedin.com/in/luis-peña-sánchez/ 

luis.penya@lurtis.com 

Prof. José M. Peña 

CTO (Lurtis Rules, España) & Director (Lurtis Ltd., Reino Unido) 

Profesor Titular (Universidad Politécnica de Madrid) 

Subdirector Centro de Supercomputación y Visualización de Madrid (CeSViMa) 

Affiliated Scholar to the Engineering Sciences Department (Universidad de Oxford) 

https://www.linkedin.com/in/jose-m-chema-peña-a0944569/ 

jm.penya@lurtis.com 

https://www.lurtis.com | info@lurtis.com 


4

Sobre Nosotros 

Startup fundada en 2015 y enfocada en la IA aplicada a 

ciencias e ingenierías. 

Nuestra misión es desarrollar soluciones innovadoras y 

servicios que ayuden a compañías alrededor del mundo 

a adopatar tecnología basada en IA. 

Expertos internacionales en diversos campos de la IA, 

machine learning, data science, NLP, … 

Sedes en España (Madrid) y UK (Oxford). 

Nuestros valores: 

• Amamos la tecnología, pero sólo importan las personas. 

• IA como potenciador de las capacidades de los expertos. 

• Tecnología de IA con toque humano. 



Nuestros Clientes y Partners 



Publicaciones 

Científicas 

Experiencia en IA, Data 

Science, Computación 

de Alto Rendimiento 

Presupuesto de I+D 

Gestionado Directamente 

7

INTRODUCCIÓN Y 

CONCEPTOS 

IA, MACHINE LEARNING, DEEP 

LEARNING, DATA SCIENCE, BIG DATA

¿De qué va este Seminario? 

NO vamos a hablar en herramientas concretas o tecnologías de fabricantes específicos. 

NO vamos a contar (a nivel académico) las matemáticas de los algoritmos. 

NO es una charla de marketing. 

SÍ vamos a dar una vision general y pragmática del campo de la IA y disciplinas afines. 

SÍ vamos a contestar a ¿Cómo puedo aplicar IA a mi negocio y mis problemas? 

SÍ vamos a ver muchos casos de aplicación (propios y extraños). 



9

Adopción de Tecnologías … (IA y otras) 

Tecnología “Made yourself” 

• Desarrollada desde cero. 

• Necesidad de recursos y 

experiencia. 

• Desarrollo medio-largo. 

• Solución perfectamente 

adaptada al problema. 

Tecnología “Pre-cooked” 

• Desarrollada sobre 

soluciones parciales. 

• Menor necesidad de 

experiencia, pero sí de 

otros recursos. 

• Desarrollo medio-largo. 

• Solución parcialmente 

adaptada al problema. 

Tecnología “Buffet” 

• Soluciones off-the-shelf. 

• Recursos necesarios para 

implentación. 

• Desarrollo corto. 

• Solución cerrada (se ajusta 

o no). 



10

IA COMO 

DISCIPLINA 

LA INTELIGENCIA ARTIFICIAL ES 

UNA DISCIPLINA QUE CUBRE 

MUCHO MÁS QUE MACHINE 

LEARNING 

11 



Si lo hace mi móvil no es 

Inteligencia Artificial 

12 



¿Qué es la Inteligencia (Artificial)? 

Objetivo 

Estudiar los entes 

inteligentes 

Científico 

Entender 

(modelar, 

describir) los 

entes inteligentes 

Ingenieril 

Construir entes 

inteligentes 



Construir Entes Inteligentes 

Sistemas que piensan como humanos 

• “La interesante tarea de lograr que las computadoras 

piensen... Máquinas con mente, en su amplio sentido literal” 

(Haugeland 1985) 

Sistemas que actúan como humanos 

• “El arte de crear máquinas con capacidad de realizar 

funciones que realizadas por personas requieren inteligencia” 

(Kurzweil 1990) 

Sistemas que actúan de forma racional 

• “La rama de la Informática que se ocupa de la automatización 

del comportamiento inteligente” (Luger & Stubblefield, 1993) 

“IA fuerte” 

“IA débil” 



14

Pero Entonces… ¿Qué es? 

Es un conjunto de tecnologías, disciplinas y 

metodologías que pretenden resolver problemas 

de un modo razonable 

Para resolver el problema no le decimos como, si no 

que le proporcionamos información de como 

hacerlo y esperamos que encuentre una solución 



15

Y… ¿Qué es Machine Learning? 

Razonamiento 

Aprendido de los 

Datos 

Aprender relaciones 

de entre los datos 

proporcionados 

Supervisado 

y No Supervisado 



16

Y… ¿Deep Learning? 

Subconjunto de 

Machine Learning 

Basado en Redes 

Neuronales 

Profundas 

Bueno para 

Series 

Temporales y 

Reconocimiento 

de Imagen 

Técnica de “Caja 

Negra” 



17

Data Science 

Proceso 

Científico de 

análisis de datos 

Visualización e 

interacción con 

datos 

Técnicas de 

Preparación, 

análisis 

exploratorio y 

estadístico 



18

Data Science + Data Mining 

Los datos recogidos se 

tienen que analizar, 

comprender y convertir 

Recoger datos de todos 

lo procesos. 

Automatizar el proceso 

de identificación y 

descubrimiento de 

“estructuras” útiles en 

los datos 



19

Big Data ¿Qué Cubre? 

Grandes 

volúmenes de 

información 

Gestión de la 

información 

O Muchas 

fuentes no 

estructuradas 



20

INTELIGENCIA 

ARTIFICIAL 

ENFOQUES, PROCEDIMIENTOS Y 

TECNOLOGÍAS

Taxonomía de Técnicas y Enfoques 

DISEÑO 

ANÁLISIS 

Búsqueda y 

Optimización 

Exploración eficiente de 

alternativas y búsqueda de 

configuraciones que satisfacen 

una serie de restricciones y/o 

optimizan un objetivo. 

Representación 

del Conocimiento 

Metodologías y herramientas 

para representar el conocimiento 

de los expertos y poder 

articularlo de forma computable. 

Machine 

Learning 

Reconocimiento de patrones 

usados en el diseño de 

soluciones basadas en problemas 

similares o aprendibles de datos 

históricos. 

22 



Procesos para Implantar Tecnologías IA 

Modelo CRISP-DM 

• Business Understanding 

• Data Understanding 

• Data Preparation 

• Modeling 

• Evaluation 

• Deployment 

Características: 

• Iterativo 

• Interactivo 

• Centrado en el Dato y en el 

Problema 



Mapa de Tecnologías 



24

Hype Cycle for Artificial Intelligence, 2020 

MUCHAS 

TÉCNICAS 

DISTINTOS 

ESTADOS 

SMARTER WITH GARTNER, 2020. 

25 



Clasificaciones Posibles 



26

Q & A 

PREGUNTAS

INTELIGENCIA 

ARTIFICIAL 

TÉCNICAS DE IA Y OTRAS 

HERRAMIENTAS AFINES

Técnica: Búsqueda en Espacios de Estados 

Exploración 

de entornos 

Busca planes 

de acciones 

para alcanzar 

un estado 

final 

Transita entre 

estados bien 

definidos 

Puede 

apoyarse en 

heurísticas 



29


Técnicas Basadas en Búsquedas 

• Depende de la información 

• Se intenta garantizar Completitud y 

Optimalidad 

• Sufren la “maldición de la 

cardinalidad” 



30


Se integra bien con otras técnicas 

• Apoya otros procesos de toma de 

decisiones. 

• Puede aprender, lo que lo hace 

adaptable a varios escenarios más 

complejos 

Montecarlo Tree Search 

Deep Learning for Heuristics 



31

Aplicar Técnicas de Búsqueda 

REQUISITOS 

Definir el mundo en estados. 

Definir el estado a alcanzar. 

Conocer como transitar entre estados. 

RESULTADOS 

Secuencias de acciones y comportamientos 

adaptados al caso. 

Controladores basados en acciones descritas. 

Garantía de optimalidad y completitud. 

32 



Técnicas: Planificación 

Búsqueda 

ordenada de 

acciones 

Descomposición 

de tareas y de 

estados. 

Alcanzar 

características 

dentro del 

entorno 



33


Espacios de Planes 

Completo 

Búsqueda Global 

(TLPlan) 

Búsqueda Local (LPG) 

Planificadores 

• . 

Espacio de Planes 

Condesando 

Espacio de Planes 

Restringido 

Grafo de Planes 

(GraphPlan) 

Macro Descomposición 

de Tareas (SHOP2) 

Escenarios con uno o varios agentes 

• Orientado a metas cuando hay un 

solo agente 

• Puede orientarse a entornos con 

varios agentes donde el énfasis está 

en la coordinación. Balanceo de 

recursos 



34


• . 

REQUISITOS 

Definir el mundo en estados 

Modelar el conocimiento experto 

para descomponer las tareas 

Relajar el criterio de optimalidad 

RESULTADOS 

Escenario en tiempo real o 

reactivo 

Analizar las soluciones propuestas 

Elegir el nivel de detalle de las 

descomposiciones 



35

Técnicas: Sistemas Multiagentes 

Conjunto de 

Agentes 

Autónomos 

Inteligentes 

Tomar 

Iniciativas y 

Negociar 

Compartir 

Conocimiento 

Alcanzar 

Objetivos 

Comunes 



36


Pueden o no imbuirse como 

elementos físicos o virtuales 

Coordinación 

• Búsquedas entre pares 

• Los agentes son capaces de 

negociar cooperaciones 

Simulación de escenarios 

Desarrollar entornos modulares 

colaborativos 

Explorar posibles soluciones en 

paralelo y combinarlas 

• Permite incorporar sistemas de 

reputación 



37


REQUISITOS 

Establecer los objetivos comunes y 

enfrentados. 

Modelizar los mecanismos de 

comunicación y confianza. 

Crear distintos modelos de agentes. 

RESULTADOS 

Simulación de escenarios. 

Desarrollar entornos modulares 

colaborativos. 

Explorar posibles soluciones en paralelo y 

combinarlas. 



38


Datos Históricos 

Antes 

Después 

Predicción 

Antes 

______ 

Implantación 

APRENDIZAJE SUPERVISADO 


Caracterización 

Series 

Descripción 

Temporales 

Coocurrencias 


39 

Segmentación 

Asociaciones 

Grupos 

Características 

Temporales 

Coocurrencias 


APRENDIZAJE NO SUPERVISADO 


APRENDIZAJE NO SUPERVISADO


Atributos/Variables 

Perm Agua Material … Grosor Transmitancia Instalación 

RE 1500 Policarbonato … 30mm 0.6 W/m 2 K 32 h 

RE 750 Vidrio Templado … 10mm 0.7 W/m 2 K 20 h 

Instancias 

RE 1500 

Panel Sandwich … 40mm 0.4 W/m 2 K 36 h 

RE 750 

Composite … 15mm 0.7 W/m 2 K 24 h 

… … … … … … 

RE 1500 

Vidrio Templado … 5mm 0.8 W/m 2 K 6 h 

RE 1500 

Policarbonato … 12mm 0.5 W/m 2 K 18 h 

Variables Condición 

Variable Decisión 



40

Tipologías de Atributos 

Según su cardinalidad: 

• Continuos: Coste, temperatura, duración, … 

• Categóricos (discretos): Provincia, material, tipo, … 

• Ordinal: Calificación energética, fiabilidad, categorías, … 

Según su naturaleza: 

• Estructurado: 

• Semiestructurado: Texto descriptivo, normativas, informes, … 

• Diferentes modalidades: Imagen, video, audio, … 

Según su dependencias: 

• Series temporales: Consumos, temperaturas, 

• Grafos: Redes sociales, relaciones, jerarquías, … 

• Taxonómicos: Agrupaciones tipos y subtipos, … 



41

Machine Learning: Análisis de Asociación 

Reglas que identifican co-ocurrencias (eventos que aparecen habitualmente de forma conjunta). 

Interpretación: Causalidad débil o, al menos, correlación. 

Ejemplo paradigmático: Análisis de la cesta de la compra 

ID Bread Milk Diapers Beer Eggs Cola 

1 1 1 0 0 0 0 

2 1 0 1 1 1 0 

3 0 1 1 1 0 1 

4 1 1 1 1 0 0 

5 1 1 1 0 0 1 



42

Asociaciones en Series Temporales 

Patrones temporales que ocurren con 

cierta frecuencia. 

Identificación de Motifs (patrones temporales) 

Definición de patron “moderadamente 

flexible”. 

Relaciones temporales entre patrones 

SI ENTONCES 

frecuentes. 

Relación temporal también definida 

con una “cierta flexibilidad”. 



43

Variantes del Análisis de Asociaciones 

Asociaciones 

• Elementos que aparecen 

juntos 

Patrones de Secuencias 

• Elementos que aparecen 

juntos en intervalos de 

tiempos o secuencias 

temporales estables 

Secuencias Similares 

• Fenómenos similares a 

lo largo del tiempo 

Sin relación temporal 

Relación temporal fija 

Relación temporal variable 

Perfilado de Clientes, 

Filtrado Colaborativo y 

Sistemas de Recomendación 

Planificación de Stocks, 

Mantenimiento Preventivo y 

Control Automático 

Inspección Basada en 

Riesgos y Detección de 

Anomalías 



44

Aplicar el Análisis de Asociaciones 

REQUISITOS 

• Empaquetado de los datos: 

• Transacción + Lista de Items 

• Sequencias Temporales (continuas o 

discretas). 

• No es necesario indicar atributos como 

predictores o predichos y funciona con 

datos heterogéneos. 

• Volumen de datos relativamente elevado. 

• Es necesario determiner el soporte 

(frecuencia) minima de los patrones a 

buscar o el número de reglas. 

• Preprocesado habitual: 

• Jerarquización de elementos. 

• Tratamiento de series temoprales. 

• Muchas veces se usa como punto de 

comienzo cuando no se sabe exactamente 

que tipos de patrones buscar. 

• Los resultados son muy claros e 

interpretables, no obstante hay que 

distinguir entre las reglas que se ofrecen: 

• Triviales: Conocidos por todos o 

artefactos forzados en los datos. 

• Útiles: Desconocidos y actuables. 

• Inexplicables. 

Análisis 

Comparativ 

o entre 

Pares 

RESULTADOS 

Patrones 

Estacionales 

Patrones 

Geolocalizados 



45

Machine Learning: Segmentación 

Agrupación (clustering) de datos en segmentos (las instancias dentro de cada uno son similares 

entre sí y distintas de las instancias en otros segmentos). 

Interpretación: Grupos o subpoblaciones de datos similares. 

Ejemplo paradigmático: Segmentación de clientes 

Cliente Edad Género Estudio 

s 

Salario Estado Hijos 

1 37 M Sec. Medio Casad. 1 

2 26 F Univ. Bajo Solter. 0 

3 56 F Univ. Alto Divor. 1 

4 28 M FP Bajo Solter. 0 

5 49 F Sec Alto Casad. 3 

Retos: 

• Definición de “similitud”. 

• Importancia y escala de los atributos. 

• Comparación de atributos categóricos. 

• Equilibrado entre los segmentos: 

• Por tamaño 

• Por similitud / diferencia 

• … 



46

Diferentes Algoritmos de Segmentación 



47

Segmentación Jerárquica 

PROBLEMA: 

Determinación del número/tamaño/diferencia entre los 

segmentos. 



48

Machine Learning: Biclustering 

Segmentación simultánea en las instancias y en los atributos: 

• Dos instancias son similares si (todos/algunos) de sus atributos tienen valores parecidos. 

• Dos atributos son similares si (todos/algunos) de las instancias tienen valores parecidos. 

Ejemplo paradigmático: Selección musical en una fiesta 

APLICACIÓN: 

De forma combinada se sacan grupos de 

instancias y la caracterización de los grupos 

por atributos (aunque no es la major opción). 

Cuando los atributos son en realidad del 

“mismo tipo”: Preferencias sobre opciones de 

un producto. 

49 



Aplicar Técnicas de Segmentación 

REQUISITOS 

• No requiere suministrar el atributo de 

salida puesto que genera los segmentos 

que no se conocen de antemano. 

• Consideraciones sobre la medida de 

similitud. 

• Necesita aplicarse fijando: 

• Número máximo de segmentos. 

• Métrica mínima de similitud. 

• Número mínimo de elementos por 

segment (vs valores atípicos 

[outlayers]). 

RESULTADOS 

• Paso previo o instrumental para otras 

técnicas. 

• Herramienta descriptiva (explicativa) de los 

datos, pero no predictiva. 

• Visualización de resultados: 

• Técnicas de reducción de 

dimensionalidad. 

• Complica la explicabilidad de los 

resultados. 

50 



Machine Learning: Clasificación 

Encontrar las reglas que permiten conocer el valor del atributo decisión usando los valores del 

resto de atributos. 

Interpretación: (Combinación de) características que determinan el valor del atributo objetivo. 

Ejemplo paradigmático: Predicción de Compra/Deserción 

Cliente Edad Género Estudios Salari 

o 

Estado Hijos Compra 

1 37 M Sec. Medio Casad. 1 SÍ 

2 26 F Univ. Bajo Solter. 0 NO 

3 56 F Univ. Alto Divor. 1 SÍ 

4 28 M FP Bajo Solter. 0 NO 

5 49 F Sec Alto Casad. 3 NO 

Retos: 

• Naturaleza del atributo decisión. 

• Representatividad (calidad) de los datos 

disponibles. 

• ¿Cuándo se está seguro de que se tiene un buen 

modelo? 

51 



Entrenamiento vs. Inferencia 

Entrada 

Salida 

ENTRENAMIENTO 

Modelo 

… 

… 

INFERENCIA 

Predicción 

… 

… 



52

Regresión vs. Clasificación 

Predicción de una variable discreta 

Predicción de una variable continua 

Existen técnicas específicas para un problema u otro, pero hay 

muchas técnicas comunes que se basan en una definición del 

problema de una forma específica para convertir un problema 

de regresión en uno de clasificación. 

• Predecir la probabilidad de pertenecer a una clase (o tener 

un valor). 

• Cuando hay dos valores discretos predecirlos como +1 y -1 



53

Capacidad Descriptiva de los Modelos 

CLASIFICACIÓN 

REGRESIÓN 



54

Error en la Predicción Discreta 

Atributo Decisión es una variable Discreta 

Variable Única y 

Categórica 

Variable Única y 

Ordinal 

Multiples Variables 

(Categóricas) 

• Binaria (Sí/No) 

• Multiclase 

• Discretización 

• Multietiquetado 

Otras métricas: 

• Verosimilitud (logarítmica) 

• Brier’s Score 

Métricas específicas: 

• One-error 

• Recubrimiento 

• Pérdida de ranking 

• … 



55

Error en la Predicción Continua 

Atributo Decisión es una variable Continua 

Variable Continua 

• Regresión 

Error dependiente de la diferencia entre la magnitud real y la 

predicha: 

• De forma absoluta: Error cuadrático medio 

• De forma relativa: Coeficiente de determinación (R 2 ) 

• Criterio de información de Akaike (AIC) 

Los modelos de regresión se caracterizan por la familia de 

funciones que se utilizan para caracterizar el valor a predecir: 

56 



Error y Sobreajuste 

Validación 

Resulta esencial definer un criterio de 

validación de los datos que no esté 

sesgado. 

Requisitos: 

• Validación con conjuntos de datos 

multiples. 

• Datos no usados en el 

entrenamiento. 

• Representativos. 

• Con minima/nula varianza (a ser 

posible). 



57

Aplicar Técnicas de Clasificación 

REQUISITOS 

• Se basan en identificar claramente el 

atributo de decisión. ¿Qué se quiere 

predecir? 

• Diferenciar los datos disponibles para la 

predicción (no pueden ser datos 

derivados del atributo decisión). 

• Resulta fundamental la calidad de los 

datos, volume y representatividad de los 

mismos. 

• Puede apoyarse en: 

• Segmentación previa de datos. 

• Selección de atributos y reducción 

de dimensionalidad. 

• Generación de atributos derivados. 

• Ajuste de hiperparámetros. 

RESULTADOS 

• Capacidad de predicción (cuando el 

atributo decisión se desconoce y se 

quiere estimar). 

• Modelo con el cual se hace la inferencia. 

• Equilibrio entre: 

• Tiempo de entrenamiento. 

• Tiempo de inferencia. 

• Calidad del modelo (error). 

• Procesado (modo pipeline) de datos: 

58 



Librerías y Herramientas 



59

Diferencias entre Machine Learning y … 

Estadística 

Enfoques de estudios poblacionales 

• Está dirigida por una hipótesis. 

• No descubren patrones multivariante de forma natural. 

Reporting 

Elaboración de informes y gráficas 

• Paso preliminar o final para ML. 

• Permite entender y mostrar, pero no descubrir. 

Simulación 

Modelos de cálculo analítico 

• Requiere entender la mecánica del problema de partida. 

• Se complementan mutuamente. 



60

Técnicas: Optimización 

Conceptos 

• Espacio de búsqueda: Variables que definen 

potenciales soluciones al problema 

(dimensiones). 

• (Función) Objetivo: Métrica de calidad a 

maximizar o minimizar que permite evaluar 

una solución tentativa al problema (valores 

de las variables dimensión). 

• Restricciones: Condiciones que restringen 

determinadas configuraciones como 

soluciones tentativas válidas. 

Objetivo 

Ejemplos: 

• Composición de estructuras (número, grosor 

y material de paneles) que minimicen coste 

restringido a soportar una carga mecánica. 

• Parámetros de operación de una maquinaria 

(potencia, flujo de combustible, …) para 

minizar consume. 

Dimensiones 



61

Estructura del Espacio de Soluciones 

Optimización Continua 

• Número de variables fijas. 

• Variables numéricas. 

Optimización Combinatoria 

• Número de variables fijas. 

• Variables discretas. 

• Variantes: Combinaciones/Permutaciones. 

Optimización Programática 

• Espacio de soluciones con estructura variable. 

• Ejemplos: Listas de operaciones, árboles de expresiones, … un programa. 

Optimización Dinámica 

• La función objetivo varia con el tiempo. 

Optimización con Ruido 

• El cálculo de la función objetivo no es determinista (ruido o variación 

aleatoria). 



62

Técnicas: Optimización 

Optimización Analítica: 

• Función a optimizar conocida y “simple”. 

• Se requieren ciertas propiedades: Continua, derivable, … 

• Métodos de cálculo numérico: 

• Exactos. 

• Iterativos. 

• Basados en gradiente. 

Optimización “de Caja Negra”: 

• Metod estocástico de “prueba y error”. 

• No se asumen propiedades de la función objetivo. 

• Se basan en estrategias de búsqueda (heurística o 

metaheurística). 

• No aseguran optimalidad (best effort). 



63

Complejidad de la Búsqueda 

No descomponible 

• No se puede solucionar por componentes 

• Relaciones epistáticas entre las variables. 

“Deceptive” 

• El ascenso del gradiente nos aleja del óptimo. 

• Caso extremo de la epistasis. 

Aislamiento 

• La solución optima está rodeada por soluciones no factibles. 

• Las restricciones limitan el movimiento sobre el espacio de 

búsqueda. 

Multimodalidad 

• Rugosidad del espacio de búsqueda 

• Numerosos optimos locales 

Neutralidad 

• Multiples soluciones con el mismo valor objetivo 

• Limitada información para guiar la búsqueda. 

Dimensionalidad 

• Número y rango de las variables muy elevado 

• Limitación en el número de elementos a explorar. 

64 



Soluciones Basadas en Metaheurísticas 

Métodos Monosolución o de Trayectoria 

Búsqueda 

Tabu 

Recocido 

Simulado 

Búsquedas 

de 

Vecindario 

Variable 

Búsquedas 

de 

Vecindario 

Variable 

Métodos 

Multitrayectoria 

Quasi- 

Newtons 

Solis Wets 

Métodos Poblacionales 

Algoritmos 

Genéticos 

Algoritmos 

de 

Estimación 

de 

Distribucione 

s 

Evolución 

Diferencial 

Métodos Hibridos y Enfoques Avanzados 

Estrategias 

Evolutivas 

Colonias de 

Hormigas 

Métodos de 

Partículas 

… 

Algoritmos 

Meméticos 

Algoritmos 

de 

Descendenci 

a Múltiple 

Algoritmos 

Autoadaptativos 

Métodos de 

Reseteo 

Estrategias 

de Nichos 

Modelos 

Paralelos de 

Islas 

… 



65

Optimización Multiobjetivo 

Optimización de más de un objetivo de 

forma simultánea. 

• Los objetivos pueden ser contradictorios. 

• Es necesario encontrar soluciones de 

compromiso. 

• Suele no haber una solución única. 

• Concepto de soluciones dominadas y 

frente de Pareto. 

Estrategias: 

• Combinación de soluciones. 

• Prioridad entre soluciones. 

• Enfoques puramente multiobjetivo. 



66

Aplicar Técnicas de Optimización 

REQUISITOS 

• Definición del espacio de búsqueda: 

• Variables/dimenciones. 

• Rangos de valores para cada una. 

• Definición computable de la función 

objetivo. 

• Información o conocimiento sobre las 

propiedades de dicha función: 

• Inicialización de soluciones. 

• Criterios de factibilidad: 

• Restricciones. 

• Penalizaciones. 

• Corrección de soluciones. 

• Configuración (dentro del espacio de 

soluciones) que maximiza/minimiza la 

métrica de la función objetivo. 

• Entorno de optimización para otros 

problemas similares: 

• Familias de problemas. 

• Optimización dinámica. 

Optimización de 

Parámetros de 


Hibridación de 

Optimización y 

Búsqueda 

RESULTADOS 

Optimización de 

Simulaciones 

Modelos de 

Surrogados 

67 



Q & A 

PREGUNTAS

FR 

FABRIKAM RESIDENCES 

FIN DE SESIÓN 1 

Aquí tiene la grabación del la primera sesión del butic Workshop: Inteligencia Artificial aplicada a Ingeniería y Arquitectura

Síguenos en redes sociales 

butic The New School 

Madrid 

butic.es 

Dirección: C/ Juan Montalvo 9, local. 28040, Madrid 

Tfno y WhatsApp: (+34) 689 31 38 39 

Email: quieroserpro@butic.es 

Concierta aquí tu cita

Primera sesión butic Workshop - Inteligencia Artificial aplicada a la Ingeniería y la Arquitectura

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?