| Data: |
2026 |
| Resum: |
L'optimització s'ha convertit en una pedra angular del High-Performance Computing (HPC) i de la ciència computacional moderna, permetent la resolució eficient de problemes cada vegada més complexos i de gran escala. A mesura que els sistemes complexos, com ara models de simulació, xarxes logístiques o marcs de gestió operativa, augmenten en dimensionalitat i incertesa, per example en incorporar un major nombre de variables de decisió, els mètodes deterministes o de cerca exhaustiva sovint esdevenen computacionalment inviables. En aquest context, els enfocaments heurístics i metaheurístics han emergit com a estratègies flexibles, adaptatives i en evolució, capaces d'oferir solucions d'alta qualitat en temps de càlcul raonables. Aquests mètodes no pretenen garantir l'òptim absolut, sinó apropar-s'hi de manera eficient, equilibrant l'exploració i l'explotació en espais de cerca amplis i irregulars. Aquesta recerca doctoral presenta el desenvolupament d'una metodologia heurística, anomenada Montecarlo Clustering Search Algorithm (MCSA), dissenyada per abordar problemes d'optimització combinatòria multiobjectiu en condicions realistes. La metodologia proposada integra dos mecanismes complementaris: - el mostreig Montecarlo, que realitza una exploració global i estocàstica de l'espai de solucions, i - el refinament basat en clustering, que identifica regions prometedores i guia la cerca cap a millors solucions mitjançant una explotació iterativa. A partir d'aquesta idea senzilla però potent, mostrejar i agrupar, la metodologia evoluciona fins a convertir-se en un marc d'optimització versàtil, capaç de tractar problemes d'alta dimensionalitat i naturalesa heterogènia. El seu rendiment ha estat validat mitjançant funcions matemàtiques benchmark, demostrant la seva fiabilitat i adaptabilitat en diferents paisatges d'optimització. Finalment, la metodologia s'ha integrat amb un model de simulació d'un Servei d'Urgències Hospitalàries (SUH), permetent que l'algorisme avaluï l'impacte real de cada configuració sota condicions operatives variables. Aquesta integració posa de manifest la seva aplicabilitat pràctica, robustesa i transferibilitat a entorns reals de presa de decisions. En conjunt, aquest treball aporta una metodologia d'optimització generalitzable i interpretable que connecta l'exploració teòrica amb l'aplicació real, avançant en el paper de les heurístiques en l'optimització orientada a HPC i en l'anàlisi de sistemes complexos. |
| Resum: |
La optimización se ha convertido en una piedra angular del High-Performance Computing (HPC) y de la ciencia computacional moderna, permitiendo la resolución eficiente de problemas cada vez más complejos y de gran escala. A medida que los sistemas complejos, tales como modelos de simulación, redes logísticas o de gestión operativa, aumentan en dimensionalidad e incertidumbre, por ejemplo al incorporar más variables de decisión, los métodos deterministas o de búsqueda exhaustiva suelen volverse computacionalmente inviables. En este contexto, los enfoques heurísticos y metaheurísticos han emergido como estrategias flexibles, adaptativas y en constante evolución, capaces de proporcionar soluciones de alta calidad en tiempos de cómputo razonables. Estos métodos no buscan garantizar el óptimo absoluto, sino aproximarlo de manera eficiente, equilibrando exploración y explotación en espacios de búsqueda amplios e irregulares. Esta investigación doctoral presenta el desarrollo de una metodología heurística denominada Montecarlo Clustering Search Algorithm (MCSA), diseñada para abordar problemas de optimización combinatoria multiobjetivo en condiciones realistas. La metodología propuesta integra dos mecanismos complementarios: - el muestreo Montecarlo, que realiza una exploración global y estocástica del espacio de soluciones, y - el refinamiento basado en clustering, que identifica regiones prometedoras y orienta la búsqueda hacia mejores soluciones mediante una explotación iterativa. A partir de esta idea sencilla pero potente, muestrear y agrupar, la metodología evoluciona hasta convertirse en un marco de optimización versátil, capaz de abordar problemas de alta dimensionalidad y naturaleza heterogénea. Su rendimiento fue validado mediante funciones matemáticas benchmark, demostrando su fiabilidad y adaptabilidad a distintos paisajes de optimización. Finalmente, la metodología se integró con un modelo de simulación de un Servicio de Urgencias Hospitalarias (SUH), lo que permitió que el algoritmo evaluara el impacto real de cada configuración bajo condiciones operativas variables. Esta integración pone de manifiesto su aplicabilidad práctica, robustez y transferibilidad a entornos reales de toma de decisiones. En conjunto, este trabajo aporta una metodología de optimización generalizable e interpretable que conecta la exploración teórica con la aplicación real, avanzando en el papel de las heurísticas en la optimización orientada a HPC y en el análisis de sistemas complejos. |
| Resum: |
Optimization has become a cornerstone of High-Performance Computing (HPC) and modern computational science, enabling the effcient resolution of increasingly complex and large-scale problems. As complex systems, such as simulation models, logistic networks, or operational management frameworks, grow in dimensionality and uncertainty, for instance by incorporating additional decision variables, traditional deterministic or exhaustive search methods often become computationally infeasible. In this context, heuristic and metaheuristic approaches have emerged as flexible, adaptive, and evolving strategies capable of providing high-quality solutions within reasonable computational times. These methods do not aim to guarantee the absolute optimum but to approximate it effciently by balancing exploration and exploitation in vast and irregular search spaces. This doctoral research presents the development of a heuristic methodology Montecarlo Clustering Search Algorithm (MCSA) designed to address multiobjective combinatorial optimization problems under realistic conditions. The proposed approach integrates two complementary mechanisms: - Montecarlo sampling, which performs a global and stochastic exploration of the solution space, and - clustering-based refinement, which identifies promising regions and guides the search toward better solutions through iterative exploitation. Starting from this simple yet powerful idea, sampling and grouping, the methodology evolves into a versatile optimization framework capable of handling high-dimensional and heterogeneous problems. Its performance was validated through benchmark mathematical functions, demonstrating its reliability and adaptability across different optimization landscapes. Finally, the methodology was integrated with a simulation model of an Emergency Department (ED), allowing the algorithm to evaluate the real impact of each configuration under variable operational conditions. This integration highlights the practical applicability, robustness, and transferability of the proposed framework to real-world decision-making environments. Overall, this work contributes a generalizable and interpretable optimization methodology that bridges the gap between theoretical exploration and real-world application, advancing the role of heuristics in HPC-oriented optimization and complex system analysis. |
| Nota: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Informàtica. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Castellà |
| Document: |
Tesi doctoral ; Text ; Versió publicada |
| Matèria: |
Optimització ;
Optimization ;
Optimización ;
Heurística ;
Heuristics ;
Algoritmes ;
Algorithms ;
Algoritmos ;
Tecnologies |
visitant ::
identificació
