Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción

Abstract

El modelado matemático, la simulación, la visualización, la programación y la computación de alto rendimiento, propician el estudio de problemas que resultan muy complejos, demandantes de tiempo y espacio (en términos de memoria y almacenamiento), e incluso muy peligrosos por los riesgos humanos y/o ambientales que conllevan. Sin embargo, aún cuando la formulación del modelo y el algoritmo de implementación estén libres de errores, es muy difícil que el simulador ofrezca una salida fiel a la situación real que se desea representar dada la incertidumbre introducida tanto por las expresiones que pueden no responder a un modelo estrictamente matemático como por las limitaciones de la representación numérica inherente a la arquitectura del hardware subyacente. De esta manera, la reducción de incertidumbre constituye un proceso muy importante para lograr predicciones más precisas. Un problema concreto dentro de las limitaciones de los modelos suele estar relacionado con la gran cantidad de parámetros de entrada que deben manejar. Dichos parámetros suelen presentar algún tipo de incertidumbre debido a la imposibilidad de medirlos en tiempo real, y por lo tanto es común que deba recurrirse a la utilización de estimaciones producto de medidas indirectas. El proyecto aquí comentado propone el diseño y desarrollo de un método, basado en Algoritmos Evolutivos Paralelos, HPC y Estadística, para reducir la incertidumbre de los parámetros de entrada en procesos de predicción de propagación.