Sinergia de Probabilidades, Optimización y Aprendizaje Automático para la Toma de Decisiones: Propuesta Algorítmica
Palabras clave:
Toma de decisiones, Asignaci´on probabil´ıstica, Metaheur´ısticas, Transformer, SVDResumen
Este trabajo aborda el área de problemas de toma de decisiones en los que, en cada paso, un agente debe escoger una opción dentro de un conjunto finito—o incluso infinito numerable—de candidatos. Dado que las variantes exactas son NP-Completas, los métodos exhaustivos se vuelven inviables a gran escala. Se propone, por tanto, un marco de asignación probabilística: una función continua f : [0,1)→[0,n) transforma un número aleatorio uniforme en un índice, asignando a cada decisión una probabilidad ajustable. Los parámetros de f se optimizan con Particle Swarm Optimization (PSO). Cuando los parámetros estáticos no bastan, un Transformer, cuya entrada se reduce mediante SVD, genera parámetros dinámicos en función del estado actual. Palabras Clave: toma de decisiones, asignación probabilística, metaheurísticas, Transformer, SVD.
Descargas
Citas
[1] Ali, Yasser A., Emad Mahrous Awwad, Muna Al-Razgan y Ali Maarouf: Hyperparameter Search for Machine Learning Algorithms for Optimizing the Computational Complexity. Processes, 11(2), 2023, ISSN 2227-9717. https://www.mdpi.com/2227-9717/11/2/349.
[2] Bengio, Y., P. Simard y P. Frasconi: Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2):157–166, 1994. https://doi.org/10.1109/72.279181.
[3] Díaz-Morales, P., A. Corrochano, M. López-Martín y S. Le Clainche: Deep learning combined with singular value decomposition to reconstruct databases in fluid dynamics. Expert Systems with Applications, 238:121924, 2024, ISSN 0957-4174. https://www.sciencedirect.com/science/article/pii/S0957417423024260.
[4] Eckart, Carl y Gale Young: The Approximation of One Matrix by Another of Lower Rank. Psychometrika, 1(3):211–218, 1936. https://doi.org/10.1007/BF02288367.
[5] Elman, Jeffrey L.: Finding Structure in Time. Cognitive Science, 14(2):179–211, 1990. https://onlinelibrary.wiley.com/doi/abs/10.1207/s15516709cog1402_1.
[6] Goodfellow, Ian, Yoshua Bengio y Aaron Courville: Deep Learning. MIT Press, 2016. http://www.deeplearningbook.org.
[7] Horn, Roger A. y Charles R. Johnson: Matrix Analysis. Cambridge University Press, 2a edición, 2012. https://doi.org/10.1017/CBO9781139020411.
[8] Islam, Saidul, Hanae Elmekki, Ahmed Elsebai, Jamal Bentahar, Nagat Drawel, Gaith Rjoub y Witold Pedrycz: A comprehensive survey on applications of transformers for deep learning tasks. Expert Systems with Applications, 241:122666, 2024, ISSN 0957-4174. https://www.sciencedirect.com/science/article/pii/S0957417423031688.
[9] Kalita, Dhruba Jyoti, Vibhav Prakash Singh y Vinay Kumar: A lightweight knowledge-based PSO for SVM hyper-parameters tuning in a dynamic environment. The Journal of Supercomputing, 79(16):18777–18799, 2023, ISSN 1573-0484. https://doi.org/10.1007/s11227-023-05385-y.
[10] Kennedy, J. y R. Eberhart: Particle swarm optimization. En Proceedings of ICNN’95 - International Conference on Neural Networks, volumen 4, páginas 1942–1948 vol.4, 1995. https://doi.org/10.1109/ICNN.1995.488968.
[11] Lebesgue, H.: Intégrale, Longueur, Aire. Annali di Matematica Pura ed Applicata (1898-1922), 7, 1902. https://doi.org/10.1007/BF02420592.
[12] Li, Guanghui, Taihua Zhang, Chieh Yuan Tsai, Liguo Yao, Yao Lu y Jiao Tang: Review of the metaheuristic algorithms in applications: Visual analysis based on bibliometrics. Expert Systems with Applications, 255:124857, 2024, ISSN 0957-4174. https://www.sciencedirect.com/science/article/pii/S095741742401724X.
[13] Mienye, Ibomoiye Domor y Theo G. Swart: A Comprehensive Review of Deep Learning: Architectures, Recent Advances, and Applications. Information, 15(12), 2024, ISSN 2078-2489. https://www.mdpi.com/2078-2489/15/12/755.
[14] Rajwar, Kanchan, Kusum Deep y Swagatam Das: An exhaustive review of the metaheuristic algorithms for search and optimization: taxonomy, applications, and open challenges. Artificial Intelligence Review, 56(11):13187–13257, 2023, ISSN 1573-7462. https://doi.org/10.1007/s10462-023-10470-y.
[15] Rumelhart, David E., Geoffrey E. Hinton y Ronald J. Williams: Learning representations by back-propagating errors. Nature, 323, 1986. https://doi.org/10.1038/323533a0.
[16] Sörensen, Kenneth: Metaheuristics-the metaphor exposed. International Transactions in Operational Research, 22(1):3–18, 2015. https://onlinelibrary.wiley.com/doi/abs/10.1111/itor.12001.
[17] Takakura, Shokichi y Taiji Suzuki: Approximation and Estimation Ability of Transformers for Sequence-to-Sequence Functions with Infinite Dimensional Input. En Krause, Andreas, Emma Brunskill, Kyunghyun Cho, Barbara Engelhardt, Sivan Sabato y Jonathan Scarlett (editores): Proceedings of the 40th International Conference on Machine Learning, volumen 202 de Proceedings of Machine Learning Research, páginas 33416–33447. PMLR, 23–29 Jul 2023. https://proceedings.mlr.press/v202/takakura23a.html.
[18] Vaswani, A., N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A.N. Gomez, L. Kaiser y I. Polosukhin: Attention Is All You Need, 2023. https://arxiv.org/abs/1706.03762.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Enzo Rojas D´ Toste, Aym´ee de los Ángeles Marrero Severo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.
