Proyectos

El desarrollo de métodos de optimización metaheurísticos centrados en la incorporación de operadores de búsqueda novedosos, así como en la hibridación estratégica de algoritmos existentes para mejorar el equilibrio entre exploración y explotación. Esta propuesta busca ir más allá de las estructuras tradicionales, integrando mecanismos inspirados en trayectorias adaptativas, estructuras poblacionales heterogéneas, y esquemas de cooperación entre agentes. Asimismo, se contempla la combinación de estas técnicas con enfoques provenientes de otras disciplinas, particularmente el aprendizaje automático, para dotar a los algoritmos de capacidades de adaptación, predicción y autoajuste dinámico. Ejemplos 1, 2, 3.

Aplicación de métodos metaheurísticos

Aplicar métodos de optimización metaheurísticos a diversas áreas del conocimiento, con especial énfasis en el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning). Dado que muchos de estos modelos implican procesos de entrenamiento intensivos y la calibración de múltiples hiperparámetros, los algoritmos metaheurísticos ofrecen una alternativa eficaz frente a métodos tradicionales de ajuste, especialmente en espacios de búsqueda complejos, no lineales o con múltiples óptimos locales. La propuesta contempla el uso de técnicas como algoritmos evolutivos, enjambre de partículas para optimizar arquitecturas de redes neuronales, seleccionar subconjuntos de características, ajustar funciones de activación, o mejorar criterios de parada. Asimismo, se considera la aplicación en la búsqueda de estructuras eficientes de redes profundas (neural architecture search), lo que puede conducir al diseño de modelos más precisos, robustos y con menor costo computacional. Ejemplos 1, 2, 3.

Modelos basados en agentes

El desarrollo de modelos basados en agentes tanto como estrategia de búsqueda dentro de algoritmos metaheurísticos y como herramienta de simulación para representar fenómenos complejos difíciles de modelar mediante métodos tradicionales. Diseñar agentes inteligentes con comportamientos adaptativos que guíen el proceso de optimización, permitiendo una exploración más dinámica y colaborativa del espacio de soluciones. Estos agentes pueden incorporar reglas de comportamiento inspiradas en la naturaleza, aprendizaje autónomo o interacción social, con el fin de mejorar la eficiencia y diversidad de la búsqueda metaheurística. El diseño de modelos multiagente para simular sistemas heterogéneos y de alta incertidumbre, como la propagación de inundaciones en entornos urbanos, el comportamiento del tráfico vehicular, la dispersión de contaminantes o la evaluación de riesgo en escenarios complejos. Ejemplos 1, 2, 3. 4

Procesamiento de imagen y Visión artificial

El desarrollo de algoritmos avanzados de procesamiento de imágenes enfocados en tareas fundamentales tales como la segmentación, detección y mejora de calidad visual. Se plantea una integración estratégica de técnicas provenientes del aprendizaje automático (machine learning), aprendizaje profundo (deep learning), algoritmos metaheurísticos y modelos basados en agentes. Se considera la capacidad de redes neuronales profundas para extraer características discriminativas, complementándolas con algoritmos metaheurísticos que optimicen umbrales, funciones de energía, estructuras de red o configuraciones de preprocesamiento. Asimismo, se incorporarán modelos basados en agentes para simular comportamientos emergentes que permitan detectar regiones homogéneas o dinámicas espaciales complejas, mejorando la adaptabilidad del sistema a imágenes ruidosas, de baja resolución o con estructuras poco definidas. Esta sinergia entre enfoques permitirá el desarrollo de herramientas robustas y eficientes, aplicables en contextos como análisis médico, vigilancia, visión industrial y monitoreo ambiental, donde la precisión y resiliencia de los métodos de procesamiento de imagen son fundamentales. Ejemplos 1, 2, 3, 4.

Diseño de motores eléctricos con técnicas de optimización metaheurística

El diseño de motores eléctricos mediante el uso de métodos de optimización metaheurística, con el fin de obtener configuraciones que maximicen el desempeño en términos de torque, eficiencia y bajo consumo energético. Este proceso implica la modificación de aspectos estructurales y geométricos del motor, como la forma del estator y el rotor, la disposición y número de ranuras, el tipo de bobinado, así como parámetros eléctricos y magnéticos. A través de algoritmos metaheurísticos como optimización por enjambre de partículas, algoritmos genéticos o búsqueda basada en trayectoria, se exploran de manera eficiente grandes espacios de diseño no lineales y multimodales, permitiendo identificar soluciones óptimas o cercanas al óptimo. Además, el proceso puede incorporar simulaciones electromagnéticas y térmicas en el ciclo de evaluación para asegurar que las soluciones encontradas sean viables tanto en rendimiento como en robustez operativa. Este enfoque permite acelerar el proceso de diseño, reducir la necesidad de prototipos físicos y generar motores personalizados para distintas aplicaciones, como vehículos eléctricos, robótica industrial o sistemas de generación distribuida. Ejemplos 1.

Diseño y modificación de algoritmos de machine learning y deep learning

El diseño y modificación de algoritmos de machine learning y deep learning con el propósito de mejorar su capacidad de generalización, eficiencia computacional y adaptabilidad a distintos tipos de datos y problemas. Se considera ajustar y rediseñar arquitecturas existentes —como redes neuronales convolucionales, recurrentes o transformadores— así como desarrollar nuevos esquemas de entrenamiento, regularización y selección de características. Se considera la exploración de funciones de activación no convencionales, estrategias de inicialización, mecanismos de atención y estructuras híbridas que combinen múltiples paradigmas de aprendizaje. Se explora también la incorporación de métodos de optimización metaheurística para la sintonización automática de hiperparámetros y la selección estructural de modelos, permitiendo reducir la intervención manual y aumentar la eficiencia en entornos complejos. Este enfoque integral busca no solo mejorar el rendimiento predictivo de los modelos, sino también hacerlos más interpretables, robustos frente a ruido y escalables a grandes volúmenes de datos, con aplicaciones en visión por computadora, procesamiento de lenguaje natural, análisis de series temporales y sistemas inteligentes de apoyo a la decisión. Ejemplos 1, 2,

Generación de texto y procesamiento de lenguaje natural

El diseño de nuevos algoritmos de texto generativo mediante el refinamiento de modelos de lenguaje del tipo GPT, utilizando como base un corpus cuidadosamente seleccionado de textos de un autor específico con el objetivo de emular su estilo distintivo en la generación de contenido. Este proceso implica una fase de curación del corpus que asegure la representatividad del vocabulario, estructuras sintácticas, temas recurrentes y matices estilísticos del autor. Posteriormente, se aplicarán técnicas de fine-tuning sobre modelos preentrenados de lenguaje, ajustando sus pesos a partir de ejemplos del corpus para que internalicen patrones característicos del autor, como el tono narrativo, la densidad léxica, la cadencia del discurso y las preferencias temáticas. Además, se explorará el uso de estrategias de control en la generación, como prompt engineering y modelos condicionados, para orientar la producción textual hacia géneros o contextos específicos. El resultado esperado es un generador capaz de producir textos coherentes, estilísticamente consistentes y fieles a la voz literaria del autor original, con aplicaciones en literatura, humanidades digitales, enseñanza de la escritura y preservación de estilos discursivos. Ejemplos 1, 2,3.

Me interesa

Proyectos

Investigación