{"id":62,"date":"2020-09-16T17:03:47","date_gmt":"2020-09-16T17:03:47","guid":{"rendered":"http:\/\/grupo.us.es\/fqm331\/grupo\/?page_id=62"},"modified":"2024-10-15T09:35:28","modified_gmt":"2024-10-15T09:35:28","slug":"lineas-de-investigacion","status":"publish","type":"page","link":"https:\/\/grupo.us.es\/fqm331\/lineas-de-investigacion\/","title":{"rendered":"L\u00edneas de investigaci\u00f3n"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

L\u00edneas de investigaci\u00f3n<\/h1>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\n\t\t\t\t\t\t<\/span>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Aprendizaje autom\u00e1tico y ciencia de datos mediante programaci\u00f3n matem\u00e1tica<\/span><\/b><\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Los avances de la \u00faltima d\u00e9cada en las herramientas de resoluci\u00f3n de problemas de Optimizaci\u00f3n Matem\u00e1tica de diversa naturaleza, y sus implementaciones en los solvers de optimizaci\u00f3n comercial han abierto m\u00faltiples posibilidades con respecto a su aplicaci\u00f3n en la Ciencia de Datos moderna. Algunas de las t\u00e9cnicas de Machine Learning m\u00e1s usadas actualmente para dise\u00f1ar reglas de clasificaci\u00f3n supervisada o no supervisada est\u00e1n basadas en modelos de optimizaci\u00f3n. Uno de los principales retos que nos planteamos es la incorporaci\u00f3n de elementos que refuercen estas herramientas para una aplicaci\u00f3n m\u00e1s precisa y adaptada a las bases de datos complejas con las que es necesario trabajar en la actualidad. Este objetivo es ambicioso, pues supone, por un lado, tratar con modelos de Optimizaci\u00f3n avanzados, usualmente de dif\u00edcil resoluci\u00f3n, as\u00ed como el uso de base de datos de gran tama\u00f1o o con informaci\u00f3n relacional, en forma de red, que debe incorporarse a los modelos a desarrollar. Algunas de las l\u00edneas actuales de trabajo son: dise\u00f1o de herramientas robustas para el ajuste de uno o m\u00e1s hiperplanos en problemas de regresi\u00f3n lineal, uso de distintas m\u00e9tricas en modelos de clasificaci\u00f3n basados en Support Vector Machines, an\u00e1lisis de estrategias de clasificaci\u00f3n basadas en arreglos de hiperpanos, selecci\u00f3n de variables en modelos de clasificaci\u00f3n, m\u00e9todos kernel-free para la detecci\u00f3n de outliers, modelos para la categorizaci\u00f3n de variables en clasificaci\u00f3n supervisada, y familias de m\u00e9todos robustos de clasificaci\u00f3n para informaci\u00f3n no fiable.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Aproximaci\u00f3n de distribuciones<\/b><\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Es bien sabido que en la pr\u00e1ctica estad\u00edstica y en el c\u00e1lculo de probabilidades no siempre es posible calcular distribuciones exactas de los estad\u00edsticos o variables aleatorias implicadas, bien por desconocimiento de las mismas o bien por la complejidad computacional que supondr\u00eda un c\u00e1lculo exacto. Por este motivo es importante el uso de aproximaciones. En el estudio de las aproximaciones son de particular inter\u00e9s tanto el estudio te\u00f3rico de las mismas para determinar su comportamiento y determinar a priori la precisi\u00f3n de las mismas para la mayor parte de las situaciones de inter\u00e9s as\u00ed como la implementaci\u00f3n de algoritmos para su obtenci\u00f3n.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

M\u00e9todos de la IA en Probabilidad y Estad\u00edstica Matem\u00e1tica<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Hoy en d\u00eda existe una profusi\u00f3n de m\u00e9todos bajo la denominaci\u00f3n IA (Artificial Intelligence), algunos de los cu\u00e1les son variantes o reescritura de m\u00e9todos anteriormente conocidos pero que han adquirido especial relevancia por las exitosas aplicaciones de la IA a diversas \u00e1reas de la ciencia y la tecnolog\u00eda. En esta l\u00ednea de investigaci\u00f3n, proponemos utilizar esta nueva \u00f3ptica para enfocar diversos problemas que aporta la IA a la resoluci\u00f3n de ciertos problemas, principalmente de optimizaci\u00f3n en probabilidad y estad\u00edstica donde la forma funcional de la funci\u00f3n objetivo no pueda ser escrita expl\u00edcitamente, pero cuyo c\u00e1lculo pueda ser obtenido mediante relaciones de propagaci\u00f3n a trav\u00e9s de un grafo de un modo similar a como funciona una red neuronal.\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Optimization in Image Reconstruction using Electron Tomography<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Electron Tomography (ET) is a well-known technique widely used for reconstructing 3D structures from tilt series of 2D-projections of a sample. ET has become the primary imaging tool in Materials Science for the reconstruction of 3D materials measured at the nanometer (nm) scale. Nowadays, the rapid advances in Nanoscience and Nanotechnologies are providing new nanomaterials with a wide range of applications in environmental protection, new green energy sources, photonics and catalysis, among others. The usefulness of these new materials strongly depends on the ability of controlling their structure and morphology at the nm scale, given that many of their physical and chemical properties are highly dependent on the shapes exhibited by their components. In this regard, ET has become a powerful tool to rationalize the materials properties in 3D, see Midgley and Dunin-Borkowski (2009); Nicoletti et al. (2013). The projections recorded in ET are inputs used in the reconstruction of a given volume. To avoid this deleterious effect, produce by the electron beams, to obtain each projection, the number of projections is often limited during the experiment, which may also result in a reduction of the reconstruction quality. In this context, the efforts in ET have aimed not only at improving the reliability of the information recorded by microscopes. In this regard, most recent methods are based on so-called Compressed Sensing. In particular, algorithms aiming at Total Variation Minimization (TVM) have proven to be very efficient (Li et al., 2013; Goris et al., 2012; Luo et al., 2018). Our goal in this application, is to propose a reconstruction optimization model based on the TVM paradigm but using different norms to obtain better reconstruction with a lower number of projections. For this reason, the alternative optimization models taking into account total variation should be proposed and efficient algorithms to obtain good solutions with smaller number of projections are demanded. After an image is reconstructed, image segmentation process should be carried out to identify particles or elements in this image. The goal of segmentation is to simplify and\/or change the representation of an image into something that is more meaningful and easier to analyze. Image segmentation is typically used to locate objects and boundaries (lines, curves, etc.) in images. More precisely, image segmentation is the process of assigning a label to every pixel in an image such that pixels with the same label share certain characteristics. Therefore, the segmentation process implies a deep clustering analysis of the image under study. A selection of suitable criteria for the correct segmentation that allow the researcher to identify the particles under study. We will propose robust criteria that allow us to obtain a flexible, high-quality segmentation that can be adapted to different types of experiments. Since the number of pixels considered in the image is huge, the goal is that the resulting optimization problem is manageable and also the solution method proposed should be efficient producing high-quality segmentation in a reasonable time.\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Complex Network Optimization and Analysis<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

The integration of the tools applied to the optimization and network design problems on complex networks with those coming from artificial intelligence is an important challenge. So far, each of these areas has been developed independently, but the size and complexity of the available information nowadays demands new methodologies for their analysis. For this aim, a new methodological paradigm to solve combinatorial optimization problems will be introduced. The cornerstone of the paradigm is mathematical programming (MP) (and math-heuristics specifically) complemented by techniques from artificial intelligence, such as constraint programming and machine learning, which will enhance the MP capability to work with substructures and to learn from data. The main idea behind the paradigm is the decomposition of a problem through the (explicit and implicit) identification of suitable subproblems. Revolutionizing both the way subproblems are constructed and the way promising variables (i.e., variables that will be selected in the optimal solution of the problem) are identified, if successful, would represent a real breakthrough for tackling complex combinatorial optimization problems via their mathematical formulation. Among others, this we focus on the analysis of challenging applications in automatic design of pipeline networks, bilevel (hierarchical) infrastructure models and transportation of goods and people.\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Decomposition methods in Combinatorial Optimization<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Some Operations Research models might have a huge number of variables and\/or constraints. For this reason, during last decades decomposition methods have been considered as an important tool. Benders\u2019 decomposition lets us manage a big number of constraints, while column generation is a good option to solve models with many variables as it occurs with set partitioning formulations, for instance. In both cases, the task is even harder when binary or integer variables appear. The good handling of the solvers that nowadays are available lets us develop complex mathematical procedures to solve difficult and interesting problems. This is the case of the branch-and-price or the branch-price-and-cut algorithms which have been used successfully to solve data analysis or location problems.\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Problemas de localizaci\u00f3n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

De forma general, un problema de localizaci\u00f3n consiste en determinar la posici\u00f3n de uno o m\u00e1s servidores que optimicen alguna medida de efectividad con respecto a un conjunto de puntos de demanda (usualmente tambi\u00e9n es necesario establecer la asignaci\u00f3n de los puntos de demanda a los centros de servicios seleccionados). La teor\u00eda de la localizaci\u00f3n es una disciplina con entidad propia que se enmarca en el \u00e1mbito de las matem\u00e1ticas, aunque mantiene v\u00ednculos importantes desde su origen con otras disciplinas como la ingenier\u00eda, la econom\u00eda y en particular con la localizaci\u00f3n industrial. Cabe resaltar la variedad de contextos en los que se presentan aplicaciones para los distintos tipos de problemas de localizaci\u00f3n, as\u00ed como las implicaciones econ\u00f3micas para el adecuado funcionamiento de las organizaciones que las decisiones sobre ubicaciones de sus centros de servicios pueden tener. Decisiones que pueden ser tanto de tipo estrat\u00e9gico, como la localizaci\u00f3n de servicios de emergencias, aeropuertos, colegios, l\u00edneas de metro, centros de distribuci\u00f3n, vertederos, etc., como operacional, como el n\u00famero y tama\u00f1o de los servicios a ubicar, la asignaci\u00f3n de clientes a centros de servicio, dise\u00f1o de rutas, compra de veh\u00edculos de reparto, etc.\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Tomograf\u00eda y programaci\u00f3n matem\u00e1tica<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

El proceso de reconstrucci\u00f3n de part\u00edculas mediante la implementaci\u00f3n de modelos matem\u00e1ticos de optimizaci\u00f3n, a partir de im\u00e1genes obtenidas cuando haces de electrones emitidos por un microscopio atraviesa dicha part\u00edcula, es denominado Tomograf\u00eda electr\u00f3nica. En los \u00faltimos a\u00f1os, se ha producido un importante desarrollo de modelos matem\u00e1ticos para reconstruir objetos de tama\u00f1o nanom\u00e9trico dentro de la Tomograf\u00eda electr\u00f3nica. Los datos de entrada en dichos modelos de reconstrucci\u00f3n reciben el nombre de proyecciones, las cuales son im\u00e1genes bidimensionales obtenidas a partir de la part\u00edcula tridimensional que se desea reconstruir digitalmente, la cual es atravesada por haces de electrones emitidos por un microscopio desde diferentes \u00e1ngulos de inclinaci\u00f3n. El principio f\u00edsico de la tomograf\u00eda fue propuesto por el matem\u00e1tico austriaco Johann Radon, demostrando en Radon (1917) que la imagen tridimensional de un objeto se poda reconstruir a partir de un numero infinito de proyecciones bidimensionales. En los a\u00f1os setenta, el f\u00edsico ingl\u00e9s llamado Godfrey Hounseld trabajo desarrollando un corte tomogr\u00e1fico sectorial sobre la cabeza de un ser humano, convirti\u00e9ndose en el creador de un prototipo de tomograf\u00eda computerizada aplicable a la medicina, lo que le supuso en 1979 el Nobel de Medicina. A partir de aqu\u00ed, la tomograf\u00eda computerizada protagoniz\u00f3 un gran desarrollo\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Secuenciaci\u00f3n<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Una de las etapas a considerar dentro de la llamada\ngesti\u00f3n de la cadena de suministro, <\/i>o Supply Chain Management <\/i>en\ningl\u00e9s, es la programaci\u00f3n de la producci\u00f3n. A su vez, dentro de la\nprogramaci\u00f3n de la producci\u00f3n, la secuenciaci\u00f3n de m\u00e1quinas que trabajan\nen paralelo en un mismo taller es un\nproblema de suma importancia, no solo a nivel acad\u00e9mico sino tambi\u00e9n en\nel mundo empresarial. Esos problemas surgen para encontrar la mejor\nmanera de organizar las tareas con el objetivo de optimizar un cierto\nobjetivo. Adem\u00e1s, en los \u00faltimos a\u00f1os est\u00e1 tomando\nuna mayor importancia aquellos trabajos de secuenciaci\u00f3n en los que,\nadem\u00e1s de las m\u00e1quinas que procesan los trabajos, es necesario contar\ncon personal cualificado para manejar dichas m\u00e1quinas, lo cual a\u00f1ade no\nsolo realismo, sino tambi\u00e9n complejidad a los\nproblemas tratados.\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Optimizaci\u00f3n Matem\u00e1tica para el An\u00e1lisis de Redes de Reacciones Qu\u00edmicas y sus implicaciones en el Origen de la Vida<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Las redes de reacciones qu\u00edmicas (CRN, por sus siglas en ingl\u00e9s) son un marco general para describir sistemas complejos donde entidades (especies) de diversos tipos interact\u00faan (reaccionan) y se transforman en otras entidades (especies). Matem\u00e1ticamente, las CRN se pueden identificar con multi-hipergrafos dirigidos, cuyo estudio implica una alta complejidad computacional en relaci\u00f3n a los grafos est\u00e1ndar. El an\u00e1lisis de CRN implica diversos retos en distintas disciplinas cient\u00edficas, como la bioqu\u00edmica, la ecolog\u00eda, la econom\u00eda, as\u00ed como en aquellas relacionadas con el Origen de la Vida. Los v\u00e9rtices y los hiperarcos en una CRN se denominan especies y reacciones, respectivamente, y toman la interpretaci\u00f3n de mol\u00e9culas y reacciones en qu\u00edmica; organismos e interacciones en ecolog\u00eda; as\u00ed como bienes e industrias en econom\u00eda. Para comprender los or\u00edgenes de la vida, las CRN se emplean para comprender la transici\u00f3n de la qu\u00edmica a la biolog\u00eda. Algunas de las l\u00edneas de trabajo en este grupo comprenden la formalizaci\u00f3n de la noci\u00f3n de autocat\u00e1lisis, como elemento crucial en el estudio de peque\u00f1os conjuntos de especies y reacciones autoproducidas, y que podr\u00edan ser la explicaci\u00f3n al Origen de la Vida. Algunas de las contribuciones de este grupo a esta tem\u00e1tica son: el dise\u00f1o de algoritmos basados en modelos de Optimizaci\u00f3n Matem\u00e1tica para la generaci\u00f3n de subredes autocatal\u00edticas minerales de una CRN, detecci\u00f3n de subredes con alta tasa de crecimiento, o construcci\u00f3n de redes autocatal\u00edticas kineticamente factibles.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Fundamentos Matem\u00e1ticos de la Optimizaci\u00f3n C\u00f3nica<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t
La importancia de la Optimizaci\u00f3n C\u00f3nica ha sido m\u00e1s que probada en la \u00faltima d\u00e9cada, por la gran cantidad de aplicaciones en distintas \u00e1reas, desde la Log\u00edstica al Machine Learning. La extensi\u00f3n natural de los problemas de Programaci\u00f3n Lineal definidos sobre el cono ortante positivo a otros conos (como el cono semidefinido o el cono de Lorentz) ha implicado una serie de retos, que van desde el dise\u00f1o de barreras para estos conos, como a la representaci\u00f3n de conos m\u00e1s generales en base a estos. Este grupo viene implicado en el estudio de estos problemas desde hace a\u00f1os, motivado por la incorporaci\u00f3n de estos conos en diversos problemas relacionados con la Localizaci\u00f3n o el Machine Learning. En concreto, el grupo ha realizado aportaciones en la representaci\u00f3n de conos de orden p y generalizados a trav\u00e9s de conos SOC, as\u00ed como la detecci\u00f3n de representaciones como sumas de cuadrados de circuitos en problemas de optimizaci\u00f3n polinomios, facilitando su resoluci\u00f3n como problema sobre el cono de las matrices semidefinidas (SDP). El grupo ha introducido el concepto de Mediated Graph como elemento conector entre la herramientas de optimizaci\u00f3n c\u00f3nica continua y las herramientas de optimizaci\u00f3n lineal entera, lo que permite establecer un paralelismo computacional entre ambas ramas de la Optimizaci\u00f3n Matem\u00e1tica.<\/div>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Optimizaci\u00f3n Matem\u00e1tica y Cambio Energ\u00e9tico<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t
La descarbonizaci\u00f3n de la energ\u00eda se ha convertido en una prioridad global cr\u00edtica en los \u00faltimos a\u00f1os debido a la urgente necesidad de combatir el cambio clim\u00e1tico. La mayor\u00eda de las organizaciones mundiales han reconocido la importancia de la transici\u00f3n a fuentes de energ\u00eda m\u00e1s limpias y sostenibles en los pr\u00f3ximos a\u00f1os para reducir las emisiones de gases de efecto invernadero. Se han firmado diferentes acuerdos para promover este cambio. En concreto, las Naciones Unidas, a trav\u00e9s de sus Objetivos de Desarrollo Sostenible, ha establecido diferentes metas para garantizar una energ\u00eda asequible, fiable, sostenible y moderna para 2030. La Agencia Internacional de la Energ\u00eda (AIE) ha promovido activamente los esfuerzos de descarbonizaci\u00f3n proporcionando recomendaciones de pol\u00edticas, realizando investigaciones y facilitando la cooperaci\u00f3n internacional. Adem\u00e1s, el Grupo Intergubernamental de Expertos sobre el Cambio Clim\u00e1tico (IPCC) ha sido fundamental para evaluar los impactos del cambio clim\u00e1tico y destacar la importancia de descarbonizar el sector energ\u00e9tico. En 2019, la Comisi\u00f3n Europea present\u00f3 el Pacto Verde Europeo (EGD), la hoja de ruta que Europa debe seguir para la implementaci\u00f3n de las Agendas de Desarrollo Sostenible de las Naciones Unidas para 2030 y 2050, dise\u00f1adas para mitigar los efectos del cambio clim\u00e1tico. Estas organizaciones han tomado diversas medidas, entre ellas abogar por inversiones en energ\u00edas renovables, promover la eficiencia energ\u00e9tica, fomentar el uso de veh\u00edculos el\u00e9ctricos y apoyar el desarrollo de tecnolog\u00edas innovadoras como la captura y almacenamiento de carbono. Estos esfuerzos colectivos de las organizaciones mundiales son cruciales para impulsar la transici\u00f3n global hacia un futuro bajo en carbono y mitigar los efectos adversos del cambio clim\u00e1tico.<\/div>
\u00a0<\/div>
Uno de los retos es descarbonizar el sistema energ\u00e9tico mediante el desarrollo de un nuevo sector el\u00e9ctrico basado en fuentes renovables. Una de las principales estrategias para lograr el objetivo propuesto es el uso del biog\u00e1s como fuente de energ\u00eda renovable alternativa a las energ\u00edas basadas en el carbono, ya que contribuye a la reducci\u00f3n de gases de efecto invernadero pero tambi\u00e9n al desarrollo de la econom\u00eda circular a trav\u00e9s de la digesti\u00f3n anaer\u00f3bica de residuos org\u00e1nicos de diferentes fuentes y su transformaci\u00f3n en combustible. Como el biometano es la misma mol\u00e9cula que el gas natural, se puede distribuir a trav\u00e9s de las redes de distribuci\u00f3n de gas existentes, facilitando la transici\u00f3n del gas natural a la energ\u00eda del biog\u00e1s. As\u00ed, la instalaci\u00f3n de plantas de digesti\u00f3n anaer\u00f3bica para la conversi\u00f3n de residuos org\u00e1nicos y esti\u00e9rcol de ganado en biometano ha ganado protagonismo en los \u00faltimos a\u00f1os como una soluci\u00f3n sostenible de conversi\u00f3n de residuos en energ\u00eda.\u00a0<\/div>
\u00a0<\/div>
El an\u00e1lisis de los sistemas log\u00edsticos que sustentan la implementaci\u00f3n de diferentes modos de energ\u00eda, en particular el biog\u00e1s, es de suma importancia para garantizar la integraci\u00f3n exitosa y sostenible de las fuentes de energ\u00eda renovable en nuestro panorama energ\u00e9tico global. El biog\u00e1s, derivado de desechos org\u00e1nicos mediante digesti\u00f3n anaer\u00f3bica, presenta una alternativa prometedora a los combustibles f\u00f3siles convencionales. Sin embargo, el \u00e9xito de su implementaci\u00f3n supone de abordar desaf\u00edos log\u00edsticos complejos. Este grupo ha realizado aportaciones relevantes en este problema log\u00edstico, analizando el dise\u00f1o de la compleja cadena de suministro tras esta situaci\u00f3n. Ha introducido el problema \u00abWaste-to-Biomethane Logistic Problem\u00bb (W2BLP) que define el marco general de implementaci\u00f3n de este sistema, como un problema de Optimizaci\u00f3n Matem\u00e1tica que ayuda a la toma de las decisiones tras la implementaci\u00f3n eficiente de este tipo de sistemas (localizaci\u00f3n de los distintos elementos involucrados, dise\u00f1o de plan de distribuci\u00f3n asociados, …). Sin embargo, existen numerosas problem\u00e1ticas tras el an\u00e1lisis de este tipo de modelos, como la gesti\u00f3n de la incertidumbre, el dise\u00f1o de rutas de recolecci\u00f3n de biowaste, la b\u00fasqueda de pol\u00edticas del env\u00edo final del biogas, reparto del biogas entre los distintos agentes involucrados, etc.<\/div>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

L\u00edneas de investigaci\u00f3n Aprendizaje autom\u00e1tico y ciencia de datos mediante programaci\u00f3n matem\u00e1tica Los avances de la \u00faltima d\u00e9cada en las herramientas de resoluci\u00f3n de problemas de Optimizaci\u00f3n Matem\u00e1tica de diversa naturaleza, y sus implementaciones en los solvers de optimizaci\u00f3n comercial han abierto m\u00faltiples posibilidades con respecto a su aplicaci\u00f3n en la Ciencia de Datos moderna.… Leer m\u00e1s »L\u00edneas de investigaci\u00f3n<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"page-templates\/template-pagebuilder-full-width.php","meta":{"neve_meta_sidebar":"","neve_meta_container":"","neve_meta_enable_content_width":"off","neve_meta_content_width":70,"neve_meta_title_alignment":"","neve_meta_author_avatar":"","neve_post_elements_order":"","neve_meta_disable_header":"","neve_meta_disable_footer":"on","neve_meta_disable_title":"on"},"_links":{"self":[{"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/pages\/62"}],"collection":[{"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/comments?post=62"}],"version-history":[{"count":4,"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/pages\/62\/revisions"}],"predecessor-version":[{"id":1806,"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/pages\/62\/revisions\/1806"}],"wp:attachment":[{"href":"https:\/\/grupo.us.es\/fqm331\/wp-json\/wp\/v2\/media?parent=62"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}