Professional Documents
Culture Documents
Facultad de Ingeniera
Escuela de Estudios de Postgrado
Maestra de Tecnologas de la Informacin y Comunicacin
FACULTAD DE INGENIERA
TRABAJO DE GRADUACIN
AL CONFERRSELE EL TTULO DE
NDICE DE ILUSTRACIONES V
GLOSARIO ....................................................................................................... VII
RESUMEN ......................................................................................................... XI
PLANTEAMIENTO DEL PROBLEMA Y FORMULACIN DE PREGUNTAS
ORIENTADORAS ............................................................................................. XV
OBJETIVOS ..................................................................................................... XIX
RESUMEN DE MARCO METODOLGICO .................................................... XXI
INTRODUCCIN ........................................................................................... XXV
1. ANTECEDENTES .................................................................................... 1
2. JUSTIFICACIN ...................................................................................... 5
3. ALCANCES .............................................................................................. 7
3.1. Alcances investigativos .................................................................. 7
3.2. Alcances tcnicos .......................................................................... 7
3.3. Resultados ..................................................................................... 8
I
4.2.3. Cruce y mutacin ......................................................... 16
4.2.4. Ventajas de utilizar algoritmos genticos como enfoque
de optimizacin ............................................................................ 17
4.2.5. Aplicaciones prcticas de algoritmos genticos .......... 18
4.3. Computacin mvil ....................................................................... 19
4.3.1. Arquitectura de computacin y aplicaciones mviles .. 19
4.3.2. Optimizacin de aplicaciones mviles y benchmarking
. 22
6. PRESENTACIN DE RESULTADOS..................................................... 33
6.1. Anlisis del trfico vehicular como sistema de informacin .......... 33
6.2. Variables analizadas y su impacto en el clculo de rutas............. 38
6.3. Determinacin de funcin fitness ................................................. 43
6.4. Experimento ................................................................................. 46
II
6.4.1. Arquitectura mvil utilizada para el experimento .......... 46
6.4.2. Presentacin y comparacin de resultados tericos y
prcticos ...................................................................................... 47
6.4.3. Conclusiones y observaciones del experimento ........... 54
6.5. Resultados de pruebas de estrs ................................................ 55
CONCLUSIONES ............................................................................................. 67
RECOMENDACIONES ..................................................................................... 69
BIBLIOGRAFA ................................................................................................. 71
ANEXOS ........................................................................................................... 75
III
IV
NDICE DE ILUSTRACIONES
FIGURAS
V
18. Aplicacin mvil utilizada para medir utilizacin de CPU y Memoria ...... 55
19. Registro de utilizacin de CPU y memoria del dispositivo mvil ............. 56
20. Registro de utilizacin de CPU y memoria del servidor .......................... 57
21. Tiempos de respuesta del algoritmo gentico y Google Maps................ 59
22. Accidentes de trnsito cubiertos en los aos 2010 al 2015 .................... 75
TABLAS
VI
GLOSARIO
VII
Cromosoma En sistemas de informacin, un cromosoma
representa dentro de un algoritmo gentico una
posible solucin de un conjunto de soluciones.
VIII
Gen Representa un procedimiento o una caracterstica
especifica de una posible solucin, un conjunto de
genes forma un cromosoma.
IX
Semforo Dispositivo de sealizacin que regula el trfico en
las vas pblicas y que consta generalmente de
tres luces (roja, amarilla y verde).
X
RESUMEN
XI
tiempo de espera en los semforos, dicho algoritmo gentico se utiliz en un
prototipo el cual permite visualizar de manera grfica la ruta calculada.
XII
Con el algoritmo desarrollado, se realiz un experimento, el cual consisti
en validar qu tanto se apegaban los resultados tericos a la realidad; adems
de comparar la misma ruta en GoogleMaps y validar si exista una mejora en el
clculo de las rutas, los resultados fueron que el algoritmo gentico se apegaba
a la realidad en un 88 %, es decir, que el margen de error promedio fue del 12 %,
que muestra una mejora evidente en comparacin con GoogleMaps, que
present un margen de error promedio del 24 %.
XIII
XIV
PLANTEAMIENTO DEL PROBLEMA Y FORMULACIN DE
PREGUNTAS ORIENTADORAS
XV
Figura 1. Comportamiento trfico vehicular
XVI
Watling publicaron la optimizacin de las seales de trnsito, especficamente el
tiempo ptimo de luz verde, con el objetivo de evitar la formacin de largas colas
en tiempo real, mediante la aplicacin de algoritmos genticos la funcin fitness
se bas en el tiempo de viaje (Teklu, Sumalee, & Watling, 2007). Los resultados
fueron obtenidos de simulaciones, y comparado contra un sistema de trfico
normal, mostr mejoras significativas, como puntos de mejora se tiene
experimentar la integracin de diversas redes de trnsito y distintas densidades
de afluencia vehicular, as como encontrar los parmetros ideales para mejorar
el rendimiento de los algoritmos. Fan y Machemehl experimentaron con
algoritmos genticos en el desarrollo de rutas para buses tomando en
consideracin tres aspectos clave, primero la ruta normal (como punto de
comparacin), la generacin de todas las rutas posibles y un procedimiento de
anlisis de las rutas, en el cual se simulan los viajes, trfico, la frecuencia de las
rutas y generan estadsticas para comparacin de las rutas (Fan & Machemehl,
2006), la conclusin obtenida es que los resultados mejoran de manera
proporcional al tamao de las rutas, es decir, mientras ms grande sea la ruta,
ms ptima es en comparacin con el enfoque tradicional; sin embargo, la funcin
objetivo podra no ser la ms apropiada, puesto que despus de una cantidad de
iteraciones el algoritmo empieza a formar rutas no ptimas, en comparativa se
modific la funcin objetivo a manera de hacer variable la densidad del trfico y
se observ una mejor solucin, con resultados estables, a un costo mayor de
procesamiento.
XVII
telfonos inteligentes y tabletas donde la capacidad de procesamiento es
limitada, para que sirvan de apoyo en el anlisis y diseo del reordenamiento vial.
XVIII
OBJETIVOS
Objetivo general
Objetivos Especficos
XIX
XX
RESUMEN DE MARCO METODOLGICO
XXI
se defini la distancia, tiempo y velocidad promedio para rutas ya
conocidas (como por ejemplo: la ruta al trabajo y la ruta a la universidad),
as mismo, los eventos aleatorios como accidentes y densidad vehicular
se simularon con base a estadsticas de la Municipalidad de Guatemala;
por ltimo, mediante observacin directa se obtuvo el promedio de tiempo
de espera de los semforos de las rutas ya conocidas, ste fue el punto
de partida para definir la funcin fitness inicial e iniciar con la investigacin
y experimentar con un primer algoritmo para validar qu tanto se apega a
la realidad.
Fase de experimentacin
XXII
cambio en el algoritmo gentico para validar que dichos cambios mejoran
el rendimiento y/o minimizan el consumo de hardware, estos cambios
fueron optimizar la manera como se establece la afectacin que tiene cada
variable y la generacin de los eventos aleatorios (semforos, accidentes
y densidad del trfico vehicular).
XXIII
pruebas de estrs, se analiz mediante estadstica descriptiva,
permitiendo visualizar grficamente el resultado, sacar conclusiones y
determinar el valor ptimo de cada parmetro.
XXIV
INTRODUCCIN
XXV
generacin en especfico o se debe seguir evolucionando, de esta manera se
puede asignar un valor cuantitativo a cada individuo (que representara una ruta
en especfico) y compararlos para saber cul es el mejor.
XXVI
obtuvo al menos un 75 % de apego a la realidad. Con la definicin del algoritmo
gentico funcional, se realiz el experimento que busca realizar pruebas en
trfico real, comparando los resultados tericos contra los reales, y medir el grado
de mejora obtenido.
XXVII
XXVIII
1. ANTECEDENTES
1
En el 2007, Teklu, Sumalee y Watling publicaron la optimizacin de las
seales de trnsito, especficamente el tiempo ptimo de luz verde que se debe
permitir con el objetivo de anticipar la formacin de colas en tiempo real, mediante
la aplicacin de algoritmos genticos. La funcin fitness se bas en el tiempo total
de viaje a travs de toda la red de trfico simulada, la cual se bas en la ciudad
de Chester en el Reino Unido. Un aspecto importante de la funcin objetivo es
que considera la alteracin de las rutas y se presenta como un valor aadido
frente a otras investigaciones similares, adems considera una red de trfico
vehicular extensa, y establece las bases para la integracin de varias redes de
trfico vehicular, no toma en consideracin la densidad del trfico. Los resultados
fueron obtenidos de simulaciones, y comparado contra un sistema de trfico
normal que no considera las modificaciones de las rutas, mostr mejoras
significativas. No fue posible determinar los valores adecuados para los
parmetros del algoritmo gentico (Teklu, Sumalee, & Watling, 2007).
2
En Corea del Sur se disponen de dispositivos inteligentes de transporte,
conocidos como ITS por sus siglas en ingls Intelligent Transportation Systems
(Lin, Yu, Liu, Lai, & Ho, 2009), que en su mayora son dispositivos handhelds
(dispositivos electrnicos parecidos a una computadora que caben en la palma
de la mano), que ayudan a buscar las mejores rutas en trminos de costos, los
cuales en su mayora funcionan en base a algoritmos de Dijkstra y no contienen
informacin actualizada, su poca capacidad de procesamiento no permite tomar
en consideracin un buen nmero de variables como el tiempo, distancia,
velocidad, trfico, etc. Una mejora que se estudia para estos dispositivos es la
inclusin de algoritmos genticos y redes neuronales, que permitan, con pocos
recursos calcular en tiempo real las rutas ms ptimas tomando en consideracin
el tiempo, distancia, velocidad y trfico.
3
El uso de algoritmos genticos nos ha permitido estudiar con mayor
realismo los comportamientos de fenmenos en general, en la Universidad
Nacional de Chiao Tung en Taiwn se estudi la factibilidad de utilizar algoritmos
genticos y redes neuronales aplicados a la inteligencia artificial en videojuegos
(Wong & Fang, 2012), la motivacin fue buscar maneras de darle mayor realismo
al comportamiento de los objetos dentro de los videojuegos, llegando a la
conclusin que se puede tener una notable mejora en comportamientos de
objetos mediante la utilizacin de algoritmos genticos, y de acuerdo a las
experiencias presentadas en el artculo estudio de algoritmos genticos y redes
neuronales para mini-juegos, se debe empezar con funciones fitness y de
mutacin generales y conforme se analiza el comportamiento hacerlas cada vez
ms granulares, lo que aporta a la investigacin es el hecho que los algoritmos
genticos y las redes neuronales tienen una gran y diversa cantidad de
aplicaciones a problemas de optimizacin, para los cuales se enfoca definiendo
las funciones de mutacin y fitness ms adecuadas al problema que se busca
optimizar.
4
2. JUSTIFICACIN
5
La optimizacin de los recursos de hardware (CPU, memoria RAM y
espacio en disco) es importante para utilizar algoritmos genticos en dispositivos
mviles, si el algoritmo gentico es capaz de funcionar en un dispositivo mvil la
solucin se puede masificar y ser utilizado a gran escala por miles de personas,
e incluso a futuro utilizar las funcionalidades de los dispositivos mviles como el
GPS y Antena para implementar redes VANET como la que se visualiza en la
Figura 2, donde cada vehculo forma un nodo de la red y transmite informacin
que alimenta los Sistemas Inteligentes de Transporte SIT, que apoyan la creacin
de ciudades inteligentes del futuro.
6
3. ALCANCES
7
realizacin de la investigacin. Para probar el algoritmo en un dispositivo mvil
se utiliz el sistema operativo Android.
3.3. Resultados
8
4. MARCO TERICO
A 3 B
9
permitiendo estimar una utilizacin y en base a esto determinar cul es la ruta
ms apropiada para trasladarse de un punto A a un punto B.
10
congestin vehicular, y las variables auxiliares representan la capacidad de las
vas y los semforos que regulan el trfico.
11
vehculos mayor congestin. A mayor congestin menos capacidad vial. A
menos capacidad vial, mayor congestin.
12
que como resultado de la evolucin de los genes se produzcan los mejores
cromosomas que dejarn una mejor descendencia, lo cual brinda mayores
probabilidades de sobrevivir a la siguiente generacin.
13
Figura 6. Proceso de un algoritmo gentico
Mutacin Evolucin
14
4.2.2. Funcin objetivo y proceso de seleccin
15
Seleccin jerrquica: este mtodo utiliza ciclos para la seleccin de
cromosomas, donde el primer ciclo evala caractersticas generales,
elevando los criterios en cada ciclo a una seleccin ms detallada,
haciendo la seleccin ms rpidamente.
16
4.2.4. Ventajas de utilizar algoritmos genticos como enfoque de
optimizacin
17
Optimiza variables con costos extremadamente complejos
Provee una lista de variables de optimizacin y ms de una solucin
Funciona con informacin numrica generada, informacin experimental
o funciones analticas
18
4.3. Computacin mvil
19
Figura 7. Arquitectura del Sistema Operativo Android
Fuente: https://source.android.com/devices/
20
procesamiento de datos se hace dentro de la aplicacin misma, mientras que en
la arquitectura cliente-servidor el dispositivo mvil cumple la funcin de cliente
que se conecta a travs de una red inalmbrica (por ejemplo wifi o internet) hacia
un servidor o un grupo de servidores que contiene recursos como transferencia
de archivos FTP, multimedia, streaming, bases de datos, etc, como se muestra
en la Figura 8.
21
mientras que las dinmicas son accedidas mediante APIs (como por ejemplo, la
API de google charts) (Mehta, 2012).
22
Especficamente para el sistema operativo Android de Google se publican
en su sitio web http://developer.android.com/ diversas maneras para optimizar el
rendimiento de las aplicaciones que corren sobre dicho sistema operativo, dichas
recomendaciones se toman como buenas prcticas para desarrollar las
aplicaciones basadas en este sistema operativo, entre las ms importantes se
puede mencionar (Android Developers, 2015):
Para obtener el mximo rendimiento en trminos de procesamiento de
datos se debe priorizar el desarrollo en trminos del algoritmo, estructuras
de datos y el acceso a dichas estructuras, se debe evitar definir estructuras
de datos y asignar memoria a menos que sea realmente necesario.
Tomar en consideracin que no siempre se tiene la misma versin del
sistema operativo ni de la MV de Java corriendo, esto puede ser un factor
determinante en las pruebas de rendimiento, una aplicacin en particular
puede mostrar un buen rendimiento sobre una versin y uno no tan bueno
con otra versin. Para mitigar este riesgo se puede hacer uso de
plataformas dedicadas a las pruebas de aplicaciones en distintos
dispositivos fsicos con distintas versiones del sistema operativo, como por
ejemplo TestObject.com, que permite realizar pruebas automatizadas de
aplicaciones en cientos de dispositivos reales.
La memoria es un recurso limitado y costoso, por eso se debe guardar
estrictamente su uso para situaciones que realmente lo ameriten, evitando
crear objetos innecesarios o que no sean utilizados. Cuando se utilizan
muchos objetos dentro de una aplicacin se fuerza al recolector (garbage
colector) del sistema operativo a ejecutarse de manera peridica,
afectando la experiencia del usuario que percibe esta accin como una
interrupcin al flujo de la aplicacin, como que sta tuviera "hipo.
Se mencionaba inicialmente que uno de los aspectos ms importantes en
la optimizacin del procesamiento son las estructuras de datos, la
23
recomendacin es evitar el uso de arreglos multidimensionales, y en su
lugar crear mltiples arreglos de una dimensin.
En general evitar crear objetivos temporales de corto plazo, menos objetos
creados significa evitar llamadas frecuentes al recolector de basura, que
tiene un impacto directo en rendimiento y experiencia de usuario.
Se estima que funciones estticas tienen un rendimiento 15 % a 20 %
mayor en comparacin con funciones virtuales.
Debido a que las funciones virtuales representan un grado de
procesamiento mayor, se recomienda no utilizarlas y acceder a las
propiedades de las clases de manera directa, por ejemplo, en lugar de
definir mtodos virtuales para acceder atributos como get y set, la
recomendacin es acceder directamente al atributo, si bien es una buena
prctica en la mayora de lenguajes orientados a objetos, se puede
obtener un micro incremento en el rendimiento utilizando esta
recomendacin.
Evitar el uso de variables numricas con puntos flotantes (float o double)
si se pueden utilizar enteros numricos (int), el acceso a tipos de datos
"float" o "double es dos veces ms lenta que el acceso a los tipos "int".
Por ltimo, se recomienda la medicin del rendimiento de cada accin de
la aplicacin, monitorear tiempos de respuesta, consumo de recursos y
experiencia de usuario para identificar cuellos de botella y mtodos o
algoritmos que requieran optimizacin.
24
5. MARCO METODOLGICO
25
5.3. Mtodo de investigacin
26
5.3.1.1. Anlisis de variables y eventos aleatorios
27
Windows. Estas pruebas permitieron establecer los valores
mnimos e ideales de recursos de hardware necesarios para el
correcto funcionamiento del algoritmo gentico y un tiempo de
respuesta menor a 25 segundos, el cual se ha estimado, y adems,
mejorar su rendimiento para que pueda ser utilizado en dispositivos
mviles. Las pruebas de estrs ayudaron a identificar
oportunidades de mejora en el rendimiento del algoritmo, se utiliz
una metodologa iterativa, en la cual, se realizaron pruebas de
estrs despus de una serie de cambios realizados en el algoritmo
gentico para determinar si su rendimiento mejoraba o empeoraba,
en caso que empeorara se regresaba a la iteracin anterior para
empezar una nueva.
28
una funcin fitness funcional y que el algoritmo gentico definido sirviera como
herramienta para el anlisis del reordenamiento vial. Se realizaron sets de
pruebas despus de cada cambio en el algoritmo gentico para validar que
dichos cambios mejoran el rendimiento y/o minimizan el consumo de hardware,
estos cambios fueron optimizar la manera como se establece la afectacin que
tiene cada variable y la generacin de los eventos aleatorios (semforos,
accidentes y densidad del trfico vehicular).
29
las pruebas la misma librera para que los resultados sean uniformes. Los
sets de valores de prueba se definieron a manera de realizar 50 iteraciones
con el algoritmo gentico, es decir que para cada set de prueba definido
se realizarn 50 iteraciones de prueba, esto permiti generar suficiente
informacin para que sea analizada posteriormente. El resultado de las
pruebas de estrs se analiz mediante estadstica descriptiva, permitiendo
visualizar grficamente el resultado, sacar conclusiones y determinar el
valor ptimo de cada parmetro.
30
adecuado para ser utilizado en dispositivos mviles si el tiempo de
respuesta promedio no sobrepasaba los 25 segundos, si el
algoritmo gentico no cumple esta condicin se optimizaba de
manera que no se modificaba el resultado del algoritmo gentico
calculando rutas, sino nicamente el resultado de las pruebas de
estrs que miden el rendimiento, despus de cada modificacin se
realizarn nuevamente 25 iteraciones de prueba para comprobar su
rendimiento, las modificaciones al algoritmo gentico finalizaron
cuando se obtuvo un tiempo de respuesta promedio menor a 25
segundos.
31
los algoritmos genticos como mtodo de optimizacin, adems, se utilizaron
bases de datos de trfico vehicular ya existentes, y se apoy el diseo de la
investigacin con estadsticas de trfico vehicular en la ciudad capital obtenidas
de la Polica Municipal de Trnsito (PMT) de la ciudad de Guatemala. Entre las
fuentes bibliogrficas utilizadas se puede mencionar artculos de investigacin
cientfica, trabajos de graduacin de maestra o doctorado y libros publicados en
el ao 2010 o ms recientes.
32
6. PRESENTACIN DE RESULTADOS
33
Probabilidad de accidentes: se defini como un valor numrico cuyo valor
identifica tres probabilidades de accidentes entre dos puntos, 1 representa
una probabilidad baja, 2 una probabilidad media y 3 una probabilidad alta.
Tiempo de espera en semforos: se represent como un valor numrico
que define la cantidad de semforos que existen entre dos puntos.
Coordenada geomtrica: representa la coordenada geomtrica dada por
la latitud y longitud de un punto en especfico.
ID ID
Distancia Tiempo Velocidad Trfico Accidentes Semforos
Origen Destino
1 2 120 1 7.2 1 1 0
1 3 250 1 15 1 1 0
2 4 300 1 18 1 1 0
2 5 220 1 13.2 1 1 0
2 6 450 2 13.5 1 1 0
3 4 180 1 10.8 1 1 0
4 5 500 1 30 1 1 0
4 7 900 3 18 2 1 0
5 7 850 3 17 2 1 0
5 8 450 1 27 1 1 0
6 8 230 1 13.8 1 1 0
34
Contina Tabla II.
7 9 170 1 10.2 2 1 3
7 16 2300 6 23 2 2 5
8 9 450 1 27 2 1 0
8 10 1000 4 15 1 1 0
9 10 800 3 16 2 1 0
9 11 1400 4 21 2 1 0
10 11 1000 3 20 2 1 1
10 16 1600 6 16 2 1 3
11 12 400 1 24 1 1 1
11 99 2500 6 25 2 2 11
11 15 1900 6 19 2 1 9
12 13 1100 2 33 2 1 3
13 99 950 3 19 2 1 2
15 99 1000 3 20 1 1 4
16 99 1800 6 18 2 2 7
16 15 750 2 22.5 2 2 2
17 17
35
Figura 9. Puntos de referencia para determinacin de funcin fitness sobre
mapa virtual
36
Figura 10. Puntos de referencia con informacin de rutas
37
6.2. Variables analizadas y su impacto en el clculo de rutas
38
se podra comparar con conducir en un da entre semana en hora pico. La
densidad del trfico vehicular impacta de manera directa en el clculo de rutas,
afectando el tiempo necesario para trasladarse de un punto a otro, en las pruebas
realizadas se pudo determinar que la relacin entre la densidad vehicular y el
tiempo es del 25 %, es decir, para una densidad vehicular baja el tiempo base
se incrementa en un 25 %, para una media un 50 % y para una alta 75 %.
39
Con base a esta informacin, se realiz una regresin polinomial, con el
objetivo de encontrar la ecuacin matemtica que describiera el comportamiento
de los datos obtenidos; adems, se realiz un anlisis de estacionalidad sobre
los datos, para que el resultado sea lo ms apegado a la realidad posible, la
ecuacin se obtuvo mediante la utilizacin de Microsoft Excel, y se muestra a
continuacin:
40
proyectar la cantidad de accidentes que ocurriran en los aos 2016 y 2017
aplicando el clculo de la estacionalidad por mes, los datos obtenidos se muestra
a continuacin:
41
La probabilidad de un accidente viene dada por los accidentes que podran
suceder entre las calles y avenidas ms concurridas (es decir, que tienen una
densidad vehicular alta), multiplicado por la cantidad de accidentes por hora y un
valor aleatorio que representa el azar que ocurra el evento nos permite estimar
la cantidad de accidentes que existirn en la ruta:
Ejemplo, para una ruta de 10 puntos, 3 son de alta densidad vehicular, los
accidentes en la ruta vendrn dados por:
3
= 2.26 ( 2) = 1.345 = 1
10
42
6.3. Determinacin de funcin fitness
= ( + 0.25 ) +
0.5
= ( ) 0.06
43
Aptitud final: los parmetros anteriores se unifican en un solo valor, el cual
est representado por la rapidez aptitud, este valor se multiplica por 10
para darle una mayor diferenciacin a la aptitud de las posibles rutas:
= 10
44
Contina Tabla V.
= ( )
( + 0.25 ) + 0.5
0.06 10
45
6.4. Experimento
46
6.4.2. Presentacin y comparacin de resultados tericos y
prcticos
47
Figura 13. Registro de inicio y fin mediante aplicacin AutoBoy BlackBox
48
Figura 14. Clculo de ruta mediante prototipo que utiliza el Algoritmo
Gentico
49
Figura 15. Clculo de ruta mediante aplicacin Google Maps y Waze
50
A continuacin se comparan los resultados tericos y prcticos obtenidos
en el experimento:
51
De los datos recopilados se observa que las rutas calculadas con el
algoritmo gentico tienen un porcentaje de error de entre 12 % y 14 %, mientras
que el porcentaje de error es 24 % cuando se calcula la ruta utilizando Google
Maps y 10% cuando se calcula con Waze.
52
Los resultados entre el algoritmo gentico y Waze fueron bastante
similares, en 3 ocasiones se tuvo el mismo resultado, en las dems el algoritmo
de Waze fue ms apegado a la realidad que el algoritmo gentico como se
aprecia en la Figura 17, en promedio el algoritmo gentico tiene un porcentaje de
error del 14 % mientras que Waze un 10 %.
53
6.4.3. Conclusiones y observaciones del experimento
54
6.5. Resultados de pruebas de estrs
Para las pruebas de estrs se utiliz la aplicacin CPU Mem Monitor que
permite medir continuamente la utilizacin de CPU y Memoria en el dispositivo
mvil como se observa en la Figura 17 y Figura 18, para medir la utilizacin del
CPU y Memoria del servidor se utiliz un script que recopilaba los datos cada 5
minutos de las estadsticas del sistema como se presenta en la Figura 19, los
resultados se muestran a continuacin:
55
La aplicacin CPU Mem Monitor es una aplicacin desarrollada para
Android, que se encuentra en el PlayStore de Google.
Los resultados obtenidos del monitoreo del dispositivo mvil muestran que
la utilizacin del CPU y Memoria siguen la tendencia despus de un clculo de
una ruta (las cuales se representan en la grfica por las lneas grises), la variacin
es de aproximadamente 5 %, lo cual est dentro de los parmetros aceptables
de utilizacin. Se muestran algunos picos de utilizacin que se registraron al
iniciar otras aplicacin o recibir notificaciones.
56
Figura 20. Registro de utilizacin de CPU y memoria del servidor
57
Tabla VII. Requerimientos mnimos y recomendados de hardware
58
Figura 21. Tiempos de respuesta del algoritmo gentico y Google Maps
59
60
7. ANLISIS Y DISCUSIN DE RESULTADOS
61
sistema, en base a los resultados de los investigadores se determin que
definir un tiempo de fijo de semforo es suficientemente aceptable, por lo
cual mediante observacin directa se defini que en promedio cada
semforo repercute en una espera de 30 segundos.
El algoritmo gentico desarrollado por Chand, Prasad y Dehuri que
permite encontrar la ruta ptima en trminos de distancia y cantidad de
vehculos necesarios para realizar entregas permiti establecer la base de
la funcin fitness mediante el anlisis de cada cromosoma como una ruta
posible que cumple el objetivo de ir de un punto A hacia un punto B, y cada
gen de dicho cromosoma, como cada punto que compone la ruta.
62
En cuanto al clculo de la regresin polinomial y la proyeccin de
accidentes, se puede mejorar el coeficiente de correlacin si se aplica al inicio de
la regresin un paso para suavizar los datos, de manera que no existan cambios
tan abruptos, en la presente investigacin no se realiz debido a que los datos
son reales y tienen mayor relevancia utilizarlos sin modificacin alguna, el ajuste
de los datos reales a una ecuacin polinomial es muy buena y se puede mejorar.
63
la cantidad de pasos correctos, se obtienen en cada generacin mejores rutas,
lo que se transforma en una mejor ruta en menos iteraciones.
64
El prototipo se puede mejorar mostrando indicaciones que faciliten
transitar la ruta obtenida como resultado del algoritmo gentico, las cuales se
pueden incluir utilizando el API de Google Directions.
65
Ajuste para el tiempo de semforos, seleccionando de manera aleatorio
un valor (mnimo, promedio o mximo de una muestra de semforos) en
vez de tener un valor fijo (30 segundos) por semforo.
Mayor cantidad de puntos en el mapa, esto permitir tener una mayor
exactitud en cuanto al clculo de rutas y estimaciones de tiempo.
66
CONCLUSIONES
67
segundos por semforo, con estos valores se analiza el trfico como un
sistema, obteniendo un tiempo terico estimado para la funcin fitness.
68
RECOMENDACIONES
69
70
BIBLIOGRAFA
3. Carre, D., & Dueas, D. (2012). Anlisis del trfico vehicular mediante
dinmica de sistemas. Duitama Boayaca, Colombia: Editorial
acadmica espaola.
4. Chand, P., Prasad, B., & Dehuri, S. (2010). A multi objetive genetic
algorithm for solving vehicle routing problem. International Journal
of Information Technology and Knowledge Management.
5. Diaz, P., & Hougen, D. (2008). Internal vs. External Parameters in Fitness
Functions. Oklahoma, Estados Unidos.
6. Doerr, B., Happ, E., & Klein, C. (2008). Crossover Can Probably be Useful
in Evolutionary Computation. Sarrebruck, Alemania.
7. Fan, W., & Machemehl, R. (2006). Optimal Transit Route Network Design
Problem with Variable Transit Demand: Genetic Algorithm
Approach. Journal of transportation engineering.
71
8. Fernndez, R. (2011). Elementos de la teora del trfico vehicular. Fondo
Editorial.
9. Ghiani, G., Guerriero, F., Laporte, G., & Musmanno, R. (2003). Real-time
vehicle routing: Solution concepts, algorithms and parallel
computing strategies. European Journal of Operational Research.
10. Google. (04 de Febrero de 2015). How does Waze work? Obtenido de
How does Waze work?:
https://support.google.com/waze/answer/6078702?hl=en
12. Haupt, R., & Haupt, S. (2004). Practical genetic algorithms. New Jersey,
Estados Unidos: Editorial John Wiley & Sons.
14. Lin, C.-H., Yu, J.-L., Liu, J.-C., Lai, W.-S., & Ho, C.-H. (2009). Genetic
Algorithm for Shortest Driving Time in Intelligent Transportation
Systems. Taiwan, China: Tunghai University.
72
15. Lin, W.-Y., Lee, W.-Y., & Hong, T.-P. (2003). Adapting Crossover and
Mutation Rates in Genetic Algorithms. Taiwan: I-Shou University.
16. Man, F., Tang, K., & Kwong, S. (2001). Genetic algorithms. Reino Unido:
Editorial Springer.
18. Moujahid, A., Inza, I., & Larraaga, P. (2004). Algoritmos genticos. Bilbao,
Espaa: Universidad del Pas VascoEuskal Herriko Unibertsitatea.
21. Sheikh, A., Ganai, P., Malik, N., & Dar, K. (2013). Smartphone: Android
vs iOS. Tamil Nadu, India: Universidad Manonmaniam Sundaranar.
23. Teklu, F., Sumalee, A., & Watling, D. (2007). A Genetic Algorithm Approach
for Optimizing Traffic Control Signals Considering Routing.
Computer-Aided Civil and Infrastructure Engineering.
73
24. Wong, S.-K., & Fang, S.-W. (2012). Estudio de algoritmos genticos y
redes neuronales para mini-juegos. Taiwan, China: National Chaio
Tung University.
74
ANEXOS
75