SciELO - Scientific Electronic Library Online

 
vol.19 issue2Improving the Multilayer Perceptron Learning by Using a Method to Calculate the Initial Weights with the Similarity Quality Measure Based on Fuzzy Sets and Particle SwarmsAdmission Control and Channel Allocation for Dynamic Spectrum Access using Multi-objective Optimization author indexsubject indexsearch form
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • Have no similar articlesSimilars in SciELO

Share


Computación y Sistemas

Print version ISSN 1405-5546

Comp. y Sist. vol.19 n.2 México Apr./Jun. 2015

http://dx.doi.org/10.13053/CyS-19-2-2008 

Artículos

 

Optimización evolutiva multi-objetivo en la planificación de controles a clase en la educación superior cubana

 

Evolutionary Multi-objective Optimization for Scheduling Professor Evaluations in Cuban Higher Education

 

Pavel Novoa-Hernández

 

Universidad de Holguín, Departamento de Licenciatura en Matemática, Cuba. pnovoa@facinf.uho.edu.cu

Autor de correspondencia es Pavel Novoa Hernández.

 

Artículo recibido el 26/08/2014.
Aceptado el 17/04/2015.

 

Resumen

En Cuba, un control a clase es el proceso en el que se evalúa la calidad de la docencia impartida por el profesor universitario. La planificación de los controles a clase es realizada comúnmente por el jefe de departamento, el cual debe cumplir con varios criterios a la vez. Algunos de estos criterios son: la presencia en el tribunal de al menos un miembro del mismo colectivo y/o con categoría igual o superior que el profesor evaluado, la disponibilidad y nivel de utilización de los miembros del tribunal, entre otros. Esta tarea se torna compleja cuando se tienen en cuenta un gran número de profesores y controles al mismo tiempo. Con el objetivo de resolver esta problemática en el presente trabajo se propone un enfoque computacional basado en: 1) la modelación de este proceso como un problema de optimización multi-objetivo, y 2) su solución mediante una variante del conocido algoritmo evolutivo NSGA-II. Los resultados de los experimentos computacionales realizados muestran que nuestras propuestas ofrecen soluciones útiles y de calidad.

Palabras clave: Planificación de controles a clase, construcción de equipos, optimización evolutiva multi-objetivo, NSGA-II.

 

Abstract

In Cuba, university professors are often evaluated during the development of a class. Scheduling such evaluations along the academic semester is a common task of the head of the department, who must satisfy several criteria at the same time. Examples of these criteria are the presence of at least one tribunal member of the same academic unit, the presence of at least one tribunal member with equal docent category, availability and the utilization level of the tribunal members, among others. However, scheduling professor evaluations can become a complex task if several professors and evaluations are considered. Aiming at solving this problem, in the present work we propose a computational approach based on 1) modelling this task as a multi-objective optimization problem and 2) solving this problem by adapting a variant of a very well-known evolutionary algorithm, NSGA-II. The results of the performed computational experiments show that our proposal contributes to obtaining useful quality solutions.

Keywords: Professor evaluations scheduling, team building, evolutionary multi-objective optimization, NSGA-II.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Agradecimientos

El autor desea agradecer al colectivo de profesores del Departamento de Licenciatura en Matemática de la Universidad de Holguín, por su colaboración e intercambios en el desarrollo de la presente investigación.

Además, el autor cuenta con el apoyo de la beca postdoctoral otorgada por el proyecto Eureka SD (Erasmus Mundus Action 2), coordinado por la Universidad de Oldenburg (Alemania).

 

Referencias

1. Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002) . A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, Vol. 6, No. 2, pp. 182-197. DOI: 10.1109/4235.996017        [ Links ]

2. Wegener, I. (2005). Complexity Theory. Exploring the Limits of Efficient Algorithms. Springer-Verlag, Berlin Heidelberg, 308 p.         [ Links ]

3. Novoa-Hernández, P., Novoa-Hernández, M.A., & Rivero Peña, Y. (2013). Propuesta de técnicas evolutivas para la confección automática de tribunales de trabajos de diploma. Revista Cubana de Ciencias Informáticas, Vol. 7, No. 4, pp. 90-99.         [ Links ]

4. Escalera Fariñas, K., Infante Abreu, A.L., André Ampuero, M., & Rosete Suárez, A. (2014). Uso de estrategias de paralelización en algoritmos metaheurísticos para la conformación de equipos de software. Revista Cubana de Ciencias Informáticas, Vol. 8, No.3, pp. 90-99.         [ Links ]

5. Schaerf, A. (1999). A Survey of Automated Timetabling. Artificial Intelligence Review, Vol. 13, No. 2, pp. 87-127. DOI: 10.1023/A:1006576209967        [ Links ]

6. Burke, E.K. & Petrovic, S. (2002). Recent Research Directions in Automated Timetabling. European Journal of Operational Research, Vol. 140, No. 2, pp. 266-280. DOI: 10.1016/S0377-2217(02)00069-3        [ Links ]

7. Petrovic, S. & Burke, E.K. (2004). University Timetabling. In: Leung J. (ed.) Handbook of Scheduling: Algorithms, Models, and Performance Analysis, Chp. 45, CRC Press.         [ Links ]

8. Coello Coello, C.A., Van Veldhuizen, D.A., & Lamont, G. (2005). Evolutionary Algorithms for Solving Multi-Objective Problems. 2nd Edition. Springer Science+Business Media, LLC, 800 p.         [ Links ]

9. Zhou, A., Qu, B.Y., Li, H., Zhao, S.Z., Suganthan, P.N. & Zhang, Q. (2011). Multiobjective evolutionary algorithms: A survey of the state of the art. Swarm and Evolutionary Computation, Vol. 1, pp. 32-49. DOI: 10.1016/j.swevo.2011.03.001        [ Links ]

10. Melián, B., Moreno Pérez, J., & Moreno Vega, J. (2003) . Metaheurísticas: Una visión global. Revista Iberoamericana de Inteligencia Artificial, Vol. 19, pp. 7-28.         [ Links ]

11. Talbi, E.G. (2009). Metaheuristics: from design to implementation. John Wiley and Sons, 593 p.         [ Links ]

12. Ehrgott, M. (2005). Multicriteria Optimization (2nd edition). Springer Berlin - Heidelberg.         [ Links ]

13. Sarker, R. & Ray, T. (2009). An improved evolutionary algorithm for solving multiobjective crop planning models. Computers and Electronics in Agriculture, Vol. 68, pp. 191-199. DOI: 10.1016/j.compag.2009.06.002        [ Links ]

14. Saadatseresht, M., Mansourian, A. & Taleai, M. (2009). Evacuation planning using multiobjective evolutionary optimization approach. European Journal of Operational Research, Vol. 198, No.1, pp. 305-314. DOI: 10.1016/j.ejor.2008.07.032        [ Links ]

15. Ting, C.K., Lee, C.N., Chang, H.C. & Wu, J.S. (2009). Wireless heterogeneous transmitter placement using multiobjective variable-length genetic algorithm. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics), Vol. 39, No. 4, pp. 945-958. DOI: 10.1109/TSMCB.2008.2010951        [ Links ]

16. Shin, S.Y., Lee, I.H., Kim, D. & Zhang, B.T. (2005). Multiobjective evolutionary optimization of DNA sequences for reliable DNA computing. IEEE Transactions on Evolutionary Computation, Vol. 9, No. 2, pp. 143-158.         [ Links ]

17. Saravanan, R., Ramabalan, S., Ebenezer, N.G.R., & Dharmaraja, C. (2009). Evolutionary multi criteria design optimization of robot grippers. Applied Soft Computing, Vol. 9, No. 1, pp. 159-172. DOI: 10.1016/j.asoc.2008.04.001        [ Links ]

18. Wozniak, P. (2011). Preferences in multi-objective evolutionary optimisation of electric motor speed control with hardware in the loop. Applied Soft Computing, Vol. 11, No. 1, pp. 49-55        [ Links ]

19. Novoa-Hernández, P., Cruz Corona, C. & Pelta, D.A. (2015). Self-adaptation in dynamic environments - a survey and open issues. International Journal of Bio-Inspired Computation (in press).

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License