Algoritmo genético para la generación automática de equipos en entornos de la tercera edad

Abstract

[ES] En esta memoria se pretende explicar el diseño y uso de un algoritmo genético para la generación automática de equipos en entornos de la tercera edad. Se propone un modelo para la formación de grupos en residencias de la tercera edad y/o centros de día para la realización de actividades. El modelo está basado en el problema de generación de estructuras coalicionales y está implementado mediante un algoritmo genético escrito en C++. Los parámetros del modelo son los requisitos físicos, las preferencias y las relaciones sociales, siendo el modelo capaz de aprender de cada ejecución y mejorar las futuras configuraciones. Los resultados muestran soluciones casi óptimas en todos los escenarios propuestos, mejorando considerablemente el tiempo de ejecución de otras aproximaciones basadas en programación lineal.

[EN] In this specification we go to explain the design and use of a genetic algorithm for an automatic generation of teams in elderly environments. This paper proposes a model for group formation in elderly communities to carry out activities. The model is based on coalitional generation structures and it is implemented by a genetic algorithm written in C ++. The model parameters are physical requirements, preferences and social relationships, being the model able to learn from each execution and improve the future configurations. The results show near-optimal solutions in all the proposed scenarios, significantly improving runtime of other approaches based on linear programming.

[FR] Dans cette memoire on va expliquer l’élaboration et l'utilisation d'un algorithme génétique pour la génération automatique d’equipes dans l’environnement des personnes âgées. Un modèle pour la formation de groupes dans des résidences pour personnes âgées ou de maisons de retraite. Le modèle est basé sur le problème des structures coalitionnelles et il est mis en oeuvre par un algorithme génétique écrit en C ++. Les paramètres du modèle sont les exigences physiques, les préférences et les relations sociales, celui ci étant capable d'apprendre en chaque cycle et d'améliorer les configurations futures. Les résultats montrent des solutions quasi-optimales dans tous les scénarios proposés, améliorant considérablement le temps d'exécution d'autres approximations basées sur la programmation linéaire.