CI-SUSTAIN
CI-SUSTAIN

CI-SUSTAIN
CI-SUSTAIN
 : 
Inteligencia Computacional Avanzada Para Alcanzar Objetivos De Desarrollo Sostenible
Inteligencia Computacional Avanzada Para Alcanzar Objetivos De Desarrollo Sostenible

A Project coordinated by IIIA.

Web page:

Principal investigator: 

Collaborating organisations:

Funding entity:

MINECO
MINECO

Funding call:

Proyectos I+D+i 2019, Generación de conocimiento
Proyectos I+D+i 2019, Generación de conocimiento

Funding call URL:

Project #:

PID2019-104156GB-I00
PID2019-104156GB-I00

Funding amount:

102.850,00€
102.850,00€

Duration:

01/Jun/2020
01/Jun/2020
31/May/2023
31/May/2023

Extension date:

En 2015, todos los estados miembros de las Naciones Unidas adoptaron la Agenda 2030 para el desarrollo sostenible con el objetivo de alcanzar la paz y la prosperidad para todos los habitantes del planeta. La agenda establece 17 objetivos de desarrollo sostenible (SDGs). Estos objetivos instan a los países a tomar medidas para poner fin a la pobreza y otras privaciones por medio de estrategias que mejoren la salud y la educación, reduzcan la desigualdad y estimulen el crecimiento económico, todo ello sin impactar de forma negativa en el cambio climático y preservando nuestro planeta. Alcanzar estos objetivos es un reto para nuestra sociedad. Después de varios años trabajando en IA para el bien social, nuestro grupo ha identificado retos computacionales específicos, tanto en optimización como en aprendizaje automático, que surgen en áreas de aplicación relacionadas con objetivos de la Agenda 2030. Nuestro objetivo es hacer frente a estos desafíos avanzando el estado del arte en aspectos algorítmicos. Esto será necesario porque que los problemas de optimización que surgen en estas áreas de aplicación son problemas a gran escala que a menudo no pueden resolverse con los enfoques heurísticos y exactos disponibles en la actualidad. De hecho, planeamos avanzar el estado del arte a lo largo de las siguientes tres líneas. En primer lugar, contribuir a la adaptación de la metaheurística para su aplicación a problemas de gran escala. En segundo lugar, avanzar en la combinación de técnicas heurísticas con ideas algorítmicas de investigación de operaciones. En tercer lugar, contribuir en un campo de investigación novedoso como es el apoyo de algoritmos de optimización a las técnicas de aprendizaje automático. El objetivo del proyecto es demostrar que los avances computacionales logrados permiten mejorar con respecto al estado del arte en áreas de aplicación que están alineadas con algunos de los SDGs de la Agenda 2030 de la ONU para el Desarrollo Sostenible. En particular, nos ocuparemos de las siguientes áreas: (1) Intercambio de viajes entre pares (en relación con el SDG 11: Ciudades y comunidades sostenibles); (2) Formación de equipos (en relación con el SGD 4: Educación de calidad); (3) Aumento de la responsabilidad energética de los niños (en relación con el SGD 4: Educación de calidad); (4) Sistemas de salud inteligentes (en relación con el SGD 3: Salud y bienestar).

En 2015, todos los estados miembros de las Naciones Unidas adoptaron la Agenda 2030 para el desarrollo sostenible con el objetivo de alcanzar la paz y la prosperidad para todos los habitantes del planeta. La agenda establece 17 objetivos de desarrollo sostenible (SDGs). Estos objetivos instan a los países a tomar medidas para poner fin a la pobreza y otras privaciones por medio de estrategias que mejoren la salud y la educación, reduzcan la desigualdad y estimulen el crecimiento económico, todo ello sin impactar de forma negativa en el cambio climático y preservando nuestro planeta. Alcanzar estos objetivos es un reto para nuestra sociedad. Después de varios años trabajando en IA para el bien social, nuestro grupo ha identificado retos computacionales específicos, tanto en optimización como en aprendizaje automático, que surgen en áreas de aplicación relacionadas con objetivos de la Agenda 2030. Nuestro objetivo es hacer frente a estos desafíos avanzando el estado del arte en aspectos algorítmicos. Esto será necesario porque que los problemas de optimización que surgen en estas áreas de aplicación son problemas a gran escala que a menudo no pueden resolverse con los enfoques heurísticos y exactos disponibles en la actualidad. De hecho, planeamos avanzar el estado del arte a lo largo de las siguientes tres líneas. En primer lugar, contribuir a la adaptación de la metaheurística para su aplicación a problemas de gran escala. En segundo lugar, avanzar en la combinación de técnicas heurísticas con ideas algorítmicas de investigación de operaciones. En tercer lugar, contribuir en un campo de investigación novedoso como es el apoyo de algoritmos de optimización a las técnicas de aprendizaje automático. El objetivo del proyecto es demostrar que los avances computacionales logrados permiten mejorar con respecto al estado del arte en áreas de aplicación que están alineadas con algunos de los SDGs de la Agenda 2030 de la ONU para el Desarrollo Sostenible. En particular, nos ocuparemos de las siguientes áreas: (1) Intercambio de viajes entre pares (en relación con el SDG 11: Ciudades y comunidades sostenibles); (2) Formación de equipos (en relación con el SGD 4: Educación de calidad); (3) Aumento de la responsabilidad energética de los niños (en relación con el SGD 4: Educación de calidad); (4) Sistemas de salud inteligentes (en relación con el SGD 3: Salud y bienestar).

2021
Christian Blum,  & Gabriela Ochoa (2021). A comparative analysis of two matheuristics by means of merged local optima networks. European Journal of Operational Research. https://doi.org/10.1016/j.ejor.2020.08.008. [BibTeX]
Marko Djukanovic,  Christoph Berger,  Günther R. Raidl,  & Christian Blum (2021). An A⁎ search algorithm for the constrained longest common subsequence problem. Information Processing Letters, 166, 106041. https://doi.org/10.1016/j.ipl.2020.106041. [BibTeX]  [PDF]
Christian Blum,  Marko Djukanovic,  Alberto Santini,  Hua Jiang,  Chu-Min Li,  Felip Manyà,  & Günter R. Raidl (2021). Solving Longest Common Subsequence Problems via a Transformation to the Maximum Clique Problem. Computers & Operations Research, article number 105089. https://doi.org/10.1016/j.cor.2020.105089. [BibTeX]
2020
Jordi Ganzer,  Natalia Criado,  Maite Lopez-Sanchez,  Simon Parsons,  & Juan A. Rodríguez-Aguilar (2020). A model to support collective reasoning: Formalization, analysis and computational assessment. arXiv preprint arXiv:2007.06850. [BibTeX]  [PDF]
Teddy Nurcahyadi,  & Christian Blum (2020). A New Approach for Making Use of Negative Learning in Ant Colony Optimization. Marco Dorigo, Thomas Stützle, Maria J. Blesa, Christian Blum, Heiko Hamann, Mary Katherine Heinrich, & Volker Strobel (Eds.), Swarm Intelligence (pp. 16--28). Springer International Publishing. [BibTeX]
Jerónimo Hernández-González,  & Jesús Cerquides (2020). A Robust Solution to Variational Importance Sampling of Minimum Variance. Entropy, 22, 1405. https://doi.org/10.3390/e22121405. [BibTeX]  [PDF]
Pedro Pinacho-Davidson,  & Christian Blum (2020). BARRAKUDA: A Hybrid Evolutionary Algorithm for Minimum Capacitated Dominating Set Problem. Mathematics, 8. https://doi.org/10.3390/math8111858. [BibTeX]  [PDF]
Marko Djukanovic,  Christoph Berger,  Günther R. Raidl,  & Christian Blum (2020). On Solving a Generalized Constrained Longest Common Subsequence Problem. Nicholas Olenev, Yuri Evtushenko, Michael Khachay, & Vlasta Malkova (Eds.), Optimization and Applications (pp. 55--70). Springer International Publishing. [BibTeX]  [PDF]
Matthias Horn,  Marko Djukanovic,  Christian Blum,  & Günther R. Raidl (2020). On the Use of Decision Diagrams for Finding Repetition-Free Longest Common Subsequences. Nicholas Olenev, Yuri Evtushenko, Michael Khachay, & Vlasta Malkova (Eds.), Optimization and Applications (pp. 134--149). Springer International Publishing. [BibTeX]  [PDF]
Dhananjay Thiruvady,  Christian Blum,  & Andreas T. Ernst (2020). Solution Merging in Matheuristics for Resource Constrained Job Scheduling. Algorithms, 13. https://doi.org/10.3390/a13100256. [BibTeX]  [PDF]
Josep Lluís Arcos
Scientific Researcher
Phone Ext. 227

Filippo Bistaffa
Contract Researcher
Phone Ext. 209

Christian Blum
Scientific Researcher
Phone Ext. 214

Jesus Cerquides
Scientific Researcher
Phone Ext. 228

Maite López-Sánchez
Tenured University Lecturer
Juan A. Rodríguez-Aguilar
Research Professor
Phone Ext. 218

Inmaculada Rodríguez Santiago
Tenured University Lecturer