Título: Aplicación de Redes Neuronales Generativas Adversarias (GANs) en Problemas de Optimización Matemática
Resumen:
Esta tesis explora la aplicación de Redes Neuronales Generativas Adversarias (GANs) en la resolución de problemas de optimización matemática. Las GANs son modelos de aprendizaje profundo que consisten en dos redes neuronales, un generador y un discriminador, que compiten entre sí para mejorar sus capacidades. Esta tesis se propone investigar cómo las GANs pueden ser utilizadas para encontrar soluciones óptimas en problemas de optimización no lineales y altamente complejos, donde los métodos tradicionales pueden ser ineficaces.
Introducción:
La optimización matemática es una rama fundamental de las matemáticas aplicadas que se ocupa de la minimización o maximización de una función objetivo bajo ciertas restricciones. A pesar de los avances en métodos tradicionales de optimización, muchos problemas reales siguen siendo difíciles de resolver debido a su complejidad y no linealidad. En los últimos años, el aprendizaje profundo ha demostrado ser una herramienta poderosa en diversas áreas, incluyendo la optimización matemática.
Objetivos:
1. Revisar la literatura existente sobre el uso de GANs en problemas de optimización.
2. Desarrollar un marco teórico para aplicar GANs en la resolución de problemas de optimización no lineales.
3. Implementar y experimentar con algoritmos de GANs en varios casos de estudio de optimización.
4. Evaluar el rendimiento de las GANs en comparación con métodos tradicionales de optimización.
5. Discernir las limitaciones y posibles mejoras de las GANs en la optimización matemática.
Metodología:
La metodología seguirá un enfoque mixto de revisión literaria y experimentación práctica. Se llevará a cabo una revisión exhaustiva de la literatura existente para identificar las aplicaciones más relevantes de GANs en la optimización. Luego, se desarrollarán y entrenarán modelos de GANs utilizando frameworks de aprendizaje profundo como TensorFlow o PyTorch. Los modelos serán evaluados en diversos problemas de optimización no lineales para comparar su rendimiento con métodos tradicionales.
Resultados Esperados:
Se espera que los resultados de esta tesis proporcionen una comprensión más profunda de cómo las GANs pueden ser utilizadas para resolver problemas de optimización matemática. Además, se espera que se identifiquen nuevas oportunidades y limitaciones en el uso de GANs para estos problemas, lo que podría conducir a futuras investigaciones y mejoras en los algoritmos de optimización.
Conclusión:
En conclusión, esta tesis busca contribuir al campo de la optimización matemática al explorar el potencial de las GANs en la resolución de problemas complejos. A través de la revisión literaria y la experimentación práctica, se espera proporcionar una base sólida para el uso de GANs en la optimización matemática y abrir nuevas vías de investigación en esta área.
Palabras Clave:
Redes Neuronales Generativas Adversarias, Optimización Matemática, Aprendizaje Profundo, Métodos de Optimización, Problemas No Lineales.