%-------------------------------------------------------------%

Ejemplo de un artculo con LaTeX

%-------------------------------------------------------------\documentclass[a4paper,twocolumn, 10pt]{article}
\usepackage[latin1]{inputenc}
\usepackage[spanish]{babel}
\usepackage{amssymb}
\usepackage{amsthm}
\usepackage{amsmath}
%\usepackage[draft]{graphicx}
\usepackage{graphicx}
%-------------------------------------------------------------\usepackage{amsfonts}
\newtheorem{thm}{Teorema}[section]
\newtheorem{cor}[thm]{Corolario}
\newtheorem{lem}[thm]{Lema}
\newtheorem{prop}[thm]{Proposicin}
\theoremstyle{definition}
\newtheorem{defn}[thm]{Definicin}
\theoremstyle{remark}
\newtheorem{rem}[thm]{Observacin}
\def\RR{\mathbb{R}}
\def\ZZ{\mathbb{Z}}
\newcommand{\abs}[1]{\left\vert#1\right\vert}
\DeclareMathOperator{\Jac}{Jac}
\usepackage[left=3cm, right=3cm, top=2.5cm, bottom=3cm]{geometry}
\title {\textbf{Modelo de Asignacin de Carga Horaria en la Facultad de
Ingeniera -ESMI-UNJBG, utilizando la Tcnica Metaheurstica, BSQUEDA
TAB}}
\author{Luis Marcelino Pacoricona Cori \\Facultad de Ingenieria- E.A.P. de
Ingenieria de Minas\thanks{Espero que este ejemplo sea de
utilidad.}}
\date{07 de Julio 2014}
%-------------------------------------------------------------\begin{document}
\maketitle
\begin{abstract}
El problema de asignacin de horarios de clases (carga acadmica) en una
institucin universitaria consiste en asignar lo mejor posible las clases para los
estudiantes en bloques de tiempo semestrales y en determinadas aulas, bajo
ciertas restricciones. La complejidad de este problema ha motivado la
utilizacin de mtodos heursticos y meta heursticas para tratar de
encontrar \textbf{buenas} soluciones en un tiempo computacional razonable.
En este trabajo se presenta un algoritmo basado en la meta heurstica Tabu
Search para la resolucin del problema de asignacin de carga acadmica en el
Departamento de EAP en Ingeniera de Minas de la Facultad de IngenieraUNJBG.

Palabras Clave - Metaheursticas, Carga Horaria,Asignacin de Aulas,

optimizacin Combinatoria, Bsqueda Tab.\\
\textbf{Abstract} - The problem of mapping class schedules (academic load) in
a university is to assign the best school for students in semester blocks of time
and in certain classrooms, under certain restrictions The complexity of this
problem has led to the use of heuristics and heuristics to try to find "good"
solutions in a reasonable computational time goal. This paper presents a meta
heuristic based on Tabu Search for solving the assignment problem of academic
work in the Department of EAP in Mining Engineering, Faculty of Engineering
UNJBG algorithm is presented.
Keywords- Metaheuristics, academic load, Assignment Classrooms,
Combinatorial optimization, tabu search.
\end{abstract}
%\tableofcontents
%-------------------------------------------------------------\section{Introduccin}
El problema de la asignacin de carga acadmica
tratado en este artculo, es un problema de optimizacin combinatoria del tipo
NP-Completo, lo que significa que los recursos computacionales necesarios
para encontrar una solucin se incrementan de forma exponencial con la
magnitud del problema, especialmente cuando son tratados con algoritmos
exactos. Este problema est presidido por un gran nmero de restricciones,
cuya importancia ser ponderada por cada
institucin, pero que en esencia se pueden clasificar en restricciones fuertes
(estrictas o duras) y dbiles (deseables o suaves).La violacin del primer tipo
de restriccin conduce a rechazar cualquier solucin encontrada. \\
Por otro lado, se debe minimizar la violacin del segundo tipo de restriccin con
el fin de obtener soluciones de mayor calidad.como objetivo general, este
trabajo busca encontrar una solucin mediante un procedimiento de
optimizacin metaheurstica al problema de asignacin carga horaria,
docentes y salones, para el escuela de Ingeniera minas de la Facultad de
Ingeniera- UNJBG , a travs bsqueda de tab, incorporando la metaheurstica
Bsqueda Tab, permitiendo la toma de decisiones y la asignacin de recursos
de una forma parametrizable, rpida, eficaz, dinmica, eficiente y que
beneficie a los diferentes actores involucrados tales como docentes y alumnos.
\section{Metaheurticas y optimizacin}
El trmino Metaheurstica, fue introducido por Fred
Glover en 1986. La palabra metaheurstica combina el prefijo
griego \textbf{meta}, que significa \textbf{ms all} y \textbf{heurstica}, que
significa \textbf{encontrar, descubrir, inventar}. Una metaheurstica es
entonces, un mtodo heurstico que busca resolver problemas computacionales
de tipo general, a partir de parmetros dados por el usuario y que
generalmente se aplican cuando no se ha hallado una solucin satisfactoria a
travs de una heurstica o cuando sta no es posible de implementar. La
mayora de

las metaheurstica son usadas para enfrentar los problemas de optimizacin

combinatoria, pero no son exclusivas de estos.\\
La optimizacin, es el proceso de buscar la mejor solucin posible o al menos,
la ms adecuada para un problema especfico. El problema se plantea
mediante una ecuacin llamada funcin objetivo, la cual posee unas variables
de
decisin cuyos valores estn sujetos a ciertas restricciones. Lo
que se pretende entonces, es encontrar el valor de las variables
de decisin que maximicen o minimicen la funcin objetivo, al
tiempo que satisfacen las restricciones planteadas.\\
Si el problema es de minimizacin, ste se formula de la
siguiente manera:
\[min\{f(x) | x\in\mathbb{X}\} \]
Donde f es la funcin objetivo y x es una solucin dentro
del espacio X de soluciones factibles del problema.\\
El problema tratado en este artculo, es un problema de
optimizacin combinatoria. Este tipo de optimizacin tiene
como propsito el encontrar estados dentro de un espacio
de bsqueda, que maximicen o minimicen una determinada funcin objetivo.
Una caracterstica importante de este tipo de problemas es que los estados y
su espacio de bsqueda son, comnmente, particulares para cada problema.\\
\\
\textbf{Bsqueda Tab:} La Bsqueda Tab (Tabu Search)es un mtodo
metaheurstico que emplea un algoritmo
determinstico de avance iterativo pero con la posibilidad
de aceptar soluciones mejores o peores a la actual, lo cual permite guiar la
bsqueda fuera de ptimos locales y a travs de nuevos entornos de
soluciones. Posee una estructura altamente adaptable a los detalles del
problema.\\ Toma de la Inteligencia Artificial el concepto de memoria,
permitiendo eludir los mnimos locales as como ejecutar su estrategia de
exploracin, la cual pretende evitar bsquedas reiterativas en una misma
regin.\\
La memoria adaptativa es representada a travs de una lista tab, la cual
contiene para cada iteracin, las mejores soluciones o en su defecto, los
movimientos realizados para obtener dicha solucin, los cuales no sern
contemplados nuevamente en futuras iteraciones, lo que facilita tener un
reducido nmero de soluciones elegibles; sin embargo, para evitar la prdida
de informacin al no incluir las soluciones
completas, se emplea un \textbf{criterio de aspiracin} que permite introducir
nuevas soluciones aunque estn prohibidas por la lista tab.
\begin{figure}
\centering
\includegraphics{tabueje}
\caption{Ejemplo funcionamiento Tabu}
\label{fig:tabueje}
\end{figure}

\section{Modelado del problema}

El Problema de Asignacin de carga acadmica puede verse como un problema
de optimizacin combinatoria, puesto que se requiere hacer
la mejor asignacin entre todas las posibles
asignaciones de horarios. Para ello, basta con definir el conjunto de soluciones,
con sus respectivas restricciones asociadas (si existen), y la funcin objetivo.\\
En este problema se suelen identificar dos tipos de restricciones: Fuertes y
Dbiles. \\
\textbf{Las Fuertes} definen la factibilidad o validez de
un horario de clases y, generalmente, expresan limitaciones fsicas, como lo
son la incapacidad de
un profesor o estudiante de estar en dos lugares
distintos al mismo tiempo. Las restricciones fuertes corresponden a las
restricciones sobre las
soluciones de un problema de optimizacin combinatoria, de manera que el
espacio de soluciones estara definido p
or el conjunto de todos los horarios posibles que cumplan todas estas
restricciones.\\
\textbf{Las dbiles} se refieren a restricciones que no son obligatorias, pero se
desean satisfacer
lo mayor posible. Un ejemplo de restriccin
fuerte puede ser el aprovechamiento ptimo
de los recursos (tiempo y aulas, entre otros). El
\textbf{grado de satisfaccin} de estas restricciones es
el que define la calidad de los horarios de clases y, por ende, permite
determinar cundo un horario
es mejor que otro. Esto implica que se debe definir
una manera de evaluar la satisfaccin de las
restricciones debiles, lo cual correspondera
a la funcin objetivo del problema.\\
El modelo a construir, considerar como problema base, el de la programacin
de horarios, que consiste en definir un horario para cada uno de los grupos
(aos de estudio) o asignaturas existentes, considerando las diferentes
restricciones y la disponibilidad de
recursos. \\
Desglosaremos las asignaturas por aos de estudio y los docentes hayan sido
relacionados a las asignaturas que dictarn; as, restara definir el horario y
aula de cada uno de los aos de estudio. Para involucrar en el modelo el
problema de asignacin de aulas, el cual busca la
adecuada programacin de las mismas segn ciertos criterios, se construyen
matrices que describan tanto las caractersticas de las aulas como las
exigencias en stas por parte de las asignaturas.\\
\subsubsection{Definicin de trminos}
En sta seccin se define una seria de trminos informacin se debe incluir o
procesar en el modelo y acta

como un organizador de la misma. Los datos necesarios para

alimentar el modelo, estn relacionados con la curricula academica, Carreras,
Asignaturas, Grupos(aos de estudio), Requisitos, Prerrequisitos,Aulas,
Escuelas, Departamentos Acadmicas, Docentes y Estudiantes, entre otros. La
estructuracin o representacin de los datos utilizada por el modelo y que
busca
disminuir la complejidad del problema, ahora definimos los componentes de
datos de la siguiente manera:\\
\textbf{Horario acadmico:} La representacin de un horario
acadmico u horario de clases, se define como una matriz tridimensional de la
forma: \[
H_{ndXnaXnhd}
\] donde nd es el
nmero de das contemplados en el horizonte de planificacin,
na es el nmero de aulas existentes y nhd es el nmero de horas
por da a tener en cuenta para la asignacin. Segn lo anterior,
cada asignacin de dicha matriz estar definida por una terna: \[
h_{dah}
\]
representando el da d, el aula a y a la hora h en la que es
programada la dupla asignatura-grupo. Esta matriz es construida
en tiempo de ejecucin del modelo, y siendo constantemente
validada por su componente lgico permite almacenar la mejor
solucin encontrada para la funcin objetivo planteada.\\
\textbf{Asignaturas:} Los datos relacionados con las asignaturas son
representados como una matriz de la forma: \[
AS_{nasXnca}
\] donde
nas es el nmero de asignaturas existentes y nca es el nmero
de caractersticas a incluir para cada asignatura.\\
\textbf{Grupos(Aos):} Esta matriz, es de la forma:\[
G_{nasXngXnca}
\] donde
nas es el nmero de asignaturas existentes, ng es el nmero de
grupos por asignatura y nca es el nmero de caractersticas a
incluir para cada grupo.\\
\textbf{Grupos-da-hora:} Esta estructura temporal de datos, es
construida en tiempo de ejecucin del modelo y es un paso fundamental para
construir la matriz "Horario Acadmico";
adicionalmente, permite validar algunas restricciones. Los
datos estn representados de la forma: \[
GDH_{ndXnhd}
\] donde nd
es el nmero de das en los que la dupla asignatura-grupo es
programada y nhd es el nmero de horas por da a programar.\\

\textbf{Asignaturas-aulas-sugeridas:} Se define una matriz de la

forma: \[
ASA_{nasXna}
\] donde nas es el nmero de asignaturas
para las cuales se tiene identificada mnimo un aula en la que
es posible programarla y na es el nmero de aulas sugeridas
por asignatura identificada.\\
\textbf{Aulas:} Los datos relacionados con las aulas son representados
como una matriz de la forma:\[
A_{naXnca}
\] donde na es el nmero
de aulas existentes y nca es el nmero de caractersticas a incluir
para cada aula.\\
\textbf{Aulas-da-hora:} Su representacin es de la forma:\[
ADH_{ndXnhd}
\]
donde nd es el nmero de das en los que el aula es programada
y nhbd es el nmero de horas por da a programar.\\
\textbf{Docentes:} Los datos relacionados con los docentes son
representados como una matriz de la forma: \[
DOC_{ndocXnca}
\]
donde ndoc es el nmero de docentes existentes y nca es el
nmero de caractersticas a incluir para cada docente.\\
\textbf{Grupos-docentes:} A esta estructura de datos es posible
cargar informacin histrica de la relacin docente-asignatura
o permitir que el modelo construya una instancia de la misma.
Si la informacin es definida previa a la ejecucin del modelo,
ofrece como beneficio un aumento considerable en la eficiencia
del mismo.\\
\textbf{Docentes-da-hora:} La representacin de esta estructura, es
de la forma: \[
DDH_{ndXnhd}
\] donde nd es el nmero de das en
los que el docente es programado y nhd es el nmero de horas
por da a programar.\\
\textbf{Docente-asignaturas-perfil:} Comnmente, debido a su propia
formacin y especializacin, el docente tiene un portafolio de
asignaturas a impartir. Dependiendo de las polticas de cada
Institucin, el docente debe ser programado con una o varias
de dichas asignaturas.\\
\textbf{Componente Matemtico:} Este componente define
la representacin matemtica adoptada por el modelo,
principalmente sus variables de decisin, la funcin objetivo

y las limitaciones o restricciones que deber satisfacer. Un

aspecto importante de este componente, es que debe permitir
la reclasificacin de las restricciones, de forma tal que, una
restriccin fuerte pueda definirse en cualquier momento como
restriccin dbil y viceversa. Esto permitir que el modelo se
ajuste a las polticas de las instituciones.\\
\textbf{Componente Controlador:} Este componente es el encargado
de tomar los datos y controlar que, tanto la lgica propuesta
por el algoritmo como las restricciones definidas, se cumplan.
Al igual que el componente algortmico, el controlador
tambin posee una lgica importante, la cual estar dedicada
a transformar la informacin incluida al modelo en la
informacin final o resultado del mismo.\\
\textbf{Componente Informtico:} Este componente es un apoyo al
controlador y bsicamente es quien define el tipo y cantidad de
recursos de software y hardware que emplear el modelo, lo
cual incide directamente en la eficiencia del mismo.
Componente Parametrizable: En este componente se
definen todos los parmetros que el modelo permitir ajustar
y que no necesariamente son una constante para las diferentes
instancias del problema. La eficiencia del modelo se ve afectada
por este componente debido precisamente a que no se tiene un
total control de la cantidad y dimensin de cada uno de sus
parmetros.\\
\textbf{Representacin de la Solucin:} Considerando el problema
base y los componentes previamente citados, se define a
continuacin la representacin que tendr el problema de asignacin de carga
academica.
Sea H la matriz que representa un horario acadmico:
\[
H_{ndXnaXnhd}
\]
nd, es el nmero de das contemplados en el horizonte de
planificacin.
na, es el nmero de aulas existentes.
nhd, es el nmero de horas por da a tener en cuenta para la
asignacin.\\
Cada asignacin de dicha matriz o variable de decisin(Figura 2), estar
representada de forma matemtica por:
\[
h_{(as.g)Xdah}=\left \{ \begin{matrix} 1 & \mbox{}\mbox{ }
\\ 0 & \mbox{en caso contrario }\mbox{}\end{matrix}\right.
\]
1, si la dupla asignatura.grupo es programada. en el dia d, en la hora h,en el
aula a,a la hora h.\\
\begin{center}
\begin{tabular}{| c | c | c | c | r |}

\hline
& Clase 1 & Clase 2 & ... & Clase n \\ \hline
Salon 1 Dia 1 horario 1 & 0 & 1 & 1 & 0 \\ \hline
Salon 1 Dia 1 horario 2 & 0 & 0 & 0 & 0 \\ \hline
Salon 1 Dia 1 horario 3 & 1 & 0 & 0 & 1 \\ \hline
... & 1 & 1 & ... & 0 \\ \hline
Salon 1 Dia n horario 1 & 0 & 1 & 0 & 1 \\ \hline
Salon 1 Dia n horario 2 & 0 & 0 & 1 & 1 \\ \hline
... & 0 & ... & ... & 1 \\ \hline
... & 1 & ... & 0 & ... \\ \hline
Salon n Dia n horario n & 1 & 0 & 1 & 0 \\
\hline
\end{tabular}
\end{center}
Tabla 1. Matriz Solucin.
\\
\textbf{ Funcin objetivo:} Debido a que el problema a tratar es
un problema de optimizacin combinatoria y considerando
que cualquier solucin del problema es aceptada si y solo si
satisface todas las restricciones duras, se debe entonces definir
una ecuacin que permita determinar qu solucin es mejor que
otra. sto se har evaluando las restricciones suaves, por lo
que la funcin objetivo ser un modelo de costos que permita
medir el nivel de satisfaccin de las mismas y determinar
as la calidad de la solucin. Para controlar que se cumpla la
restriccin, su costo asociado deber ser igual a cero; de lo
contrario, cuanto mayor sea su valor, ms lejos estar de
la satisfaccin. \\
En conclusin, se ha definido el problema
como un problema de minimizacin, donde la funcin
objetivo con menor valor, ser considerada la ms ptima.\\
La representacin matemtica de la Funcin Objetivo,
es:
\[ min f(H)=\displaystyle\sum_{k=1}^N peso_k*costo_k \]
donde k, cantidad de restricciones suaves.
peso k, peso definido para la restriccin k.
costok, costo asociado a la insatisfaccin o incumplimiento
de la restriccin k.
\subsubsection{Restricciones}
\textbf{Restricciones Fuertes:} \\
1. Un grupo solo puede asignarse a una nica aula y franja
horaria.\\
2. Dos grupos pueden asignarse a una misma aula en un mismo
horario, siempre que dichos grupos estn previamente
habilitados para esto.\\
3. Un aula puede asignarse a dos o ms grupos al tiempo (dahora),
solo si su capacidad, y si las caractersticas de los
grupos, lo permiten.\\
4. Un aula solo debe ser programada en un horario en el que
est disponible.\\

5. Las horas programadas semanalmente a un grupo

(asignatura-grupo) deben ser las requeridas por la asignatura.\\
6. Un grupo (asignatura-grupo) debe ser programado en un aula
con capacidad suficiente para sus estudiantes.\\
7. Las horas diarias de clase para un grupo deben programarse
de forma consecutiva (bloque) y en la misma aula.\\
8. Un grupo de una asignatura ya sea terica o prctica debe
programarse en un aula propia para esto.\\
9. Una asignatura solo debe programarse dentro del horizonte
de tiempo definido para ello.\\
10. Un grupo solo puede programarse si tiene asignado un
docente.\\
11. Un docente solo puede asignarse a un nico grupo en un
nico horario.\\
12. Un docente solo debe ser programado en un horario en el
que est disponible.\\
13. Un docente solo puede ser programado en las asignaturas
de su perfil.\\
14. El nmero de horas clase programadas para un docente no
puede superar la dedicacin que su categora define para esto.\\
\textbf{Restricciones Dbiles:} \\
1. Los grupos para cada asignatura, deben programarse en el
horario de preferencia de los docentes.\\
2. En caso de que un docente tenga en su perfil ms de una
asignatura a dictar, ests debern ser asignadas de acuerdo
con su preferencia.\\
3. Los grupos pertenecientes a un mismo nivel y programa
acadmico, no deben estar programados al mismo tiempo.\\
4. Los grupos pertenecientes a un mismo nivel y programa
acadmico, deben programarse en una misma jornada del
da.\\
5. Los grupos pertenecientes a un mismo nivel y programa
acadmico, deben exigir el mnimo desplazamiento entre
aulas.\\
6. Un grupo debe ser programado en un aula cuya capacidad
sea igual a la cantidad de alumnos que conforman el grupo.\\
\textbf{Pesos:} Los pesos peso\textit{k'}, asociados a cada una de las
restricciones son manejados como un parmetro para el
modelo, lo que permite que cada Institucin con base en su
experiencia o polticas establecidas, determine su valor y con
ste, la prioridad o importancia de las restricciones. Cada uno
de estos parmetros tendr un valor entre 0.0 y 1.0, donde 1.0
representa una alta importancia de la restriccin. Por defecto,
estos parmetros son definidos en el modelo con los valores de
0.8, 0.8, 0.3, 0.8, 0.8 y 0.3 para las restricciones dbiles 1, 2, 3,
4, 5 y 6, respectivamente. Lo anterior significa por ejemplo, en
el caso de la primera restriccin dbil, que es muy importante
que la programacin de los grupos se haga en el horario de

preferencia de los docentes.

%\subsubsection{Prembulo}
%\subsubsection{Cuerpo}
%\dots
\section{Implementacon del modelo}
\begin{figure}
\centering
\includegraphics{diagrama}
\caption{Diagrama de flujo asignacin carga acadmica}
\label{fig:diagrama}
\end{figure}
Teniendo presente que actualmente las instituciones
educativas poseen experiencia valiosa en la asignacin de los
recursos tratados en este trabajo, se utiliza
la Bsqueda Tab para dar solucin al problema de optimizacin
combinatoria, que pretende realizar la programacin de
un horario acadmico, relacionando asignaturas, aulas y
docentes como los elementos ms descriptivos del mismo. Su
aplicacin, se har tomando como referencia los componentes
y representaciones del modelo.\\
\\
\\
\textbf{Aplicacin de la Metaheurstica:} La metaheurstica Bsqueda Tab
aplica un procedimiento de bsqueda local,
impidiendo a travs de la penalizacin de ciertos movimientos,
que se caiga en ptimos locales. El punto de partida para la
aplicacin, es una solucin inicial, la cual puede ser obtenida
a travs de algn algoritmo constructor o utilizando datos de
soluciones histricas. La eficiencia de la metaheurstica, y en
general del problema de asignacion de carga horaria, dependen
considerablemente de la calidad
de la solucin inicial.\\
Para la implementacin del modelo, y especficamente para
la aplicacin de ste en problema en la facultad de ingenieria, escuela de
minas se va a implementar un algoritmo que construye la solucin inicial a
partir de los datos correspondientes del ao anterior. La figura 2, ilustra el
diagrama de flujo del algoritmo constructor de la solucin inicial, el cual busca
el cumplimiento de las restricciones duras, ofreciendo adems elementos para
obtener una solucin de muy buena calidad. \\Se inicia consultando si existen
grupos sin programar; de ser as, se define un criterio de programacin (como
por ejemplo, iniciar con los grupos de las asignaturas que disponen de una
nica aula para ser programadas); se buscan aulas habilitadas y disponibles
que cumplan las restricciones; luego, se busca un da y hora disponible que
cumpla las restricciones y se procede a programar el grupo, aula y docente. En
caso de que no exista disponibilidad de recursos segn el criterio de

programacin, se procede a definir un nuevo criterio y se inicia de nuevo la

bsqueda. Es importante anotar que los buenos resultados de la solucin
inicial, obedecen en gran medida a la estructuracin de los datos.\\
\textbf{Movimientos:} En los problemas de optimizacin
combinatoria, los movimientos son utilizados para definir una nueva vecindad y
de esta forma, ir de una solucin a otra. Los movimientos a realizar
corresponden al intercambio de una posicin por otra en la matriz horario,
donde una posicin representa la programacin de un grupo en un aula, da y
hora determinado. A continuacin se muestra una lista de algunos
posibles movimientos, los cuales deben de hacerse garantizando que se
cumplan las restricciones duras.\\ \\
1. Intercambio de dos grupos programados en una misma aula, en el
mismo bloque horario, pero en das diferentes.\\
2. Intercambio de dos grupos programados en diferentes aulas,en el
mismo bloque horario y en diferentes das.\\
3. Movimiento de un grupo al mismo bloque horario libre, en la misma
aula, pero en un da diferente.\\
4. Movimiento de un grupo al mismo bloque horario libre, en diferente
aula y en el mismo da.\\
5. Movimiento de un grupo al mismo bloque horario libre, en diferente
aula y en un da diferente.\\
6. Movimiento de un grupo a un bloque horario libre, en la
misma aula y en el mismo da.\\
7. Intercambio de dos grupos programados en una misma aula, en
diferente bloque horario, pero en el mismo da, con igual nmero de das
programados y para cada uno de estos.\\
8. Intercambio de dos grupos programados en diferentes aulas, en
diferente bloque horario, en diferentes das, con igual nmero de das
programados y para cada uno de estos.\\
9. Movimiento de un grupo a un diferente bloque horario libre, en la
misma aula, en el mismo da, para cada uno de los das programados.\\
10. Movimiento de un grupo a un diferente bloque horario
libre, en la misma aula, en diferente da, por cada uno de
los das a programar.\\
11. Movimiento de un grupo a un diferente bloque horario
libre, en diferente aula, en el mismo da, para cada uno de los das
programados.\\ \\
La figura 3, 4, 5 ilustra algunos de los movimientos aplicados al Tab Search.
A partir de la solucin inicial H, la metaheurstica Bsqueda
Tab tiene a una solucin generada por un movimiento su vecino H', y a todo el
conjunto de soluciones generadas por
cada posible movimiento, como su vecindario N(H'). Segn
lo anterior, y por el tipo de problema tratado, se hace necesario
reducir esta vecindad.\\ \\
El modelo planteado, propone generar
un vecindario N'(H') a partir de una muestra mnima de cada
movimiento previamente definido, lo cual no siempre generar
una vecindad del mismo tamao, puesto que a medida que se
avanza en la optimizacin, se agotan los posibles movimientos.

La filosofa de la Bsqueda Tab permite que la solucin del

vecindario que tenga el mnimo valor de la funcin objetivo
f(H), sea la nueva solucin inicial, sin importar que sea mejor
o peor que el valor de la solucin actual.
\begin{figure}
\centering
\includegraphics [width=0.65\textwidth] {movimiento1}
\caption{Estructura principal}
\label{fig:movimiento1}
\end{figure}
\begin{figure}
\centering
\includegraphics [width=0.65\textwidth] {movimiento2}
\caption{Elustracin de movimiento (a)}
\label{fig:movimiento2}
\end{figure}
\begin{figure}
\centering
\includegraphics [width=0.65\textwidth] {movimiento3}
\caption{Elustracin de movimiento (b)}
\label{fig:movimiento3}
\end{figure}

\section{Conclusiones }
El problema de asignacion de carga academica para esmi-fain se puede
desarrollar al problema propuesto es este articulo en el lenguaje PHP Versin
5.3.5, corriendo sobre un servidor Apache Versin 2.2.17 y empleando como
motor de bases de datos MySQL Versin 5.5.8. Este ambiente de desarrollo
permitira construir un prototipo de aplicacin orientada a la Web.\\
La estructura de datos diseada y el constructivo para la
solucin inicial, han garantizado el cumplimiento de todas las
restricciones fuertes, permitiendo concentrar esfuerzos en el
control de las restricciones suaves las cuales son empleadas
para determinar la calidad de la solucin.\\
El Modelo para la Asignacin de de carga Acadmicos de horarios, planteado
en este artculo y cuyo componente lgico se basa en la metaheurstica
Bsqueda Tab, se debe de implementar como un trabajo futuro con la datos
reales suministrados por la FAIN-ESMI. Este modelo puede ser una mejor
solucion comparado con el mtodo manual que actualmente aplica la escuela y
asi propornerlo a nivel de la facultad universidad.\\
El modelo desarrollado incluy un mayor nmero de restricciones fuertes y
dbiles, comparado con las contempladas en el proceso que actualmente

ejecuta la Escuela de Minas de la Facultad de Ingeniera; adaptndose as a las

polticas y tendencias de las actuales instituciones.\\
Se debe de adaptar diferentes metaheursticas al modelo propuesto en esta
articulo, especialmente Colonia de Hormigas y Algoritmos geneticos
evolutivos. De esta forma se podra aplicar el mismo ambiente de pruebas bajo
diferentes componentes lgicos, y realizar posteriormente comparativos en la
calidad de las soluciones y/o desempeo de dichos componentes.\\
%\appendix
\begin{thebibliography}{99}
\bibitem{Cd94}Zambrano Rodriguez, Douglas Francisco, \emph{Qu es
inteligencia artificial}, Biblioteca virtual unjbg-ebrary Editorial: El Cid Editor |
apuntes, (2009)
\bibitem{Cd94}Palma Mndez, Jos Toms Marn Morales, Roque,
\emph{Inteligencia artificial: mtodos, tcnicas y aplicaciones}, Biblioteca
virtual unjbg-ebrary Editorial:McGraw-Hill Espaa,(2008)
\bibitem{Cd94}Ponce Cruz, Pedro Herrera, Alejandro, \emph{Inteligencia
artificial con aplicaciones a la ingeniera},Biblioteca virtual unjbg-ebrary
Editorial:Alfaomega Grupo Editor Mexico,(2010)
\bibitem{Cd94}Infante Abreu, Ana Lilian Andr Ampuero, Margarita
Rosete Surez, Alejandro, \emph{asignacin de recursos humanos a equipos
de proyecto de software},Biblioteca virtual unjbg-ebrary Editorial:D - Instituto
Superior Politcnico Jos Antonio Echeverra. CUJAE -Cuba,(2012)
\bibitem{Cd94}Duarte Muoz, Abraham,
\emph{Metaheursticas},Biblioteca virtual unjbg-ebrary Editorial: DykinsonEspaa,(2008)
\bibitem{Cd94}Domnguez Gual, Carlos Andrs Ros Saldarriaga,
Geovanni de los Velsquez Henao, Juan David, \emph{Distribucin de espacios
en plantas industriales usando bsqueda tab},Biblioteca virtual unjbg-ebrary
Editorial: Red Dyna - Colombia,(2006)
\bibitem{Cd94}F. Rey, M. Carlevaro , \emph{Problema de Asignacin de
Horarios y Salones a Cursos}, Proyecto de Grado, Facultad de Ingeniera,
(1998)
\bibitem{Cd94}Peuela C.; Franco J. y Toro E, \emph{Colonia de
Hormigas Aplicada a la Programacin ptima de Horarios de Clase},
Universidad Tecnolgica de Pereira. Scientia et Technica Ao
XIV, (2008)
\bibitem{Cd94}Saldaa A.; San Martn C. y Pradenas L, \emph{Modelos
de programacin Entera para un Problema de Programacin de Horarios para
Universidades},Revista Chilena de Ingeniera. Vol.15 No.3, pp. 245-259., (2010)
\bibitem{Cd94}Melin B.; Moreno P. J. y Moreno,
\emph{Metaheursticas:una visin global. Inteligencia Artificial},Revista
Iberoamericana de Inteligencia Artificial. No.19, pp. 7-28, (2007)
\bibitem{Cd94}Mart R., \emph{Algoritmos Heursticos en Optimizacin
Combinatoria. Departamento de Estadstica e Investigacin
Operativa},Universidad de Valencia, (2005)
\bibitem{Cd94}Glover F. y Melin B., \emph{Bsqueda Tab. Inteligencia
Artificial},Revista Iberoamericana de Inteligencia Artificial.
No.19, pp. 29-48, (2007)

\end{thebibliography}
\end{document}