@misc{10481/73613, year = {2017}, month = {9}, url = {http://hdl.handle.net/10481/73613}, abstract = {En este Trabajo de Fin de Máster se estudia el consumo energético de algoritmos genéticos aplicado la selección de caracterı́sticas multiobjetivo en problemas BCI o Brain Computer Interface por sus siglas en inglés. Razones económicas, de impacto medioambiental y de gestión de recursos han puesto en el punto de mira el consumo energético de la ejecución de programas desde máquinas de altas prestaciones hasta dispositivos móviles como smartphones. El consumo energético del algoritmo estudiado se ha caracterizado como caja negra, haciendo la metodologı́a que modela el algoritmo, y que es desarrollada a lo largo de toda la memoria, fácilmente portable y exclusivamente dependiente de parámetros de configuración de la evolución de la población. Del análisis de los datos se concluye que la evaluación de los individuos es la parte más importante del algoritmo genético estudiado, y que la repartición de esta carga entre el máximo número de núcleos es beneficiosa para la eficiencia. Además, el modelo lineal construido consigue, tras un análisis de anomalı́as y clustering con k-medias, ajustarse al test de validación con un 1.1925 % de error.}, keywords = {parallel computing}, keywords = {evolutionary algorithms}, keywords = {energy consumption}, keywords = {data science}, keywords = {machine learning}, title = {Análisis de Consumo Energético en Algoritmos Genéticos Paralelos}, doi = {10.30827/Digibug.73613}, author = {Moreno Gutiérrez, Salvador}, }