Ornar Alexis Becerra Sierra

This article presents a novel nonparametric approach to generate synthetic data using copulas, which are functions that explain the dependency structure of the real data. The proposed method addresses several challenges faced by existing synthetic data generation techniques, such as the preservation of complex multivariate structures presented in real data. By using all the information from real data and verifying that the generated synthetic data follows the same behavior as the real data under homogeneity tests, our method is a significant improvement over existing techniques. Our method is easy to implement and interpret, making it a valuable tool for solving class imbalance problems in machine learning models, improving the generalization capabilities of deep learning models, and anonymizing information in finance and healthcare domains, among other applications.

Un Flow Shop es un sistema de producción en el cual una serie de trabajos debe seguir un flujo unidireccional para ser procesada en varias estaciones de trabajo. En este artículo se introduce el Permutation Flow Shop Scheduling Problem with Shifts Constraints (PFSSPSC), una variante del Permutation Flow Shop Scheduling Problem (PFSSP) en donde se busca minimizar el tiempo en que se terminan de procesar todos los trabajos y se imponen restricciones sobre los turnos de procesamiento de los trabajos. Estas restricciones consisten en que la ejecución de cada trabajo siempre debe terminar en el mismo turno en que empieza para evitar interrupciones. Además, en este artículo se introduce un algoritmo híbrido para hallar buenas soluciones al PFSSPSC. Éste consiste en un metaheurístico compuesto por un algoritmo genético y un algoritmo VNS (Variable Neighborhood Search). El algoritmo propuesto es probado con 120 instancias del PFSSP disponibles en la literatura adaptadas para el PFSSPSC. Las soluciones obtenidas son comparadas con aquellas ofrecidas por tres algoritmos heurísticos en cuanto a tiempo de ejecución y calidad de las soluciones obtenidas: un método constructivo, un método constructivo aleatorizado y un VND. La comparación entre los cuatro algoritmos muestra una superioridad de los algoritmos híbrido y VND en cuanto a la calidad de la solución, aunque el método constructivo y la búsqueda aleatoria son más rápidos. Entre el algoritmo híbrido y el VND no hay una gran diferencia en la calidad de la solución, pero el algoritmo híbrido es significativamente más rápido que el VND.