Browsing by Author "Hermosa Ponce, Adrian Renato"

0-9ABCDEFGHIJKLMNOPQRSTUVWXYZ
Now showing 1 - 1 of 1
  • No Thumbnail Available
    ItemOpen Access
    Sistema web inteligente para la optimización de la programación académica y la asignación dinámica de recursos, docentes y horarios
    (PUCE - Ibarra, 2026) Hermosa Ponce, Adrian Renato; Quishpe Morales, Santiago Damián
    La programación académica de la Escuela de Hábitat, Infraestructura y Creatividad de la PUCE Sede Ibarra se realizaba mediante hojas de cálculo Excel desconectadas, lo que generaba errores recurrentes y dificultaba verificar el cumplimiento de la normativa sobre carga horaria docente. El objetivo general del presente trabajo fue desarrollar un sistema web inteligente para la optimización de la programación académica y la asignación dinámica de recursos mediante métodos heurísticos y algoritmos genéticos. La investigación adoptó un enfoque aplicado con metodología mixta y el desarrollo se gestionó mediante Scrum, en Sprints de dos semanas. Los requisitos se levantaron mediante observación directa, entrevista al coordinador académico y análisis documental, y se documentaron en quince historias de usuario que guiaron la construcción del sistema. La implementación empleó Vue.js 3, NestJS y PostgreSQL para la capa web, y Python con la librería DEAP para el motor de optimización, orquestados con Docker e integrados vía API REST. El algoritmo genético codifica cada clase mediante tres genes (día, bloque horario y docente) y evalúa cada horario candidato con una función de aptitud (fitness) que parte de 10.000 puntos y resta penalizaciones por violaciones de restricciones duras y blandas. El ciclo evolutivo aplica selección por torneo, cruce de dos puntos y mutación durante doscientas generaciones fijas, al cabo de las cuales se retorna la mejor solución encontrada; al concluir, una heurística voraz asigna los laboratorios priorizando los niveles de mayor demanda estudiantil y minimizando conflictos de ocupación. La validación combinó seis pruebas de aceptación funcionales, que cubren los flujos principales derivados de las quince historias de usuario, con veintidós escenarios de éxito y error, todos cumplidos sobre datos reales de la institución. Las métricas cuantitativas sobre ocho instancias de distintos niveles, paralelos y jornadas no registraron cruces de docentes, aulas ni estudiantes, con valores de fitness entre el 94.4% y el 99.0% del máximo teórico y un tiempo de ejecución aproximado de un segundo. La estabilidad del algoritmo, evaluada mediante cinco ejecuciones independientes sobre una misma instancia, arrojó una media de 9710.0 puntos de fitness con una desviación estándar de 170.15 puntos (1.7% de la escala), lo que evidencia resultados consistentes pese a la naturaleza estocástica del método. Se concluye que el sistema cumplió el objetivo general xiii propuesto, y se recomienda conservar las programaciones generadas como línea base para evaluar en periodos futuros la reducción de conflictos respecto al proceso manual.