Revista ELECTRO
Vol. 46 – Año 2024
Artículo
TÍTULO
Big O como Marco de Referencia para la Mejora de la Eficiencia de un Software Detector de Ráfagas Extremas de Viento
AUTORES
Guillén, A. de J.; Parra, L.Y.; Dueñas, E.; Juárez, S.; Hernández, E.; Pacheco, D.
RESUMEN
Actualmente, el uso de sistemas computacionales ha incrementado significativamente la productividad de la humanidad. Sin embargo, esto ha traído consigo problemas, como el aumento de datos de entrada y la complejidad d e los modelos diseñados para analizarlos, lo que exige una mayor capacidad computacional. Por ello, se buscan algoritmos cada vez más eficientes. Un ejemplo es el método detector de ráfagas extremas de viento (MDREV), creado para analizar una base de datos de 31 millones de registros de velocidad es del viento obtenidos en La Ventosa, Oaxaca, México. Sin embargo, el análisis resultó inviable debido a la complejidad del algoritmo, lo que llevó al desarrollo de un nuevo algoritmo más eficiente para realizar di cho análisis. En este estudio, se analizan ambos algoritmos utilizando la notación Big O como marco de referencia, demostrando que la complejidad del nuevo algoritmo es menor y, por ende, más eficiente. Este resultado se pone a prueba con un estudio empíri co de tiempos de ejecución de ambos algoritmos con bases de datos de distintos tamaños, mostrando una mejora del 95% en los tiempos de ejecución.
Palabras Clave: Análisis de algoritmos, ráfagas extremas de viento, notación Big O, eficiencia de algoritmos.
ABSTRACT
Currently, using computer systems has significantly increased the productivity of humanity. However, this has brought problems, such as the increase in input data and the complexity of the models designed to analyze them, which requires greater computational capacity. Therefore, increasingly efficient algorithms are sought. An example is the Extreme Wind Gust Detector Method (MDREV), created to analyze a database of 31 million wind speed records obtained in La Ventosa, Oaxaca, Mexico. However, th e analysis turned out to be infeasible due to the complexity of the algorithm, which led to the development of a new, more efficient algorithm to perform said analysis. In this study, both algorithms are analyzed using the Big O notation as a framework, demonstrating that the complexity of the new algorithm is lower and, therefore, more efficient. This result is tested with an empirical study of the execution times of both algorithms with databases of different sizes, showing a 95% improvement in execution times.
Keywords: Algorithm analysis, extreme wind gusts, Big O notation, algorithm efficiency.
REFERENCIAS
[1] I. K. Ángeles-Pérez, G. Martínez-Reyes, R. Iracheta-Cortez, L. A. Otamendi-Cruz, J. d. L. Cruz-Soto and E. Dueñas-Reyes, "Comparison of wind resource among physical and virtual weather stations for analyzing the economic feasibility of wind farms," 2022 IEEE 40th Central America and Panama Convention (CONCAPAN), Pa nama, Panama, 2022, pp. 1-6, doi: 10.1109/CONCAPAN48024.2022.9997606.
[2] D. Elliot, M. Schwartz, G. Scott, S. Haymes, D. Heimiller, R. George, Atlas de recursos eólicos del estado de oaxaca, Tech. Rep. NREL/TP-500-35575, Laboratorio Nacional de Energía Renov able (NREL), USA654 (2004).
[3] Öztürk, H. T. (2024). Research on optimal solutions and algorithm stability analyses in RC continuous beam problems. Structures, 62, 106239. https://doi.org/10.1016/j.istruc.2024.106239
[4] Hendy, K., & Istiono, W. (2020). Efficiency Analysis of Binary Search and Quadratic Search in Big and Small Data. Computational Science and Techniques, 7. https://doi.org/10.15181/csat.v7i1.2091
[5] AbuSalim, S. W. G., Ibrahim, R., Zainuri Saringat, M., Jamel, S., & Abdul Wahab, J. (2020). Comparative Analysis between Dijkstra and Bellman-Ford Algorithms in Shortest Path Optimization. IOP Conference Series: Ma terials Science and Engineering, 917, 012077. https://doi.org/10.1088/1757-899x/917/1/012077 0.0070.503 1.007 1.510 0.20915.25030.50145.7510510152025303540455086,400 6,291,456 12,582,912 18,874,368Espacio en GigaBytesNúmero de datosComparativa de espacio requerido estimado de ambos algoritmos Nuevo AntiguoRevist a ELECTRO, Vol. 46, 2024, pp. 1 54-160 https://itchihuahua.mx/revista_electro ISSN Electrónico: 3061-774X 160
[6] Handy Permana, S. D., Yogha Bintoro, K. B., Arifitama, B., & Syahputra, A. (2018). Comparative Ana lysis of Pathfinding Algorithms A *, Dijkstra, and BFS on Maze Runner Game. IJISTECH (International Journal Of Information System & Technology), 1 (2), 1. https://doi.org/10.30645/ijistech.v1i2.7
[7] Ruiz, A. P., Flynn, M., Large, J., Middlehurst, M., & Bagnall, A. (2020). The great multivariante time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data Mining and Knowledge Discovery. https://doi.org/10.1007/s10618-020-00727-3
[8] Anowar, F., Sadaoui, S., & Selim, B. (2021). Conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE). Computer Science Review, 40, 100378. https://doi.org/10.1016/j.cosrev.2021.100378
[9] Cormen, T. H., Stein, C., Rivest, R. L., & Leiserson, C. E. (2009). Introduction to Algorithms. MIT Press.
[10] McConnell, J. J. (2008). Analysis of algorithms: An active learning approach (2a ed.). Jones and Bartlett Publishers.
[11] E. Branlard, Wind energy: On the statistics of gusts and their propagation through a wind farm, Tech.78 6 Rep. ECN-Wind-Memo-09-005, Energy Research Centre of the Netherlands, Petten, the Netherlands787 (2009).
CITAR COMO:
Guillén, A. de J.; Parra, L.Y.; Dueñas, E.; Juárez, S.; Hernández, E.; Pacheco, D., "Big O como Marco de Referencia para la Mejora de la Eficiencia de un Software Detector de Ráfagas Extremas de Viento", Revista ELECTRO, Vol. 46, 2024, pp. 154-160.
VERSIÓN PDF