UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE INGENIERÍA, CIENCIAS FÍSICAS Y MATEMÁTICA
CARRERA DE INGENIERÍA EN COMPUTACIÓN GRÁFICA
Desarrollo de simulaciones con sistemas multi-agentes georreferenciados para
evidenciar problemas sociales
Trabajo de titulación modalidad Proyecto de Investigación, previo a la obtención del
título de Ingeniera en Computación Gráfica
AUTORAS: Díaz Quilachamín María Soledad
Mejía Astudillo Alexandra Cristina
TUTOR: Ing. Zoila de Lourdes Ruiz Chávez
QUITO, 2019
ii
DERECHOS DE AUTOR
Nosotras, DÍAZ QUILACHAMÍN MARÍA SOLEDAD y MEJÍA ASTUDILLO ALEXANDRA CRISTINA en
calidad de autoras y titulares de los derechos morales y patrimoniales del trabajo de titulación,
Desarrollo de simulaciones con sistemas multi-agentes georreferenciados para evidenciar
problemas sociales, modalidad proyecto de investigación, de conformidad con el Art. 114 del
CÓDIGO ORGÁNICO DE LA ECONOMÍA SOCIAL DE LOS CONOCIMIENTOS, CREATIVIDAD E
INNOVACIÓN, concedemos a favor de la Universidad Central del Ecuador una licencia gratuita,
intransferible y no exclusiva para el uso no comercial de la obra, con fines estrictamente
académicos. Conservamos a nuestro favor todos los derechos de autoras sobre la obra,
establecidos en la normativa citada. Así mismo, autorizo a la Universidad Central del Ecuador para
que realice la digitalización y publicación de este trabajo de titulación en el repositorio virtual, de
conformidad a lo dispuesto en el Art. 144 de la Ley Orgánica de Educación Superior. Las autoras
declaran que la obra objeto de la presente autorización es original en su forma de expresión y no
infringe el derecho de autor de terceros, asumiendo la responsabilidad por cualquier reclamación
que pudiera presentarse por esta causa y liberando a la Universidad Central del Ecuador de toda
responsabilidad.
Firma: __________________________ Firma: __________________________
Díaz Quilachamín María Soledad Mejía Astudillo Alexandra Cristina
CC. 1723139216 CC. 1719000794
iii
APROBACIÓN DEL TUTOR
En mi calidad de Tutora de Titulación, presentado por Díaz Quilachamín María Soledad
y Mejía Astudillo Alexandra Cristina, para optar por el Grado de Ingeniería en
Computación Gráfica; cuyo título es: “DESARROLLO DE SIMULACIONES CON SISTEMAS
MULTI-AGENTES GEORREFERENCIADOS PARA EVIDENCIAR PROBLEMAS SOCIALES“,
considerando que dicho trabajo reúne los requisitos y méritos suficientes para ser sometido
a la presentación y evaluación por parte del tribunal examinador que se designe.
En la ciudad de Quito, a los 27 días del mes de marzo de 2019.
________________________________________
Ing. Zoila de Lourdes Ruiz Chávez
DOCENTE-TUTOR
CI. 171192655-8
iv
DEDICATORIA
A mi vida mi MADRE, la persona más importante en mi vida, que ha caminado a mi lado
apoyándome en cada decisión. A mi abuelito gran parte de lo que soy es por su esfuerzo y
dedicación. A mis hermanos, por los que doy mi vida, con los que sin importar las
discusiones puedo contar con su apoyo, A Dios y a un par de angelitos por darme la
oportunidad de tener a estas personas a mi lado.
Díaz Soledad
A Dios, por haberme dado el regalo más grande y significativo de mi vida, una maravillosa
familia, unida y amorosa. A mis abuelitos, los pilares de la familia, sus enseñanzas han
forjado el camino de todos sus hijos, nietos y bisnietos, su memoria vive en nosotros en
cada decisión que tomamos.
Mejía Cristina
v
AGRADECIMIENTO
A mi madre, mi amiga por siempre estar interesada en mi vida, aunque a veces no
comprenda lo que le explique, quien vela por la familia sin importar la hora, por enseñarme
a valorar la vida y darme ese impulso para seguir con el mismo entusiasmo. A mi padre,
por todo su esfuerzo y trabajo para el bienestar de todos, por enseñarme que nunca es tarde
para empezar, por su preocupación constante. Gracias por acompañarme en todo momento,
por aceptar mis decisiones y dejarme crecer con ellas.
A mi hermano Raúl Díaz, por enseñarme a no rendirme del que he aprendido a disfrutar de
la vida sin miedo, al que sin importar la discusión camina conmigo. A mi hermano Adrián
Díaz, la luz de la casa, que a su corta edad me ha enseñado a tomar las cosas con calma,
que llena mis días de risa. Los amo y siempre estaré ahí para apoyarlos y guiarlos sin
importar la distancia o el horario, son mi vida y hare todo que pueda por verlos felices.
A mis Abuelitos por enseñarme el valorar a la familia, sembrando en mí valiosas
costumbres que hasta el día de hoy forman parte de mi vida, dándome siempre un consejo
de vida para superarme en el camino. Son el pilar de mi formación gracias por todo el
tiempo dedicado.
A Cristhian Acosta, esa persona que interrumpió mi camino llenándola de momentos
inolvidables, aceptándome como soy, apoyándome en todo momento, gracias por no
rendirte y por enseñarme que no importa si la vida te dice que no, si lo quieres lo consigues.
A Cristina y Bryan por esa amistad sincera, fue un placer compartir con ustedes momentos
de inconformidad, que llevaban a conversaciones honestas que me dieron aliento en
momentos difíciles, por su apoyo y su atención al escucharme les agradezco infinitamente.
A la ingeniera Zoila Ruiz gracias por su apoyo siendo una guía en este proyecto, por la
amistad y cada consejo brindado.
Díaz Soledad
vi
AGRADECIMIENTO
A mis padres, quienes han sido al apoyo y ejemplo más importantes de mi vida, gracias
por educarme con amor y por ser la guía que me ha llevado a estar donde estoy, todo
lo que necesito saber lo he aprendido de ustedes. A mi hermano mayor Fabián, quien
ha velado por mi bienestar desde el día de mi nacimiento, y con quien comparto los
mejores recuerdos de mi infancia, gracias por mostrarme lo maravilloso de la familia,
la hermandad, la amistad y el estudio, nada sería igual sin tu presencia en mi vida.
A mi hermanita Paulina, a quien le deseo lo y espero que tomes decisiones que te hagan
inmensamente feliz, siempre he contado contigo y tú siempre contarás conmigo, velaré
por ti hasta el último de mis días. A Erika, mi mejor amiga, quien ha sido como una
hermana para mí, te admiro inmensamente gracias por permanecer siempre a mi lado
y apoyarme, sé que lograrás cosas grandiosas, sigamos cosechando logros juntas. A
Martín, porque de ti he aprendido a reconocer mis faltas y a ser honesta conmigo
misma y con los demás, gracias por acompañarme en mi camino.
A Soledad y Bryan, por haberme permitido contar con su amistad. Hemos compartido
mucho durante este último año, gracias por su honestidad, de ustedes he aprendido a
enfrentar la verdad y les agradezco infinitamente por eso, espero que sigamos
compartiendo mucho más. A mis amigos, con los que he compartido tiempos
memorables y de los que he aprendido incontables lecciones, no podría estar más
agradecida de haberlos conocido.
A la Ing. Zoila Ruiz, por todo el apoyo brindado durante la realización de este
proyecto. A todos los profesores que han aportado en mi formación profesional.
Mejía Cristina
vii
Contenido
DERECHOS DE AUTOR.................................................................................................................. ii
APROBACIÓN DEL TUTOR ........................................................................................................... iii
DEDICATORIA ............................................................................................................................. iv
AGRADECIMIENTO ...................................................................................................................... v
AGRADECIMIENTO ..................................................................................................................... vi
Contenido ................................................................................................................................. vii
Lista de ilustraciones .................................................................................................................. xi
Lista de tablas ........................................................................................................................... xii
Lista de Anexos ......................................................................................................................... xii
RESUMEN ................................................................................................................................. xiii
ABSTRACT ................................................................................................................................ xiv
Capítulo I ..................................................................................................................................... 1
1. Análisis de problema ............................................................................................................... 1
1.1 Antecedentes ..................................................................................................................... 1
1.2 Formulación del problema ................................................................................................. 3
1.3 Descripción del problema .................................................................................................. 4
1.4 Justificación ....................................................................................................................... 5
1.5 Objetivos. .......................................................................................................................... 6
1.5.1 Objetivo General ......................................................................................................... 6
1.5.2 Objetivos Específicos .................................................................................................. 7
1.6 Alcance ............................................................................................................................. 7
1.7 Limitaciones ...................................................................................................................... 7
1.8 Investigación Bibliográfica ................................................................................................ 8
1.8.1 Tema 1 ........................................................................................................................ 8
1.8.3 Tema 3 ........................................................................................................................ 9
1.8.4 Tema 4 ........................................................................................................................ 9
1.8.5 Tema 5 ...................................................................................................................... 10
1.8.6 Tema 6 ...................................................................................................................... 10
1.8.7 Tema 7 ...................................................................................................................... 10
1.8.8 Tema 8 ...................................................................................................................... 11
Capitulo II .................................................................................................................................. 12
2. Marco Teórico ....................................................................................................................... 12
2.1 Aspectos Teóricos............................................................................................................ 12
2.1.1 Sistemas Complejos .................................................................................................. 12
viii
2.1.2 Sistemas Multi-Agentes (MAS) ................................................................................. 13
2.1.3 Agentes ..................................................................................................................... 13
2.1.4 Tipos de Agentes ...................................................................................................... 14
2.1.4.1 Agentes Reactivos .............................................................................................. 14
2.1.4.2 Agentes Deliberativos ........................................................................................ 14
2.1.4.3 Agente Social ..................................................................................................... 14
2.1.5 Arquitectura Multi-Agente ........................................................................................ 15
2.1.6 Tipos de Arquitectura ................................................................................................ 15
2.1.6.1 Arquitectura Reactiva ......................................................................................... 15
2.1.6.2 Arquitectura Deliberativa ................................................................................... 16
2.1.6.3 Arquitectura Híbrida ........................................................................................... 16
2.1.6.4 Arquitectura BELIEF-DESIRE-INTENTION (BDI): .......................................... 17
2.1.7 Sistemas de Información Geográfica (SIG) ................................................................ 17
2.1.8 Tipos de Datos .......................................................................................................... 18
2.1.9 Atributos ................................................................................................................... 18
2.1.9.1 Atributo Geográfico ........................................................................................... 18
2.1.9.2 Figura Geográfica ............................................................................................... 18
2.1.9.3 Alfanumérico ..................................................................................................... 19
2.1.10 Simulación .............................................................................................................. 19
2.1.11 Simulación basada en Agentes (SBA) ...................................................................... 19
2.1.12 Programación Orientada a Agentes (POA) ............................................................... 20
2.1.13 Técnicas Orientadas a Agentes (AOT) ..................................................................... 20
2.1.14 Aplicación de Simulación ........................................................................................ 20
2.2 Problemática Social ......................................................................................................... 21
2.3 Análisis de las Herramientas ............................................................................................ 21
2.3.1 Modelado y Simulación de Sistemas Complejos .................................................... 21
2.3.1.1 MASON ......................................................................................................... 21
2.3.1.2 NetLogo ......................................................................................................... 22
2.3.1.3 Repast Simphony ............................................................................................ 22
2.3.1.4 GAMA ........................................................................................................... 22
2.3.1.5 GIS & Agent-based Modeling Architecture (GAMA) ..................................... 24
2.3.2 Sistemas de Información Geográfica ..................................................................... 24
2.3.2.1 QGIS .............................................................................................................. 24
2.3.2.2 GvSIG ............................................................................................................ 25
2.3.2.3 ArcGis ............................................................................................................ 25
2.3.2.4 SAGA ............................................................................................................ 25
ix
2.3.2.5 Quantum Gis (QGIS) ...................................................................................... 26
Capítulo III ................................................................................................................................. 27
3. Metodología para simulaciones con multi-agentes referenciados espacialmente................... 27
3.1 Definición del Problema .................................................................................................. 27
3.1.1 Estado del Arte ......................................................................................................... 27
3.2 Propuesta del modelo ....................................................................................................... 28
3.2.1 Análisis de los Elementos .......................................................................................... 29
3.2.2 Análisis del Entorno .................................................................................................. 30
3.3 Desarrollo del Modelo ..................................................................................................... 31
3.3.1 Análisis de los elementos que intervienen en el Modelo............................................. 31
3.3.2 Interacción entre Agentes y Entorno .......................................................................... 32
3.3.3 Capas que forman el Entorno .................................................................................... 32
3.3.3.1 Clasificación ...................................................................................................... 33
3.3.3.2 Simplificación .................................................................................................... 33
3.3.4 Arquitecturas que manejan el Modelo........................................................................ 34
3.3.4.1 Tópico Uno ........................................................................................................ 34
3.3.4.2 Tópico Dos......................................................................................................... 35
3.4 Simulación, Calibración y Validación del Modelo ............................................................ 35
3.5 Resultados ....................................................................................................................... 36
3.6 Escalabilidad ................................................................................................................... 37
3.7 Sistemas Multi-Agentes y Urbanismo .............................................................................. 38
3.7.1 Fenómenos Hidromorfológicos ................................................................................. 38
3.7.1.1 Influencia de los fenómenos hidromorfológicos en vialidad de la ciudad de Quito
...................................................................................................................................... 38
3.7.2 Generación y manejo de residuos sólidos................................................................... 39
3.7.3 Problemática con manejo de residuos en El Centro Histórico de la ciudad de Quito ... 39
3.7.4 Sistema de alcantarillado en la ciudad de Quito ......................................................... 40
3.7.5 Mantenimiento del sistema de alcantarillado.............................................................. 40
3.7.6 Abandono de canes ................................................................................................... 40
3.7.7 Impacto ambiental de la comunidad canina a sus alrededores..................................... 41
3.7.8 Tipo de contaminación provocada por la comunidad canina....................................... 41
3.7.9 Leishmaniasis visceral canina .................................................................................... 41
3.7.10 Factores de riesgo asociados a la parvovirosis canina en el cantón Guaranda, Bolívar,
Ecuador ............................................................................................................................. 42
3.7 Propuesta ......................................................................................................................... 42
3.8 Desarrollo de la propuesta ................................................................................................ 43
Capítulo IV................................................................................................................................. 45
x
4.1 Caso 1 ............................................................................................................................. 45
4.1.1 Definición del Problema ............................................................................................ 45
4.1.2 Historia e importancia ............................................................................................... 45
4.1.3 Estado del Arte ......................................................................................................... 46
4.1.4 Desarrollo del Modelo ............................................................................................... 48
1.4.4.1 Análisis de los elementos que intervienen en el Modelo ...................................... 49
1.4.4.2 Definición de Agentes ........................................................................................ 49
1.4.4.3 Interacción entre Agentes y el Entorno ............................................................... 53
1.4.4.4 Capas que forman el Entorno .............................................................................. 58
4.1.5 Pruebas y Resultados................................................................................................. 64
4.2 Caso 2 ............................................................................................................................. 68
4.2.1 Definición del Problema ............................................................................................ 68
4.2.2 Historia e importancia ............................................................................................... 69
4.2.3 Estado del Arte ......................................................................................................... 70
4.2.4 Desarrollo del Modelo ............................................................................................... 74
4.4.4.1 Capas que forman el Entorno .............................................................................. 75
4.4.4.2 Análisis de los elementos que intervienen en el Modelo ...................................... 80
4.4.4.3 Definición de Agentes ........................................................................................ 81
4.4.4.4 Interacción entre Agentes y el Entorno ............................................................... 85
4.2.5 Pruebas y Resultados................................................................................................. 87
V. Resultados, Conclusiones y Recomendaciones....................................................................... 91
5.1 Resultados ....................................................................................................................... 91
5.2 Conclusiones ................................................................................................................... 91
5.3 Recomendaciones ............................................................................................................ 92
Bibliografía ................................................................................................................................ 93
Anexos ...................................................................................................................................... 99
xi
Lista de ilustraciones
Ilustración 1. Árbol de mundos posibles - Obtenido de (Corchado J. , 2015) .............................. 17
Ilustración 2. Análisis del Problema ........................................................................................... 28
Ilustración 3. Capas del modelo ................................................................................................. 28
Ilustración 4. (a) Elemento Principal, (b) Elemento Influyente, (c) Elemento Intermitente .......... 30
Ilustración 5. Análisis del entorno .............................................................................................. 31
Ilustración 6. Simplificación de capas ......................................................................................... 33
Ilustración 7. (a) Arquitectura Reactiva, (b) Arquitectura Deliberativa ....................................... 34
Ilustración 8. Arquitectura Híbrida ............................................................................................. 34
Ilustración 9. Arquitectura BDI ................................................................................................... 35
Ilustración 10. Representación de los agentes ........................................................................... 37
Ilustración 11. Escalabilidad en el código ................................................................................... 37
Ilustración 12. Proceso de la simulación .................................................................................... 44
Ilustración 13.Reflejo que permite la recolección de desechos .................................................. 50
Ilustración 14. Agentes persons ................................................................................................. 50
Ilustración 15. Reflejos de la especie Persons ............................................................................ 51
Ilustración 16. Agente rain ......................................................................................................... 51
Ilustración 17. Especie waste - (a) 250 agentes, (b) 5000 agentes .............................................. 52
Ilustración 18. Declaración ask .................................................................................................. 52
Ilustración 19. Límite de la capacidad del agente alcantarilla ..................................................... 53
Ilustración 20. Parámetros iniciales de la simulación.................................................................. 54
Ilustración 21. Zonas relevantes del estudio .............................................................................. 54
Ilustración 22. Iconos- Centro Histórico ..................................................................................... 54
Ilustración 23. Declaración de aspecto - Centro Histórico .......................................................... 55
Ilustración 24. Reflejo move ...................................................................................................... 55
Ilustración 25. Relación del agente car con el entorno ............................................................... 56
Ilustración 26. Char display de las vías ....................................................................................... 56
Ilustración 27. Construcciones tridimensionales ........................................................................ 57
Ilustración 28. Declaración de la especie agents_viewer ............................................................ 57
Ilustración 29. Terminar ejecución de la simulación ................................................................... 57
Ilustración 30. Georreferenciación del Centro Histórico ............................................................. 58
Ilustración 31. Virgen del Panecillo. (Quitoturismo, 2018).......................................................... 70
Ilustración 32. Capa calles El Panecillo ....................................................................................... 75
Ilustración 33. Mapa Caso2. Agentes en la capa panecillo .......................................................... 76
Ilustración 34. Capa edificios…………………………………………………………………………………………………….76
Ilustración 35. Tabla de atributos capa edificios ......................................................................... 76
Ilustración 36. Capa edificio 3D…………………………………………………………………………………………………77
Ilustración 37. Código creación de capa edificios 3D ................................................................. 77
Ilustración 38. Código restricción de capas ................................................................................ 78
Ilustración 39. Código clasificación de capas .............................................................................. 78
Ilustración 40. Capas calles y manzanas clasificación de color .................................................... 80
Ilustración 41. Icono 2D agente dog ........................................................................................... 81
Ilustración 42. Código cambio de estado ................................................................................... 82
Ilustración 43. Icono 2Dy 3D agente people ............................................................................... 82
Ilustración 44. Icono 2Dy 3D agente car ..................................................................................... 82
Ilustración 45. Agente Edog ....................................................................................................... 83
Ilustración 46. Código agente Edog ............................................................................................ 83
xii
Ilustración 47. Expansión de sustancias nocivas………………………………………………………………………..84
Ilustración 48. Porcentaje de los agentes afectados ................................................................... 84
Ilustración 49. Simulación Caso 2 ............................................................................................... 84
Ilustración 50. Reflejo hunting ................................................................................................... 85
Ilustración 51. Reflejo fleeing .................................................................................................... 86
Ilustración 52. Reflejo leave ....................................................................................................... 86
Ilustración 53. Especie Road ...................................................................................................... 86
Lista de tablas
Tabla 1.Características de las herramientas de modelado y simulación ...................................... 23
Tabla 2. Características de herramientas de Sistemas de Información Geográfica ...................... 26
Tabla 3. Residuos generados por la Fiesta de la Luz ................................................................... 46
Tabla 4. Cantidad de residuos generados ................................................................................... 47
Tabla 5. Capas GIS: capa manzanas del Centro Histórico ............................................................ 60
Tabla 6. Capas GIS: capa calles del Centro Histórico ................................................................... 61
Tabla 7. Capas GIS: Sumidero y Basurero sobre Calles ............................................................... 62
Tabla 8. Capas GIS: capas secundarias del Centro Histórico........................................................ 63
Tabla 9. Proyección de las capas ................................................................................................ 64
Tabla 10. Parámetros iniciales - Centro Histórico ....................................................................... 65
Tabla 11. Pruebas sucesivas - Centro Histórico .......................................................................... 66
Tabla 12. Promedio de resultados - Centro Histórico ................................................................. 67
Tabla 13. Información páginas oficiales ..................................................................................... 71
Tabla 14. Turismo en Quito ....................................................................................................... 71
Tabla 15. Población canina ........................................................................................................ 72
Tabla 16. Cantidad de residuos .................................................................................................. 72
Tabla 17. Cantidad de vehículos ................................................................................................ 73
Tabla 18. Datos Simulación ........................................................................................................ 74
Tabla 19. Clasificación Calles...................................................................................................... 77
Tabla 20. Clasificación Manzanas ............................................................................................... 78
Tabla 21. Relación de Capas Calles y Manzanas. ........................................................................ 79
Tabla 22. Parámetros iniciales – El Panecillo .............................................................................. 87
Tabla 23. Pruebas Caso2 – El Panecillo....................................................................................... 88
Tabla 24. Población Canes ......................................................................................................... 89
Tabla 25. Resultados Simulación Caso2 – Pruebas 1 y 2 ............................................................. 90
Tabla 26. Resultados Simulación Caso2 – Pruebas 3 y 4 ............................................................. 90
Lista de Anexos
Anexo 1. Indexación SCOPUS del artículo Solid Waste Management Using Georeferenced
Multi-Agent Systems ................................................................................................................. 99 Anexo 2. Aceptación del artículo “Analysis of dogs's abandonment problem using georeferenced
multi-agent systems”, en el congreso IWINAC ....................................................................... 106
xiii
TITULO: Desarrollo de simulaciones con sistemas multi-agentes georreferenciados para
evidenciar problemas sociales.
Autoras: Díaz Quilachamín María Soledad
Mejía Astudillo Alexandra Cristina
Tutor: Ing. Zoila de Lourdes Ruiz Chávez
RESUMEN
El proyecto se basa en el análisis de la problemática social, utilizado la metodología
de simulaciones con sistemas multi-agentes georreferenciados. Esta metodología fue
desarrollada en un Proyecto Semilla de Investigación. El modelado y construcción de
una simulación basada en sistemas multi-agentes referenciados espacialmente,
considera los diferentes elementos que conforman un sistema complejo y cuyo medio
en el que se desenvuelven son capas temáticas georreferenciadas, que contienen
información para ser integrada en el modelo y poder realizar cálculos o establecer
restricciones, utilizando la plataforma GAMA. Como casos de estudio de la
metodología desarrollada se obtuvieron dos artículos científicos denominados: “Solid
waste management using georeferenced multi-agent systems” y “Analysis of dogs’s
abandonment problem using georeferenced multi-agent systems”. En ambas
simulaciones, se representa el comportamiento de los agentes, las reacciones frente a
otros agentes o la interacción con el medio.
PALABRAS CLAVE: SISTEMAS MULTI-AGENTES GEORREFERENCIADOS
/ PLATAFORMA GAMA / AGENTES.
xiv
TITLE: Development of simulations with georeferenced multi-agent systems to
highlight social problems.
Authors: Díaz Quilachamín María Soledad
Mejía Astudillo Alexandra Cristina
Tutora: Ing. Zoila de Lourdes Ruiz Chávez
ABSTRACT
The project is based on the analysis of social problems, using the methodology of
simulations with georeferenced multi-agent systems. This methodology was developed in
a Seed Research Project. The modeling and construction of a simulation based on spatially
referenced multi-agents systems, considers the different elements that make up a complex
system and whose environment in which they operate are geo-referenced thematic layers,
which contain information to be integrated into the model and be able to perform
calculations or establish restrictions, using the GAMA platform. As case studies of the
methodology developed we obtained two scientific articles called: "Solid waste
management using georeferenced multi-agent systems" and "Analysis of dogs’s
abandonment problem using georeferenced multi-agent systems". In both simulations, the
behavior of the agents, the reactions to other agents or the interaction with the environment
are represented.
KEY WORDS: GEOREFERENCED MULTI-AGENT SYSTEMS / GAMA PLATFORM
/ AGENTS.
1
Capítulo I
1. Análisis de problema
1.1 Antecedentes
En la actualidad realizar una simulación en cualquier campo es muy común, por un lado,
nos dan una percepción de la realidad y por otro nos ayudan a predecir posibles errores,
está técnica utilizada permite evitar gastos innecesarios en materiales, movilidad o costosos
estudios de campo. Las simulaciones son de alguna manera un acercamiento a los posibles
resultados sobre aplicabilidad o factibilidad del desarrollo de un proyecto orientado a
resolver un problema específico. Estas sin duda son una opción accesible en la mayoría de
casos, aprovechando los avances tecnológicos como recurso principal.
En los últimos años, en el Ecuador se ha dado más apoyo a esta temática, debido a su uso
económico y práctico, convirtiéndolo en una ventaja tanto para la sociedad como para los
investigadores. Existen ciertos temas que cuentan con más relevancia que otros dentro del
ámbito social o cultural, pero no todos tienen el mismo grado de atención; esto se desprende
de factores como la falta de recursos, o en general el desinterés de las personas en la
temática planteada.
En particular en la Universidad Central del Ecuador se ha brindado el apoyo necesario para
incursionar en este campo, por medio del proyecto semilla denominado: “Sistemas multi-
agentes georreferenciados: una alternativa para simulaciones”, del cual participamos en
calidad de pasantes, y que fue financiada por Proyectos ARES, en este proyecto se
desarrolló la metodología que puede ser aplicada a diferentes problemas sociales o de otra
índole.
Una simulación da la oportunidad de abarcar estos casos, y darles una solución aceptable
con datos aproximados, a bajo costo en recursos y tiempo. Se basan principalmente en la
accesibilidad que existe en la actualidad a diversa información referente a distintos tópicos,
así como los distintos tipos de software que se puede utilizar para procesarla.
Si bien es cierto, el término simulación está íntimamente relacionado con el
entretenimiento (simulaciones orientadas al ocio), debido principalmente al
desconocimiento de la utilidad del manejo de datos en distintas herramientas que permiten
2
extraer información relevante a un tema específico. Este es el limitante más significativo
que se puede mencionar en cuanto a la difusión y el aporte que pueden brindar las
simulaciones; donde el concepto se puede extender hacia campos más amplios en diferentes
áreas como educación, salud, turismo, etc., como en los casos de estudio presentados en
este documento, donde cada estudio está orientado al ámbito de las simulaciones como
medio para solventar problemáticas sociales. El aporte que se pretende brindar con este
trabajo, es dar a conocer la potencialidad de las simulaciones en temas sociales, mediante
el modelado de problemas con sistemas multi-agentes georreferenciados.
Se implementó dos casos de estudio que muestran los resultados de aplicar esta
metodología: Manejo de residuos sólidos utilizando sistemas multi-agentes
georreferenciados y Análisis del problema de abandono de canes mediante sistemas multi-
agentes georreferenciados.
El primer caso, se basa en el manejo adecuado de los residuos sólidos en un sector de la
ciudad de Quito, los elementos que forman parte de la problemática y que interacciones
tienen con el medio que los rodeas, los cambios que sufre el modelo al introducir elementos
externos o modificar la conducta de los elementos internos. Tiene como objetivo observar
la afectación del mal manejo de residuos y la frecuencia con la que estos desechos
obstruyen el sistema de alcantarillado durante uno de los tipos de fenómenos
hidromorfológicos más frecuentes de la ciudad capital, como son las precipitaciones
torrenciales o aluviones. Debido a la relación que mantiene el hecho con las alteraciones
de tráfico, accidentes de tránsito o actividades comerciales propias del sector, además, de
los problemas que podrían generar a las estructuras habitacionales o comerciales; es
necesario evaluar el estado de la zona tomando en cuenta las estaciones climáticas y los
problemas ambientales que han convertido a las lluvias en amenazas potenciales altamente
descontroladas en ciertos meses del año. Se ha tomado como referencia el sector Centro
Histórico de Quito en la ciudad capital del Ecuador, debido a su importancia histórico-
cultural dentro de la ciudad.
El segundo caso de estudio, se basa en la problemática causada por el gran número de canes
callejeros, a la cual se suma el descuido por parte de las autoridades competentes, y la falta
de concienciación en las personas sobre las consecuencias de este fenómeno. Esta
contrariedad se debe a varios factores que han permitido el aumento del número de
abandono de canes en los últimos años, ya sea por cuestiones económicas de los dueños o
3
por enfermedad de los canes. El caso centra sus esfuerzos en determinar el nivel de
afectación de una zona turística, donde habita cierto porcentaje de canes en situación de
calle, lo que permite que exista gran cantidad de desechos que pueden desembocar en
consecuencias nocivas para el medio ambiente, y son una de las causas que provocan
enfermedades que podrían aquejar a las personas que habitan en el sector o son aledañas a
él. Este caso está ubicado en el sector El Panecillo en la ciudad de Quito-Ecuador.
Estos dos casos de estudio fueron considerados por la importancia de su evaluación a nivel
social y cultural, además, se ve la necesidad de exaltar el invaluable valor que mantienen
ambos casos. A pesar de este hecho, se ha observado desinterés tanto de las autoridades
locales como de la población; además se conoce que ambos temas han ocurrido desde hace
varios años y continúan en la actualidad incrementando su grado de afectación, por lo cual,
se tiene noción de que ambos casos salen del control de las autoridades, debido a lo cual,
actualmente no existe ninguna solución viable que permita mejorar la calidad de vida de
todos los entes involucrados. El desarrollo de este trabajo se basa en los conocimientos
adquiridos a lo largo de la carrera, siendo estos un aporte importante para llevar a cabo el
proyecto.
1.2 Formulación del problema
Una simulación es una herramienta de apoyo, cuyo objetivo es dar a conocer las
consecuencias de ciertas acciones, a través de, los elementos que forman parte importantes
de la problemática y los posibles resultados al modificar ciertos parámetros. Se puede
aplicar en varios campos de estudio como son la medicina, educación, ambiente, social,
cultural, informático, etc. (Carrión, 2005). Para lograr exitosamente el desarrollo de una
simulación, se debe hacer un estudio minucioso sobre el problema a tratar, para de esta
forma, poder desarrollarlo de forma matemática y lógica; estas dos disciplinas son
estrictamente necesarias para poder determinar el comportamiento más acertado de los
elementos que componen la simulación (Bú R. C., 1996).
La ciencia tiene como uno de sus referentes de investigación, a la simulación, tomándola
como punto de partida para los distintos estudios, si bien es cierto no se obtiene un resultado
preciso, pero su cercanía es muy considerable al tomarla como referencia en datos de
estudio, debido a que nos da un acercamiento al comportamiento de un elemento, y su
reacción ante una situación.
4
Utilizar agentes georreferenciados como elementos dentro de la simulación, permiten
obtener una aproximación más exacta con respecto a los datos geoespaciales del área
definida y el comportamiento de los entes que intervienen en ella. Al utilizar Capas GIS,
se tiene la opción de manipular los datos para obtener un resultado más próximo con la
realidad, y establecer un ambiente visual más completo, así como interactuar con sus
atributos que dotan de información relevante y real al modelado. La utilización de agentes,
precisa realizar un cambio de lenguaje de programación, que constituye un nuevo reto, pero
al mismo tiempo, una gran oportunidad de explorar un campo poco explorado en la carrera
que permita implementar de manera más completa temáticas de índole social. Para
desempeñar un proyecto de este tipo se aplicaron varias áreas de conocimiento, las cuales
son parte de la malla curricular actual.
1.3 Descripción del problema
En el Ecuador, la información poblacional de canes que habitan en las ciudades es escasa,
debido a que no se considera importante realizar censos en animales, y es por esto que no
se han hecho esfuerzos para obtener información detallada del tema. Las cifras publicadas
para conocimiento público representan información poco confiable y desactualizada, o se
limita a ciertos sectores por lapsos de tiempo muy cortos, sin contar con el factor
incremental de la reproducción de los canes en el futuro.
El número estimado de visitantes en un lugar turístico con gran afluencia de personas no
puede ser conocido con exactitud, y de la misma manera sucede con los desechos que
generan locales comerciales, habitantes o visitantes, además de los residuos que llegan a
causa del viento, por lo tanto, la cantidad de desechos que se recolectan varía día a día. Las
zonas comerciales generan gran cantidad de desechos, que de no ser manejados
apropiadamente pueden acarrear condiciones negativas para el estilo de vida de los
habitantes del lugar y la libre circulación de peatones o vehículos. En este contexto se toma
también en cuenta la intervención del personal del Municipio de Quito, que no mantiene
una verificación constante del estado de salubridad del área y los efectos climáticos que
pueden agravar la situación.
La existencia de estudios mediante simulaciones referentes al campo social, es poco
investigada, y es debido a esto, que se toman los dos casos presentados en este documento.
Para aportar en este tema se propone la generación de simulaciones con agentes
5
georreferenciados para cada caso, limitados a localidades con gran afluencia de personas y
vehículos en la ciudad de Quito-Ecuador, obteniendo así resultados que contribuyan a
concienciar a la población sobre el problema ambiental, cultural y social, que ocasionan
cada uno de los casos de estudio propuestos.
La problemática se presenta mediante una representación simplificada de la realidad,
modelando por un lado, los elementos como agentes y por otro, los entornos como capas
geográficas; los parámetros utilizados se basan en cifras aproximadas. Este proyecto se
realizará en software libre para que la simulación pueda ser comprobada posteriormente.
1.4 Justificación
El proyecto busca el desarrollo de una simulación que aporte a consolidar las bases de una
Industria Ecuatoriana encargada del desarrollo de simulaciones orientadas al campo social.
Uno de los objetivos planteados, es obtener resultados aproximados a la realidad, gracias a
que se trabaja con una representación reducida del entorno que conserva información
alfanumérica real asociada a las capas vectoriales utilizadas, para observar el impacto de
la contaminación.
En el primer caso, el escenario principal será el Centro Histórico de Quito, siendo punto
central de otros sitios concurridos que rodean el área. El sector ha sido tomado por la gran
afluencia de personas, actividades turísticas y comerciales, además de vehículos livianos y
pesados. Se podrá observar la intervención de las personas, en el mal manejo de desechos
y que ocurre cuando estos terminan en las calles y posteriormente en los sumideros del
sistema de alcantarillado, todo esto para explorar las consecuencias del hecho.
En el segundo caso la simulación tendrá como escenario El Panecillo, un lugar turístico
reconocido a nivel mundial por su emblemática historia y belleza, además de ser el mirador
natural más visitado de la ciudad capital. El lugar ha sido escogido por la gran cantidad de
turistas que visitan el sector y el gran aporte que representa para el turismo de la ciudad.
En un ambiente simulado se podrá observar la interacción de los elementos con sus
entornos y el grado de afectación de los alrededores, además de conocer que ocurre con la
salud de las personas durante ciertos lapsos de tiempo, y la variación de estos en caso de
que aumente o disminuya el nivel de residuos.
6
En ambos casos el modelo utilizará datos del año 2018, dividiendo sus áreas, elementos y
estados por colores, para mejor visualización y entendimiento.
Este trabajo busca profundizar en la investigación de temas de gran relevancia, ya sea
ambiental, social o cultural y su importancia dentro del desarrollo de simulaciones en
diferentes campos, para brindar la oportunidad de exploración en diferentes tipos de
software. En ambos casos se opta por la utilización del software GAMA (un lenguaje
basado en agentes), y QGIS (Sistema de Información Geográfica para manejo de datos
espaciales) para presentar una interfaz amigable al púbico, y contribuir a la comprensión
del tema.
Se espera obtener una gran acogida a esta propuesta, debido a su diferenciación con otros
entornos o temáticas existentes; con este aporte se quiere dar a conocer otras ramas de la
carrera que no han sido exploradas a profundidad, para que se puedan realizar proyectos
similares con la intervención de sistemas complejos, que involucren información espacial
y aporten a la investigación orientada a ámbitos sociales, y al desarrollo en lenguajes
distintos a los que comúnmente se conocen a lo largo de la carrera.
1.5 Objetivos.
La propuesta se basa en una representación simplificada de la realidad (mediante capas
temáticas), en las cuales se desenvuelven diferentes tipos de elementos que conforman el
sistema a modelar (agentes), con el fin de obtener una visión global del modelo planteado
para analizar el problema, utilizando la herramienta GAMA. Para conseguir los resultados
esperados se plantean los siguientes objetivos.
1.5.1 Objetivo General
Analizar un problema específico o un fenómeno, modelar los elementos que lo conforman
y su comportamiento, tanto individual como colectivo. Generar una simulación que permita
observar de forma gráfica este comportamiento y las posibles reacciones frente a cambios
tanto en el entorno como al introducir otros elementos al modelo.
7
1.5.2 Objetivos Específicos
1. Analizar a profundidad el problema a modelar, describiendo de forma clara los
elementos que lo conforman y las relaciones existentes entre los distintos elementos y
el entorno.
2. Proponer un sistema complejo que permita visualizar de forma clara el
comportamiento de los agentes bajo distintas premisas sobre un entorno
georreferenciado.
3. Generar un modelo que sea capaz de predecir de mejor manera los cambios producidos
en un sistema dinámico, al modificar o cambiar los elementos que lo componen,
mediante una simulación en GAMA.
1.6 Alcance
Se han limitado dos áreas de estudio, en cada una de ellas se plantea un modelo de
simulación. Estas áreas corresponden a los sectores El Centro Histórico de Quito y El
Panecillo; tomando en cuenta las características inherentes al manejo de residuos y su
relación con el sistema de alcantarillado para el primer caso, y la concentración de
desechos, el abandono de canes, y la contaminación por desechos para el segundo caso;
para determinar el nivel de afectación dentro de ambas zonas de estudio. La simulación
cuenta con información obtenida en los registros de la empresa pública EMASEO, a partir
de la cual se podrá observar la interacción de cada especie, y el desarrollo de cada agente,
para posteriormente evaluar los resultados generados de acuerdo a la magnitud de los
cambios dentro de las estructuras evaluadas y los cambios experimentados al variar las
condiciones de los modelos de simulación en ambos casos.
1.7 Limitaciones
Los datos arrojados sobre los problemas de contaminación o inundaciones por obstrucción
de alcantarillas con desechos sólidos varían de acuerdo a las estaciones del año y el cambio
climático, lo que complica la generación de resultados generales, pues únicamente se puede
develar aproximaciones de los distintos factores.
Adicionalmente, la desactualización y escasez de datos poblacionales en el caso de los
canes abandonados, es un limitante importante dentro de este proyecto, pues no se pueden
generar valores cercanos a la realidad dentro de la situación. Por lo tanto, el periodo de
8
recolección de datos demanda una gran cantidad de tiempo y concentración para orientar
la búsqueda e identificación de datos e información sobre el ámbito requerido.
La falta de información sobre un software relativamente nuevo puede complicar la
obtención de información y la generación de resultados, pues demanda un período más
amplio de investigación. Además, el estudio del tema a tratar debe ser concreto y contar
con una amplia descripción de cada factor relevante, pues si bien es cierto, el no contar con
conocimientos sólidos sobre la temática desencadena una serie de problemas en las etapas
de comprensión e interpretación de los datos.
Existen algunos trabajos orientados a la utilización de Sistemas de Información Geográfica,
sin embargo, hasta el momento, los trabajos basados en sistemas multi-agentes son en su
mayoría puramente teóricos que presentan propuestas dentro del campo de los sistemas
complejos. A continuación, se describen los trabajos que se han desarrollado dentro de
ambos campos.
1.8 Investigación Bibliográfica
1.8.1 Tema 1
Dentro de las simulaciones multi-agente, se pueden explorar distintos puntos de vista a
partir de la arquitectura de software, como lo explica Rao en su trabajo MODELADO Y
DISEÑO DE SISTEMAS MULTIAGENTE EN BDI. En esta investigación se explora la
forma en la que la arquitectura BDI, puede extenderse a partir de técnicas de modelado
orientado a objetos (modelado OO) para la descripción de perspectivas internas y externas
de los sistemas multi-agente (Julián, 2003). Propone a la arquitectura BDI como la más
apropiada en la aplicación de los comportamientos racionales que mantienen los sistemas
complejos (Rao, 1995).
1.8.1 Tema 2
Según Bredeche, el desarrollo de un sistema de apoyo en la toma de decisiones espaciales
permitirá capacitar y apoyar a las personas en el tratamiento del problema transcendental
de la asignación de recursos para actividades de respuesta a desastres en áreas urbanas, y
así lo explica en su trabajo USO DE MODELOS BASADOS EN AGENTES Y
APRENDIZAJE AUTOMÁTICO PARA MEJORAR LOS SISTEMAS DE SOPORTE DE
DECISIONES ESPACIALES, cuyo objetivo es diseñar un método que combine modelos
9
basados en agentes, sistemas de información geográficos, diseño participativo y
aprendizaje automático para abordar tres puntos: crear simulaciones de rescate que integren
toda la información y los comportamientos disponibles; permitir a las partes interesadas
(por ejemplo, profesionales, gerentes, expertos en emergencias) interactuar directamente
con los agentes de la simulación para enseñarles comportamientos "relevantes"; diseñar un
mecanismo de aprendizaje para adquirir estos comportamientos a través de una forma
automatizada, en línea e interactiva, y para traducir de manera efectiva el conocimiento y
la experiencia que los interesados usan para organizar misiones de rescate en
comportamientos de agentes. Este enfoque no solo mejora la efectividad (simulada) de las
actividades de rescate, sino que también hace que el modelo de simulación sea más realista.
Permite a las partes interesadas adquirir una mejor comprensión de los problemas de
rescate y adquirir más experiencia en respuesta a emergencias. Las herramientas y
metodologías diseñadas para su firma pueden trasladarse fácilmente a otros contextos en
los que surgen problemas similares como por ejemplo, en casos de gestión ambiental
(Bredeche, y otros, 2011)
1.8.3 Tema 3
El trabajo propuesto por Lozano, plantea un módulo que se podrá representar áreas físicas
de un mapa web, además de información sobre fincas y las posibles repercusiones que
podrían enfrentar con respecto a lotes parcelarios, drenajes, vías y hasta palmas o unidades
de producción. El trabajo titulado DESARROLLO DE UN MÓDULO WEB ORIENTADO
A LA ADMINISTRACIÓN Y GESTIÓN DE INFORMACIÓN DE CULTIVOS EN ÁREAS
GEORREFERENCIADAS plantea la necesidad de una aplicación que ayude a observar
cómo se maneja actualmente la división de terreno, contribuye a la toma de decisiones de
los dueños de estos espacios, pues obtienen información para calcular costos de
manufactura por área (Lozano, 2018).
1.8.4 Tema 4
El trabajo de investigación DISEÑO DE UN MODELO DE CATASTRO PATRIMONIAL
GEOREFERENCIADO PARA EL CENTRO HISTÓRICO DEL CANTÓN RIOBAMBA,
PROVINCIA DE CHIMBORAZO, plantea este modelo apoyándose en Sistemas de
Información Geográfica e información sobre bienes inmuebles patrimoniales registrados.
Mejía explica cómo se construyó el Modelo a través de la recopilación de planos, mapas y
10
orto fotografías para georreferenciarlos. Contienen problemas que involucran cálculo y
análisis espacial, aplicando operaciones matemáticas y herramientas del SIG. El resultado
se concentra en tecnologías que puedan abarcar Portales Web, App Móviles, Geoportales
y Sistemas de Información Patrimonial. Complementa su investigación con el desarrollo
de una “Guía de Usuario” que orienta al usuario sobre el manejo de este catastro. El modelo
permite gestionar de manera eficiente de los bienes inmuebles (Mejía, 2015).
1.8.5 Tema 5
El proyecto MODELADO Y DISEÑO DE SISTEMAS MULTI-AGENTE EN BDI está
sustentado en los conceptos de simulación multi-agente, se pueden explorar distintos
puntos de vista a partir de la arquitectura de software, en esta investigación se explora la
forma en la que la arquitectura BDI, puede extenderse a partir de técnicas de modelado
orientado a objetos (modelado OO) para la descripción de perspectivas internas y externas
de los sistemas multi-agente (Julián, 2003). Propone a la arquitectura BDI como la más
apropiada en la aplicación de los comportamientos racionales que mantienen los sistemas
(Rao, 1995).
1.8.6 Tema 6
En el trabajo MODELOS Y METODOLOGÍAS PARA ANÁLISIS Y DISEÑO ORIENTADO
A AGENTES, Hurtado especifica tres modelos para el análisis orientado a agentes de un
sistema multi-agente, basados en técnicas orientadas a objetos que brinden un enfoque
uniforme en las fases de análisis, diseño e implementación. Existe muy poco trabajo sobre
los métodos de diseño y análisis en la comunidad orientada a agentes, por lo que se propone
una nueva metodología específica del agente que se basa en objetos orientados a objetos.
La AOT tiene un nuevo enfoque simple y natural. Los agentes se programan en un lenguaje
de programación orientado a agentes o en un entorno de desarrollo multi-agente. (Hurtado
P. , 2017).
1.8.7 Tema 7
Existen trabajos previos sobre contaminación ambiental en el Distrito Metropolitano de
Quito, como los presenta Hurtado en su investigación titulada PROLIFERACIÓN DE
PERROS CALLEJEROS Y LA CONTAMINACIÓN AMBIENTAL. CASO: BARRIO LA
ECUATORIANA, QUITO, PROVINCIA DE PICHINCHA, que presenta datos sobre como
11
la ciudad ha sufrido en los últimos tiempos un crecimiento acelerado de población canina
tanto es así que se ha vuelto un problema para la población por los casos de contaminación
ambiental que causan las manadas de perros callejeros que vagan por las avenidas, en el
barrio La Ecuatoriana, en el sector Nuevos Horizontes. Dentro de esta investigación se han
planteado algunos objetivos como, determinar el número de perros callejeros que transitan
por el sector, así mismo las actividades que ellos realizan durante el día y a su vez recabar
información, en organizaciones gubernamentales y no gubernamentales acerca del tema.
Para lo cual se ha realizado una ficha de observación directa durante un periodo de 7 días
seguidos dentro del sector y para complementar la investigación se realizó una encuesta en
la comunidad afectada por la proliferación de perros callejeros y la contaminación
ambiental. Se ha obtenido como resultados, que en efecto la proliferación de perros
callejeros son agentes directos de contaminación ambiental y daños a la salud de las
personas. Se recomienda realizar una campaña de difusión de la ordenanza municipal
establecida, para bajar el índice de sobre población canina. (Hurtado P. , 2017).
1.8.8 Tema 8
Entre los trabajos orientados al estudio de canes se puede exaltar el proyecto titulado
ESTIMACIÓN DEL NÚMERO DE CANINOS DOMÉSTICOS ENCONTRADOS EN LAS
CALLES DE OCHO PARROQUIAS DEL CENTRO DE QUITO, UTILIZANDO EL
MÉTODO DE CAPTURA Y RECAPTURA. Actualmente en la ciudad de Quito no se
conoce con certeza, ni existe un dato oficial sobre el tamaño de la población de perros de
ambulantes, la problemática de los perros callejeros afecta principalmente a países en vías
de desarrollo. El método de captura y recaptura es utilizado a nivel mundial para estimar
el número de una población determinada, es recomendado por WSPA para el control de la
fauna urbana. Adicionalmente un formulario es usado para registrar las características del
individuo. Dentro del presente estudio se seleccionaron ocho parroquias del centro de la
ciudad de Quito, donde se observaron setecientos sesenta y dos individuos (762) capturados
y noventa y cuatro (94) de los mismos fueron recapturados, dejándonos un total de
seiscientos sesenta y ocho (668), perros que entrarán al estudio, los cuales serán
caracterizados de manera fenotípica y conductual. Se estima que en el centro de la ciudad
de Quito se encuentran 5566 caninos deambulando por la calle (Coral, 2017).
12
Capitulo II
2. Marco Teórico
2.1 Aspectos Teóricos
El presente proyecto involucra dos aspectos ampliamente relacionados: ambos apoyados
en temas de interés social y de salud pública. Se toma como punto de partida el manejo
inadecuado de residuos sólidos y su relación con dos tópicos: el primero se relaciona con
el manejo de residuos y las afectaciones que producen al entrar en contacto con los
fenómenos hidromorfológicos más comunes, debido a que tiene significativas
repercusiones en el desarrollo de la vialidad. El segundo tópico se relaciona con los
desechos esparcidos por canes en la vía pública u otros espacios, además, de los desechos
generados por los canes, exaltando la afectación de su influencia en la salud pública de la
ciudad. Se toman como referencia sitios de interés turístico.
La realización de simulaciones cuenta con dos partes importantes necesarias para plantear
las bases teóricas de las dos áreas involucradas: Sistemas Complejos y Sistemas de
Información Geográfica, las que son detalladas a continuación.
2.1.1 Sistemas Complejos
Porción de la realidad representada como la totalidad del estudio pertinente que cumple
con un proceso cuyo estudio interrelaciona todos sus elementos sin fraccionarlo ni convertir
sus elementos en casos individuales aislados. En consecuencia, un sistema complejo es un
conjunto de elementos que interaccionan, y está caracterizado por poseer una estructura
con varios niveles en un orden jerárquico (García C. , 1996).
La gran mayoría de sistemas complejos son adaptativos, y mediante un proceder de los
componentes básicos existe la posibilidad de evolución en un tiempo-espacio determinado,
siendo capaz de resolver situaciones en su entorno, por medio de mecanismos como el
aprendizaje a escala individual o aprendizaje a escala poblacional (L., Galán, Santos, & R,
2008). Un sistema complejo tiene como característica principal la heterogeneidad, que es
la interdefinibilidad y mutua dependencia de las funciones que cumplen estos elementos
dentro del sistema global, todo sistema complejo requiere de un tipo de estudio la
investigación interdisciplinaria (García R. , 2011).
13
Los sistemas complejos se sitúan en regímenes críticos estos se caracterizan al estar en
presencia de fluctuaciones espaciales, las cuales son accesibles de una manera más
espontánea y sin contar con la intervención de factores o fuerzas externas, teniendo, así un
proceso auto organizado (Miramontes, 1999).
2.1.2 Sistemas Multi-Agentes (MAS)
Son parte de los Sistemas Complejos, que se pueden definir como una colección de agentes
que posee la habilidad de describir a un agente, algunos con la capacidad de razonamiento,
lo que proporciona autonomía para resolver una acción en un entorno social, dando apertura
a distintas posibilidades de reacción, donde cada agente posee una visión parcial del
ambiente en el que se desarrolla, que poseen la habilidad de comunicación con otros
agentes o con su entorno para intercambiar información. (Bravo, Aguilar, & Rivas, 2004).
Los sistemas distribuidos que integran agentes se denominan Sistemas Multi-Agente y
suministran un nuevo nivel de abstracción más intuitivo. Un sistema basado en multi-
agentes es un sistema autónomo, proactivo y flexible (Hurtado L. , 2017). Los modelos
que involucren MAS son de fácil usabilidad, debido a su amplia referenciación dentro del
campo. Permiten el procesamiento paralelo y el reconocimiento espacial para modelar
procesos temporales (Jiang, 1999). El diseño se aborda desde la perspectiva de que los
agentes son entes con motivación. Integran técnicas de ingeniería de software e inteligencia
artificial para conceder a los agentes capacidades de reacción ante situaciones imprevistas,
además, poseen la habilidad de tomar decisiones (Sanz, 2003).
2.1.3 Agentes
“Un agente es un sistema computacional que está situado en un medio ambiente, y que es
capaz de tomar acciones autónomas en ese ambiente con el fin de cumplir sus objetivos de
diseño” (Weiss, 1999). Están definidos dentro de los sistemas complejos, existen
únicamente en entornos simulados haciendo uso de la Inteligencia Artificial, pueden
cumplir con uno o varios objetivos, al trabajar en forma colaborativa pueden coordinar sus
acciones para cumplir con ciertos objetivos definidos (Lee, Nwana, Ndumu, & P., 1998).
Un Agente puede ser definida como una entidad, semi o completamente autónoma, que
pueda actuar de forma racional, según su nivel de conocimiento y las percepciones que
obtenga del exterior (Lagos, 2003).
14
Los agentes son capaces de interactuar con el entorno a través de un sistema específico de
comunicación, comportamiento, escenario, superación y complicación presente (Posadas,
y otros, 2003). Cada agente conserva propiedades importantes, entre estas tenemos,
movilidad, autonomía, racionalidad, reactividad, proactividad y sociabilidad, además de
tener mecanismos de razonamiento, que le permiten abandonar situaciones y evolucionar
al aprender e sus experiencias (Bravo, Aguilar, & Rivas, 2004)
2.1.4 Tipos de Agentes
2.1.4.1 Agentes Reactivos
Estos se basan en un proceso en ciclo percepción acción, no existe una representación clara
del entorno, en el que se pueden relacionar los agentes y sus capacidades, no poseen una
planificación, es decir ellos deciden su acción tomando en cuenta su historia de
interacciones con el entorno escogido, las cuales deben estar previamente realizadas para
un mejor funcionamiento, es importante mencionar que la visión del agente es a corto
plazo, puede ejecutar varios comportamientos simultáneamente, su elección es de manera
jerárquica, para los comportamientos y para las decisiones (Mestras, 2006).
2.1.4.2 Agentes Deliberativos
Requiere de dos procesos para funcionar de manera óptima, como prioridad tiene la opción
de decidir que objetos perseguir, y en segundo plano como alcanzar dichos objetos, con un
razonamiento basado en medios afines. Este razonamiento se lo cataloga como practico,
decide en cada momento la acción a realizar para facilitar la consecución de los objetivos
(Mestras, 2006).
2.1.4.3 Agente Social
Capaz de interactuar y comunicarse con otros agentes a través de algún lenguaje, logrando
cambiar acciones, en el entorno compartido, está estrechamente relacionados con la
estructura de los componentes funcionales del sistema, además de las características,
responsabilidades, necesidades y la manera de comunicación. Posee métodos
correspondientes con las acciones que realiza según su estado y declaración de actividades.
(Morales, 2016).
15
2.1.5 Arquitectura Multi-Agente
El diseño de sistemas que se puedan integrar en entornos dinámicos está adquiriendo cada
vez más importancia comercial, y muchos de estos sistemas proponen la gestión y el control
de sistemas de tráfico y servicios médicos. El enfoque teórico de las tecnologías basadas
en sistemas multi-agentes surge a fines del siglo XX, y desde entonces ha existido un
creciente campo de aplicación (Rao, 1995). La arquitectura establece la estructura interna
de cada agente y la estructura de todo el sistema multi-agente; además permite controlar
los mecanismos que utilizan los agentes para reaccionar entre sí (Corchado, 1999).
La gestión de un sistema complejo está dada por la arquitectura multi-agente; donde se
coordina la inteligencia de sus subsistemas de acuerdo a un objetivo común. Las
arquitecturas generalmente están estructuradas en capas jerárquicas que interactúan entre
sí para contemplar el comportamiento general del agente. Las arquitecturas multi-agente
han ganado fuerza en el ámbito investigativo debido a la seguridad que proporciona en
contraste con la seguridad que ofrecen otros sistemas distribuidos del mismo tipo; lo
anterior es consecuencia directa de utilizar como núcleo del modelo a plataformas de
agentes, según lo plantea la FIPA (Fundation for Intelligent Physical Agents); FIPA
también provee ideas frescas sobre la forma de integrar agentes móviles de manera
homogénea y natural en la plataforma (Corchado, 1999).
2.1.6 Tipos de Arquitectura
2.1.6.1 Arquitectura Reactiva
Esta arquitectura cuestiona la posibilidad del paradigma simbólico, persiguiendo un
enfoque conductista, con su modelo estímulo-respuesta, al no tener un modelo del mundo
simbólico como elemento central de razonamiento. Utiliza un razonamiento simbólico-
complejo, con un procesamiento ascendente, para ello mantiene una serie de patrones que
se activan bajo ciertas condiciones de los sensores teniendo un efecto directo en los actores.
“Mantener una representación explícita del modelo o no, no es una discusión específica del
campo de agente sino de la inteligencia artificial en general, de hecho, las primeras
arquitecturas de agentes reactivos se basan en los planificadores reactivos” (Iglesias Á. ,
1998).
16
2.1.6.2 Arquitectura Deliberativa
Posee una estrecha relación con la Inteligencia Artificial (IA), esta se basa en la hipótesis
de los sistemas de símbolos-físicos, donde un sistema de símbolos físicos es capaz de
manejar estructuras simbólicas los que pueden exhibir una conducta inteligente. Esta
arquitectura se basa en la teoría clásica de planificación de inteligencia artificial, dando un
estado inicial, no es más que un conjunto de operadores/planes y un estado objetivo, la
deliberación del agente radica en determinar qué pasos debe relacionar para lograr su
objetivo, siguiendo una orientación descendente (Iglesias Á. , 1998).
2.1.6.3 Arquitectura Híbrida
La integración de los aspectos más importantes de las arquitecturas: deliberativa y reactiva
dan vida a las arquitecturas híbridas, que utilizan el modelo deliberativo en la generación
de planes; y para dar respuesta a eventos ambientales que no requieren la presencia de un
razonamiento complejo se implementa un modelo reactivo. La arquitectura deliberativa
permite planificar eventos utilizando el razonamiento lógico, para cumplir con el objetivo
común. Para definir estructuras que no requieran de razonamiento lógico como principal
factor estructural del sistema, se presentan la arquitectura reactiva al resolver problemas
derivados mediante el uso del razonamiento simbólico (Corchado, 1999). Esta arquitectura
utiliza generalmente dos clases de capas Horizontal o Vertical, al ser capas verticales solo
una de ellas puede tener acceso a los sensores, mientras tanto en las capas horizontales
todas tienen acceso a los sensores, estas capas poseen una organización jerárquica
ascendente.
La arquitectura posee un diseño que contempla todas las diferencias que existen entre los
requerimientos en tiempo real de los componentes reactivos y deliberativos, por lo que
emplea tipos de relaciones (Vicente, Navarro, & Giret, 2007). La arquitectura híbrida
combina varios elementos interesantes, entre ellos: un número considerable de
implementaciones, un modelo filosófico del razonamiento humano, y una semántica lógica
abstracta, estos componentes permiten el desarrollo de sistemas para integrar
adecuadamente el mundo real, proporcionando soluciones en entornos dinámicos o
inciertos, donde los agentes solo tienen una visión parcial del problema y posiblemente
manejen un número limitado de recursos (Corchado J. , 2015).
17
2.1.6.4 Arquitectura BELIEF-DESIRE-INTENTION (BDI):
Es apropiada para ser aplicada en sistemas que integren comportamientos racionales. Desde
el punto de vista BDI, los sistemas son especiales porque tienen la capacidad de adoptar
ciertas actitudes mentales que pueden definir comportamiento y permiten tomar decisiones
que optimice el sistema. A través de premisas teóricas como punto de partida, cada sistema
puede decidir atacar desde dos direcciones distintas planificadas, o a través de atributos
predispuestos sin intervención alguna de los desarrolladores (Rao, 1995). La arquitectura
BDI es inspirada en un modelo cognitivo del ser humano, los agentes utilizan un modelo
de su entorno, una representación del mundo. Los agentes reciben estímulos a través de
sensores, los cuales se activan dependiendo de su necesidad (Gómez S. J., 2015).
La Arquitectura DBI proporciona una diversidad de posibilidades según las decisiones que
se tome, a este se le denomina árbol de mundos posibles (Corchado J. , 2015)
Ilustración 1. Árbol de mundos posibles - Obtenido de (Corchado J. , 2015)
2.1.7 Sistemas de Información Geográfica (SIG)
Son una automatización del manejo de datos espaciales georreferenciados, ofrecen muchas
ventajas sobre la cartografía convencional debido a que permite producir mapas cuya
información digital cuenta con un procesamiento ágil y dinámico (García C. C., 1996).
Según Iglesias, los SIG pueden aportar información valiosa en estudios de temáticas
diversas dentro del campo meteorológicos, social o de salud pública (Iglesias, 2015).
Además, García concuerda con la importancia de trabajar con SIG, debido a la utilidad que
pueden tener en estudios sobre contaminación por gases, agua, ruido, residuos en jardines
y parques y en temas ambientales a través de su aplicación en Geosistemas de Información
Ambiental (GIA) (García C. , 1996). Los SIG se pueden manipular en herramientas como
18
ArcGIS, que es un conjunto de productos de software licenciado o QGIS software libre
(García C. , 1996). Es una herramienta esencial, funcionando como una base de datos con
información geográfica (datos alfanuméricos), para tareas de planificación ambiental y
ordenación del territorio, tiene como ventaja trabajar y transformar unidades de medidas
territoriales para concretar una actividad compleja, facilitando el manejo con diferentes
capas cada una con su información independiente (Bosque & García, 2000).
2.1.8 Tipos de Datos
2.1.8.1 Vectorial Topológico: Modelo de datos clásico, aquí se distinguen tres tipos de
entidades: el punto, la línea, el polígono. Los polígonos se componen de arcos, y a su vez
estos se conectan con nodos, cada entidad tiene un registro asociado en la base de datos
(Rubío & Guitiérez, 1997).
2.1.8.2 Vectorial no Topológico: Obliga a mantener a todas las entidades sino a todas sus
relaciones, limita el tipo de aplicaciones que se pueden realizar en el sistema (Rubío &
Guitiérez, 1997).
2.1.8.3 Ráster: Divide el espacio en cuadriculas, y a cada una de esas cuadriculas se le
asigna un valor, este valor es propio del usuario, la ventaja es obtener una variable para su
manipulación (Rubío & Guitiérez, 1997).
2.1.9 Atributos
2.1.9.1 Atributo Geográfico: Representa información referente a características
geográficas del objeto al que pertenece (posición, extensión). Es un subconjunto no vacío
y probablemente infinito del espacio geográfico. Los atributos geográficos se simbolizan
mediante figuras geográficas, y su tipo se corresponde con el tipo de figura geográfica que
se utiliza para representarlo (Brisaboa, Cotelo, Fariña, Luaces, & J., 2017).
2.1.9.2 Figura Geográfica: Representa sobre el plano de forma gráfica atributos
geográficos de un objeto. En el dominio de los SIG se manejan diversos tipos de figuras
geográficas, siendo las más comunes las siguientes: punto, línea, región, partición, etc.
(Brisaboa, Cotelo, Fariña, Luaces, & J., 2017).
19
2.1.9.3 Alfanumérico: Representación finita de las características cualificaciones o
descripciones gráficas, un conjunto en R2 simbolizada por una malla finita de puntos y
segmentos paralelos, utilizando aproximaciones lineales basadas en quantums (Brisaboa,
Cotelo, Fariña, Luaces, & J., 2017).
2.1.10 Simulación
Proceso que radica en el diseño y desarrollo del modelo de un sistema o proceso
computacional, a partir del cual se perpetran una serie de experimentos que ayudan a
comprender los comportamientos de la totalidad de dicho sistema con el fin de valorar el
problema planteado. Para llevar a cabo una simulación se requiere cumplir con ciertos
parámetros, entre los cuales se destaca: definir el sistema, formular el modelo, coleccionar
los datos, implementar el modelo, validar, experimentar, interpretar y documentar (Bú R.
C., 1996).
Toda simulación se basa fuertemente en a teoría, de probabilidad, estadística, matemáticas
y ciencia computacional, por eso es capaz de generar variables aleatorias no uniformes de
distribuciones de probabilidad teórica, escrita (Bú R. , 2003). Siendo una excelente
herramienta para conocer el impacto de los cambios en los procesos, sin tener la necesidad
de llevarlos a cabo en la realidad, permitiendo el análisis en distintos escenarios, evitando
costos y soluciones con mayor rapidez, optando por la solución más viable (Dunna, H., &
L., 2006).
2.1.11 Simulación basada en Agentes (SBA)
Constituye un poderoso mecanismo capaz de integrar la capacidad de fragmentar un
problema que involucre sistemas complejos. Además, permiten evaluar cómo afectarán los
cambios efectuados en el diseño con relación al funcionamiento general del sistema. Es
importante avanzar en la teoría y la investigación de los entornos y entes que conforman
los SBA, para recrear y reutilizar los componentes que presentan este tipo de sistemas.
(Gómez N. , 2017). El modelo de simulación basada en agentes facilita organizar los
aspectos organizativos y comportamentales de todos los individuos de una sociedad
(Pavón, Arroyo, Hassan, & C., 2006).
Mediante la simulación basada en agentes, el modelador examina claramente que los
sistemas complejos, y en particular los sociales, son producto de comportamientos
20
individuales y de sus interacciones. Lo que distingue a una simulación basada en agentes
de otras técnicas de modelado es la forma en que se realiza la primera abstracción del
sistema real y, consecuentemente, el modelo formal. Los sistemas basados en agentes se
caracterizan por comprender varios agentes que autónomos, heterogéneos e
independientes, que exponen cada una de sus metas y objetivos, generalmente son capaces
de interactuar entre sí y con su entorno (Izquierdo, Galán, Santos, & Del Olmo, 2008).
2.1.12 Programación Orientada a Agentes (POA)
El paradigma POA está construido a partir de sistemas multi-agente y su aplicabilidad se
extiende a sin número de áreas, pues en la actualidad, se presenta el potencial de expansión
que mantiene dentro del campo de la Inteligencia Artificial, a través de, la implementación
de agentes en sistemas complejos. La Ingeniería del Software Orientada a Agente (AOSE
– Agent Oriented Software Engineering) es una aplicación de la ingeniería de software que
permite diseñar de modelos a partir de agentes direccionando la investigación de los
mismos hacia la adquisición de sistemas complejos reales con características distribuidas
(Julián, 2003). El enfoque de POA es instituir al individuo como la base del modelo y
simplificar la representación de interacciones dinámicas para lograr la coexistencia entre
agentes múltiples en un mismo entorno; también se incluye el desarrollo de técnicas y
herramientas que permitan estudiar el comportamiento de los agentes en sistemas
adaptativos complejos (Gimblett, 2001).
2.1.13 Técnicas Orientadas a Agentes (AOT)
Son una extensión de las técnicas orientadas a objetos (OOT) y la base del paradigma POA.
Existe una gran diferenciación entre objetos y agentes, y está dada por la estructuración
interna del estado del agente: creencias, objetivos, comportamientos, intenciones y
mensajes de protocolo. Es debido a lo anterior que todo el análisis, diseño e
implementación de los agentes se estructura de manera diferente a la referida en la POO,
tomando en cuenta los resultados de las diferencias conceptuales (Hurtado P. , 2017).
2.1.14 Aplicación de Simulación
Las tecnologías basadas en agentes y multi-agentes se aplican en software comercial e
industrial a gran escala, debido a lo cual, el análisis del sistema incluye la evaluación del
comportamiento de miles de agentes en un mismo entorno. Para generar un sistema
21
confiable y sostenible se requiere formular nuevas técnicas de modelado de sistemas que
permitan la reutilización y simplificación de código (Kinny, 1996).
2.2 Problemática Social
Una sociedad se construye a base de leyes y de costumbres, temas sumamente importantes,
para el crecimiento positivo de una ciudad, si bien es cierto al trascurrir el tiempo los
intereses cambian, para una sociedad su prioridad es incrementar su economía, sin tomar
en cuenta que es necesario, tener un complemento con el medio que nos rodea para hacerlo,
en la actualidad, el problema de residuos se incrementa, y con ellos trae problemas
ambientales, lo que afecta a salud de la población lo que incluye a los animales
abandonados, que al ingerir este tipo de residuos llegan a tener complicaciones estomacales
provocando su muerte, y al deterioro de espacio físico, alrededor del mundo el problema
es similar, la población pasa por alto pensando en que un pequeño residuo no puede generar
tanto daño (Castillo, Camarena, & Ziccardi, 1987).
La falta de concienciación y responsabilidad por parte de la comunidad sobre el cuidado
de la ciudad de Quito, cada vez es más deplorable, al no tener ningún interés sobre las
consecuencias de un mal cuidado, tanto con su infraestructura como con su ambiente, el
incremento de los residuos en la ciudad provoca la obstrucción del alcantarillado, el
descuido en el tema del abandono de canes ha dado paso al crecimiento inmensurable de
los mismos, deambulando por las calles haciendo de este su hogar (Aguaguiña A. , 2017).
2.3 Análisis de las Herramientas
2.3.1 Modelado y Simulación de Sistemas Complejos
Una revisión básica de herramientas orientadas a sistemas complejos permite conocer
entornos de programación y modelado multi-agente. Entre estas herramientas se
encuentran: GAMA, NetLogo, MASON y Repast Simphony. Cada herramienta cuenta con
ciertas particularidades, a continuación, se detalla.
2.3.1.1 MASON
Es un conjunto de herramientas para simulación multi-agente para Java, es rápido y fácil
de usar. Los modelos están dinámicamente separados de los visualizadores para permitir
cambios o inclusiones entre modelos (Luke, 2005). Además, puede representar datos 2D,
22
3D o Red continuos, discretos o hexagonales individuales o combinados. A través de su
extensión GeoMason, maneja datos geoespaciales (MASON, 2019).
2.3.1.2 NetLogo
Es un entorno de modelado de sistemas complejos escrito en Java, es fácil de usar, gratuito,
estable y rápido, con extensa documentación. Permite interacción de agentes múltiples a
gran escala y existen numerosos trabajos basados en él debido a que admite el intercambio
de datos entre aplicaciones, además, permite exportar en formatos estándar. Cuenta con
extensiones integradas para trabajar con datos GIS (Tisue, 2004).
2.3.1.3 Repast Simphony
Es un conjunto de herramientas utilizado en la creación y modelado de simulaciones
basadas en agentes, es gratuito y de código abierto. Permite leer metadatos codificados al
ejecutar archivos Java, además de la generación de modelos con fuentes de datos de
agentes, escenarios, visualización y registro. Los agentes, paquetes y clases implantadas
pueden ser visualizados en ArcMap, para de esta forma trabajar con datos GIS (North,
2005).
2.3.1.4 GAMA
La herramienta destaca su arquitectura multinivel dentro de un entorno complejo definido
fácilmente a través del lenguaje GAML. Adicionalmente, integra elementos relacionados
con herencia y seguridad que contribuyen a ampliar el paradigma orientado a agentes y
eliminar los límites entre el dominio de un modelo. GAMA permite trabajar con capas
geográficas o ráster y manejar sus atributos como agentes independientes (Drogoul, y otros,
2013).
En el siguiente cuadro comparativo se aprecian las diferencias entre las cuatro
herramientas.
Herramienta
GAMA NetLogo
MASON Repast
Simphony
Bases RCP Scala y Java Java.net Objective C y
Java
23
Eclipse
Licenciamiento General Public
License GPL
General Public
License GPL
Academic
Free
New BSD
Soporte 2D y 3D x x x x
Lenguaje de
programación
GAML NetLogo Java Java
Documentación x x x x
Plataformas Linux
Windows y
OSX
Windows
macOs X, Linux
y navegadores
Java Linux
Windows y
macOs
Compatibilidad
con GIS
Integrado Integrado Extensión Integrado
Tipo de
instalación
Ejecutable Instalable Instalable Instalable
Lenguaje de alto
nivel
x x x x
Tabla 1.Características de las herramientas de modelado y simulación
Luego del análisis de estas herramientas se ha demostrado que la herramienta más adecuada
para utilizar esta combinación de técnicas que son sistemas multi-agentes con sistemas de
información geográfica y que lo maneja de manera natural es GAMA.
24
2.3.1.5 GIS & Agent-based Modeling Architecture (GAMA)
Es una plataforma de código abierto que permite crear modelos de simulación basados en
agentes inteligentes espacialmente explícitos y multinivel. Admite el análisis espacial
utilizando SIG para gestión de datos, permite la lectura y escritura de archivos, bases de
datos y datos vectoriales geográficos que pueden presentarse en una cuadrícula que localice
los agentes o también como capas de fondo constituida por objetos geográficos, también
es viable integrar minería de datos para simplificar el modelado y análisis (Taillandier,
2010). El objetivo es integrar de forma más exacta los datos vectoriales dentro de un
entorno simulado (entrada) y almacenar el resultado del entorno (salida). GAMA ofrece
una sola ventana de aplicación en donde se realizan las tareas de edición, visualización y
exploración de modelos de simulación. Cuenta con un lenguaje propio denominado
GAML, que fue diseñado con el paradigma de programación orientada a agentes (POA),
este se utiliza para la programación de agentes y entornos, cuenta con librerías
especializadas en la generación de movimiento y comunicación, además, de la
implementación de funciones matemáticas, gráficas, integración de capas en formato .shp
o capas ráster y muchas otras. Eclipse proporciona el framework de GAMA, este se basa
en la arquitectura RCP (Rich Client Platform) (Amouroux, Chu, Boucher, & Drogoul,
2007).
Al igual que en las ciencias de la computación, GAMA cuenta con soporte de modelo
orientado a agentes (MOA) surge de la combinación del modelado basado en individuos
(IBM) y programación orientada a objetos (OOP), mediante el MOA se pueden construir
modelos incrementales y modulares para tener un modelo flexible y con facilidad de
reutilización (Vo, 2012). GAMA permite construir modelos muy complejos con beneficios
en programación de modelado de alto nivel, soporta numerosas arquitecturas de agentes,
representaciones avanzadas en los entornos (Drogoul, 2013).
2.3.2 Sistemas de Información Geográfica
2.3.2.1 QGIS
Es una herramienta oficial de Open Source Geospatial Foundation (OSGeo) de código
abierto escrito en C ++ disponible bajo las condiciones de la licencia GPL, también soporta
numerosas funcionalidades y formatos de datos vectoriales, ráster y bases de datos
(Hugentobler, 2008).
25
2.3.2.2 GvSIG
Generalitat Valenciana Sistema de Información Geográfica (GVSIG) nace como un
sistema de información geográfica de código abierto, permite visualización 3D y 4D.
Cuenta con comportamiento integrado que unifica CAD y SIG con datos vectoriales y
ráster, además trabaja con la mayoría de bases de datos y posibilita la conexión a servicios
OGC WMS, OGC WFS, OGC WCS (Anguix & Díaz, 2008).
2.3.2.3 ArcGis
Es un complejo conjunto de productos de software para manejo de sistemas de información
geográfica y el líder mundial de diseño y desarrollo propietario, soporta la organización,
manipulación, análisis y visualización de datos espaciales tridimensionales, así como
también escritura de código Python, gestión de datos y cartografía. Es expansible e incluye
el estudio de herramientas geoestadísticas (Scott, 2010).
2.3.2.4 SAGA
Sistema para Análisis Geocientíficos Automatizados (SAGA) es un sistema de información
geográfica ideal para trabajo operativo flexible, soporta datos vectoriales y ráster, incluye
algoritmos geocientíficos y es potente en su análisis de modelos digitales de elevación.
Cuenta con una interfaz de programación de aplicaciones (Olaya, 2009).
Herramienta Bases Documentación Plataformas Licenciamiento
QGIS C ++ x Linux, Mac
OSX, Windows
y Android
GPL
gvGIS Java x Linux, Mac
OSX, GNU
Windows
GPL
26
SAGA C++ x Windows, GNU,
Mac OS X,
Linux
GPL
ArcGis C, C
++
x Windows, Linux Propietario
Tabla 2. Características de herramientas de Sistemas de Información Geográfica
Al término de este análisis de herramientas, se demuestra que la herramienta más adecuada
para manejar información referente a sistemas de información geográfica es QGIS debido
a su interfaz intuitiva, precio económico y sencillez.
2.3.2.5 Quantum Gis (QGIS)
Permite la creación y manipulación de datos geográficos, está ganando popularidad dentro
de las nuevas tendencias tecnológicas, además, cuenta con una comunidad activa de
desarrolladores para brindar soporte. (Pérez, 2016). QGIS tiene soporte multilenguaje y
proporciona un explorador de archivos espaciales, una aplicación de servidor y
aplicaciones web y a través de la librería PyQGIS se ejecuta código Python. Permite la
visualización, gestión, edición, análisis de datos y metadatos, generación de mapas
imprimibles y publicación de información geoespacial en capas y proyectos compatibles
con servicios WMS y WFS (qgis.org, 2018). Además, admite información de formatos
PostGIS, GRASS, Shapefile, GML, GPX, WMS, GeoTiff, PNG, JPG. Se exalta el enfoque
de visualización bidimensional interactiva que posee, es sencillo, intuitivo, y gratuito
(Hugentobler, 2008).
27
Capítulo III
3. Metodología para simulaciones con multi-agentes referenciados espacialmente
3.1 Definición del Problema
La problemática social, se dimensiona con mayor fuerza, al tomar sentido de las malas
decisiones políticas, pues al no tomar con conciencia su labor permiten a la población
realizar actos inapropiados como: el mal manejo de los residuos y el abandono de canes,
acarreando consecuencias nocivas para la salud, e impidiendo el progreso de la comunidad.
Se han manifestado algunas soluciones a lo largo de los años, pero todas ellas obtuvieron
respuestas negativas. La metodología que se presenta a continuación tiene por objetivo
evaluar situaciones con este tipo de temática, para ello se debe analizar varios puntos
importantes, desarrollo, simulación, calibración y validación del modelo, resultados y
escalabilidad (Aguaguiña A. , 2017).
3.1.1 Estado del Arte
El desarrollo de software está íntimamente relacionado con el uso de una metodología que
permita el control del proceso de desarrollo, a través de parámetros que permitan
desempeñar roles y actividades de los entes que forman el sistema. Según Canós, las
metodologías son de gran ayuda en sistemas cuyos entornos sufren cambios a grandes
rasgos y de manera constante durante el proceso de desarrollo, puesto que permiten
mantener la calidad del sistema y regulan el esquema cambiante constantemente (Canós &
Letelier, 2012).
Existen varias teorías clásicas sobre metodologías de desarrollo de software, pero con el
continuo avance de las tecnologías surgen nuevas problemáticas que no están sujetas a un
modelo existente. Las innovaciones en equipos y herramientas capaces de implementar
sistemas multi-agentes requieren de metodologías capaces de abarcar los requerimientos
suscitados en los sistemas (Fernández, 1998) .
Los sistemas pueden apoyarse en la metodología para continuar con su expansión, y según
Gimblett, la recreación de agentes en un ambiente virtual con sistemas de información
geográfica puede crear entornos simulados de múltiples temáticas con parámetros de
variación, donde los agentes interactúan con el entorno de acuerdo a los objetivos que
deseen conseguir y mejorando sus habilidades en la toma de decisiones cada vez que
28
cumpla con un ciclo nuevo (Gimblett, 2001). Para comprender la relación del problema
con el entorno y los agentes que interactúan en él se presenta el siguiente diagrama.
Ilustración 2. Análisis del Problema
3.2 Propuesta del modelo
Este modelo propone realizar simulaciones basadas en multi-agentes georreferenciados
para explorar temáticas sociales. Para simular las condiciones del entorno es necesario
tener capas GIS con atributos que puedan ser usados para establecer las limitaciones
correspondientes a los agentes. Además, para simular los comportamientos y habilidades
de un agente se requiere conocer el objetivo base que plantea el modelo y en nivel de
relación que mantiene cada agente en las distintas capas. Las capas del modelo permiten la
comunicación eficiente de los agentes, para valorar las decisiones en la capa deliberativa y
proceder a determinar la acción. Las capas que posee el modelo se describen en la
Ilustración 3.
Ilustración 3. Capas del modelo
29
Las capas están organizadas en jerarquía desde la capa base: percepción de datos, hasta la
capa más externa: interfaz. A continuación, se proporciona una descripción de cada una.
Todos los datos registrados durante la simulación están definidos dentro de la capa
percepción de datos, donde no se discrimina ninguno de ellos, únicamente se recibe y
posteriormente se envía hacia la capa Deliberación.
La toma de decisiones y la designación de roles están definido dentro de la capa
Deliberación, donde todos los procesos lógicos son realizados por un grupo de agentes que
a su vez tienen a su cargo pequeños grupos que cumplen diversas funciones. De esta
manera, cada agente puede asignar un objetivo a cada agente según las habilidades o
comportamientos con los que cuente. El resultado arrojado por la capa, es la consecución
de la tarea de deliberación, con lo que dota al sistema con conclusiones formuladas a partir
de un poderoso sistema de evaluación, para el que se necesita conocer a profundidad que
tipo de acción hace quien, y quien la podría resolver de mejor manera según los parámetros
especificados.
Una vez que se tenga una resolución sobre el tipo de agente que cumplirá cada objetivo, es
necesario que se le comunique para que empiece con la tarea que se le designo, para lo cual
se utiliza la capa comunicación, a través de la cual cada grupo de agentes tiene la capacidad
de comunicarse, responder o relacionarse con otros agentes o el entorno. Cabe recalcar que
todo sistema multi-agente que se interrelacione debe contar con una capa de comunicación
para permitir que los agentes tomen decisiones y formulen resultados según lo que han
aprendido dentro de su entorno.
La capa ejecución permite que cada agente empiece a desempeñar la actividad que se le
asignó, buscando siempre la forma de conseguir el objetivo, a través de lo que ha aprendido
o a su vez, realizando un proceso mental que le permita generar una nueva forma de cumplir
con la tarea de manera más óptima.
Para finalizar, la capa interfaz representa el entorno simulado visual, que se puede observar
a través de la pantalla de ejecución.
3.2.1 Análisis de los Elementos
En este modelo se identifican tres tipos de elementos: elemento principal, influyente e
intermitente, a continuación, se describe cada uno de ellos.
30
El elemento principal es aquel en el que se basa la problemática, por lo tanto, debe estar
dotado con múltiples estados y características que le permitan interactuar con los demás
elementos. El elemento influyente es quien interactúa con el agente motivo de estudio
(elemento principal), está íntimamente relacionado con él y mediante la capa de
comunicación realiza cambios, modificaciones o alteraciones al comportamiento del
agente. El elemento intermitente se refiere al agente que puede aparecer o desaparecer del
entorno según los parámetros que cumpla, está sujeto a las condiciones del entorno u otros
agentes.
(a) (b) (c)
Ilustración 4. (a) Elemento Principal, (b) Elemento Influyente, (c) Elemento Intermitente
3.2.2 Análisis del Entorno
Al realizar un modelo SIG se debe comprender que cada objeto existente en el mundo real,
poseen características únicas que se deben conservar, para poder obtener relaciones
espaciales, en un modelo SIG cada capa es necesaria, al igual que sus atributos, para este
proyecto se ha realizado cada fase de producción: Mundo Real, Modelo Conceptual,
Modelo Lógico y Modelo Físico. (Camora & Monsalve, 2004). Al obtener una abstracción
del mundo real, para un caso de evaluación se debe analizar la información, y los datos que
se usa o se deben utilizar, la obtención de esto conlleva a la evaluación de las entidades a
tratar, teniendo en cuenta la jerarquía, para un mejor reflejo de la realidad. Cada atributo
describe a su entidad, sus identificadores, sus conectores y el tipo de dato define su
geometría, al manipular los elementos del paisaje estos se los debe codificar para su
almacenamiento, una vez codificados pasa a ser simplificado el resultado son datos alfa-
numéricos, cada uno de estos datos posee información la cual puede ser clasificada a
convenir para una mejor percepción de la realidad. Cada modelo tiene restricciones sean
31
estas de carácter individual, social o con el medio, mediante las especificaciones definidas
en sus atributos y su clasificación. (Camora & Monsalve, 2004).
Ilustración 5. Análisis del entorno
3.3 Desarrollo del Modelo
3.3.1 Análisis de los elementos que intervienen en el Modelo
Los agentes pueden representar situaciones debido a que son autónomos, es decir, son
capaces de actuar y controlar sus decisiones por si mismos sin ayuda externa, además son
sociables y pueden comunicarse entre sí a través de lenguaje común. También disponen de
la capacidad de reacción cuando han estudiado el entorno y se han adaptado a él, esta
comprensión permite que cada agente pueda actuar por iniciativa, con benevolencia y
racionalidad. Cada una de las características es importante porque aportan valiosa
información al agente. Un agente está en plena capacidad de actuar cuando se presenta un
problema al que puede aportar una solución porque ninguno de ellos tiene experticia en
todo. Existen dos tipos de sistemas que puede guiar al agente: en el primero denominado
sistema contractual, el agente que reciba información la comparte para encontrar al agente
que este en capacidad de resolverlo. En el segundo sistema conocido como federado, los
agentes están ordenados por jerarquías, donde los facilitadores conocen las habilidades de
cada agente y distribuyen las tareas con ese conocimiento. De acuerdo a lo señalado, el
segundo sistema es más eficiente al referir una numerosa cantidad de agentes. Por ejemplo,
32
al tener 10 000 de ellos organizados en grupos donde cada uno cuente con un facilitador,
cuando el sistema reciba una indicación, esta podrá ser transmitida a los facilitadores y no
a todos los agentes, para no exceder los recursos de memoria (Hípola & Vargas, 1999).
3.3.2 Interacción entre Agentes y Entorno
Los agentes existen en entornos simulados, por lo que un entorno debe proveer las
condiciones suficientes y necesarias para cumplir con los requerimientos de la simulación
y facilitar la obtención de información. El entorno puede ser creado con capas GIS
previamente creadas, o a través de la generación de entornos mediante herramientas
disponibles en el software en la que se desarrolle el modelo. Actualmente existen
herramientas que ayudan a generar un entorno de manera sencilla e intuitiva explotando al
máximo la información que proviene de las herramientas de información geográfica
(Taillandier, 2010). Los entornos pueden ser bidimensionales o tridimensionales, además
admiten ambientes cargados de datos que serán convertidos en información útil para la gran
cantidad de agentes múltiples presentes en el modelo (Méndez, 2008).
3.3.3 Capas que forman el Entorno
La creación de una capa lógica GIS, se la realiza con el propósito de modelar la realidad
territorial para convertirla en datos geográficos, los cuales son accesibles para ser
manipulados en un entorno informatizado. Se utilizan modelos de representación ya sea
mediante una capa ráster o una capa vectorial. Cada atributo de la capa se la guarda de
forma automática, los atributos son las características geográficas de las capas. Al unir
varias capas se logra la representación visual de una ubicación determinada, este tipo de
capas se lo puede realizar en distintos software como: ArcGIS, QGIS, etc.
Este tipo de capas se los utiliza comúnmente para representar o evaluar casos sociales,
problemas de territorio, adecuación de áreas optimas, optimización del alcance de carteras
etc. (qgis.org, 2018). Al ser importadas en software de simulación mantiene sus
propiedades, las cuales se pueden manipular para darle interactividad con todo el entorno
del modelo (gama-platform.org, 2013).
Las capas GIS están formadas por dos atributos importantes la clasificación y la
simplificación, la forma más favorable al momento de trabajar es utilizar estas dos
herramientas.
33
3.3.3.1 Clasificación
En este punto, la capa vectorial se convierte en una capa ráster, pues es la división del área
de estudio (capa vectorial), en una matriz de celdillas, donde cada una recibe un valor único
que se considera representativo para la superficie, por tanto, cubre la totalidad del espacio,
siendo una ventaja fundamental, porque se obtiene valores de forma inmediata para
cualquier punto. Al tener cada celdilla con un valor da paso para cualquier tipo de cálculo,
facilitando al usuario la clasificación del mismo. Las características de una capa ráster son:
Información geométrica acerca de la matriz y de su posición en el espacio, tabla de colores
que permita decidir el de cada celdilla en la pantalla, En caso de que la variable sea
cualitativa, una tabla que corresponda a cada identificador numérico una etiqueta de texto
descriptiva (Tomlin, 2005).
3.3.3.2 Simplificación
Al tener una capa ráster este valor se lo puede reclasificar, para poder simplificar la capa
con valores deseados para a representación geográfica, al cambiar o reclasificar valores de
las celdas a valores alternativos mediante diversos métodos ayuda a tener e forma más
explícita el mapa. Se puede reclasificar a un grupo de valores de una sola vez utilizando
campos alternativos, como intervalos especificados, por área. La reclasificación aplica a
cada celda dentro de una zona. Lo que se quiere decir es que, al momento de colocar un
valor alternativo a un valor existente, todos los métodos de reclasificación aplican el valor
alternativo a cada celda de la zona original (Tomlin, 2005).
Ilustración 6. Simplificación de capas
34
3.3.4 Arquitecturas que manejan el Modelo
El modelo cuenta con dos tópicos basados en las arquitecturas: Híbrida y BDI.
3.3.4.1 Tópico Uno
Se presenta la Arquitectura Híbrida, basada en las arquitecturas de tipo reactivo y
deliberativo. A continuación, se presentan dos esquemas gráficos de la estructura que
mantienen, para identificar los elementos más importantes.
(a) (b)
Ilustración 7. (a) Arquitectura Reactiva, (b) Arquitectura Deliberativa
La Arquitectura Híbrida responde a las carencias que presentan cada una de las
arquitecturas mencionadas anteriormente, debido a que fusiona el razonamiento lógico y
el razonamiento simbólico en el cumplimiento del objetivo común a través de los eventos
planificados (Corchado J. , 2015).
Por lo mencionado se escogió este tipo de arquitectura para plantear simulaciones en el
campo social, que representa de mejor manera el actuar de los elementos y componentes
que forman y describen ciertos fenómenos sociales como es el caso de estudio dos.
Ilustración 8. Arquitectura Híbrida
35
3.3.4.2 Tópico Dos
El segundo tópico corresponde a la Arquitectura BDI, donde las entradas siguen un proceso
que regula el tipo de actividades que se desempeñaran. Una vez que se ha tomado una
decisión a partir de un requerimiento, se da por concluido el proceso y corresponde resolver
las acciones que serán ejecutadas por el agente capaz de hacerlo. Cabe recalcar que las
decisiones no están predefinidas en el modelo, ni se apoyan en decisiones humanas, puesto
que es durante la ejecución de la simulación que los agentes pueden adoptar los
comportamientos que crean convenientes tomando la iniciativa por sí mismos (Rao, 1995).
Esta arquitectura se utiliza en el caso uno, por ser la más conveniente en la construcción de
la simulación, esto se da gracias a las características propias del modelo analizado y los
elementos que fueron modelados para la caracterización del fenómeno.
Ilustración 9. Arquitectura BDI
3.4 Simulación, Calibración y Validación del Modelo
Realizar una representación de la realidad, conlleva el proceso de pruebas y análisis, las
cuales se deben ajustar al máximo a la realidad, con la información que se adquirió, al
obtener relación entre valores de una dimensión, exteriorizados por un instrumento de
medida o un sistema de medida, o los valores representados, se visualizan los patrones, que
dan una mejor perspectiva de la realidad, para obtener una posible solución. Al comprobar
36
la existencia de alguna inconsistencia en las desviaciones de valores, la comprobación de
la simulación debe ser postergada hasta la revisión de la misma. (Jiménez, 2003).
En esta etapa en cada uno de los casos planteados, fue necesario realizar varias corridas
que permitieron calibrar los valores de los parámetros iniciales, aumentar variables que no
fueron consideradas inicialmente, modificar las formulas insertadas en el modelo,
modificar los reflejos o condiciones para que se ejecuten las acciones, así como la
interacción con el medio, verificando que se cumplan las restricciones puestas por el medio
en que se desenvuelven los agentes. Validando así el modelo y los resultados obtenidos,
para que sean cercanos a la realidad.
3.5 Resultados
El proceso de abstracción de información dentro de las simulaciones, se determina por la
metodología que se ha adoptado. Dentro de los resultados se aprecian los indicadores,
factores y propiedades principales de un sistema complejo. El rendimiento de la simulación
va de la mano con el rendimiento del microprocesador del equipo y la optimización de la
simulación para no agotar recursos de máquina, pero manteniendo los objetivos y sus
respectivas limitaciones. A través de los resultados, se puede hacer un análisis e
interpretación de los datos obtenidos para evaluar cómo han reaccionado los agentes a las
distintas situaciones con respecto a los objetivos dados y observar la evolución en la toma
de decisiones para obtener un modelo eficiente y eficaz. Es importante considerar los
resultados, desde lo más simple hasta lo más complejo, manteniendo siempre variaciones
para obtener una muestra completa entre intervalos base delineados inicialmente en la
simulación (Izquierdo, Galán, Santos, & Del Olmo, 2008).
En ambos casos de la simulación se pueden interpretar los resultados a través del monitoreo
del progreso de la interacción entre los agentes, el entorno y el tiempo, pues de esta forma
se mantiene un registro constante de la evolución en cada ciclo de simulación. Para efectuar
el monitoreo, se han efectuado un conjunto de pruebas sucesivas que están sujetas a los
ajustes que se realicen en el diseño de la simulación. Cabe recalcar que los procesos que se
desarrollan internamente no son observables, sino más bien han sido inferidos al analizar
la base de observables resultante, a partir de lo que se han formulado los resultados para
ambos casos de estudio presentados en este documento.
37
3.6 Escalabilidad
El proceso por el que un sistema debe pasar para reaccionar o adaptar sus condiciones sin
pérdidas de información, es lo que se denomina escalabilidad. Para lograr un manejo de
crecimiento sin exponerse a pérdidas y explotando al máximo los recursos se puede pensar
en la escalabilidad, y de esta manera conservar la calidad del sistema. Este concepto se
aplica en la maximización de técnicas en el diseño, previniendo el exceso de recursos de
máquina, lo cual depende de la topología y capacidad de procesamiento del sistema
(Antiñanco, 2014).
En los dos casos de estudio existen rangos de valores que pueden tomar las variables
acopladas dentro del modelo, así como el medio en que se van a desenvolver, es así que
podemos ampliar en ambos casos el sector e introducir nuevos elementos sin alterar el
modelo en sí. Podemos de acuerdo a la capacidad de cómputo disponible ampliar los
estudios a zonas geográficas más grandes y a la vez más complejas, considerando también
una menor escala en la representación de los agentes, es decir podemos representar por
cada agente modelado una menor población de cada especie.
Ilustración 10. Representación de los agentes
Ilustración 11. Escalabilidad en el código
38
3.7 Sistemas Multi-Agentes y Urbanismo
La necesidad de la utilización de nuevas herramientas computarizadas nace de la
problemática a estudiar. La simulación de carácter urbano se ha convertido en tendencia,
pues genera nuevas formas de atender problemáticas de planificación y gestión urbana.
Tanto la ciudad ortodoxa, como la ciudad irregular, se compone de partes que generan un
todo; y todas esas partes autónomas funcionan como variables independientes,
representadas por agentes georreferenciados en la simulación, con el propósito de obtener
una óptima solución, a partir de un problema severo. (Batty, 2015).
Para visualizar el modelo planteado se tomó dos problemáticas sociales que también
inciden en la salud pública, y el poco interés que muestran los habitantes de Quito y las
autoridades para dar soluciones a largo plazo.
A continuación, se presenta casos que evidencian la problemática urbana y de los cuales
nació la idea para plantear las dos simulaciones con multi-agentes georreferenciados.
3.7.1 Fenómenos Hidromorfológicos
De acuerdo a D’Ercole, estos fenómenos son de origen natural y se constituyen a partir de
varios tipos de sucesos, entre los cuales están: lluvias, inundaciones, deslizamientos,
desbordamientos, huaycos, aluviones, granizadas, hundimientos, colapsos estructurales
entre otros (D’Ercole, 2009).
3.7.1.1 Influencia de los fenómenos hidromorfológicos en vialidad de la ciudad de
Quito
La ciudad de capital, según Sierra en su estudio “Vulnerabilidades urbanas en los países
andinos” elaborado con datos de entre los años 1970 y 2007, estima que los fenómenos
hidromorfológicos naturales ocasionaron una afectación del 38.3% a la ciudad de Quito;
estas condiciones se deben a la altura e influencias del Pacífico, la Amazonía y las
condiciones orográficas de la ciudad. Las lluvias torrenciales de corta duración son una
amenaza representativa para la movilidad de la ciudad. Debido a su ocurrencia entre los
meses de febrero a mayo y también de octubre a noviembre, pueden causar inundaciones
o aluviones en las faldas del volcán Pichincha. (Sierra, 2000). La mayoría de las
inundaciones están sujetas a que la red de evacuación de las aguas pluviales no satisface la
demanda requerida. (D’ercole, 2004). Los fenómenos antrópicos relacionados al
39
tratamiento insuficiente de gestión de aguas pueden causar accidentes de transporte en un
estimado de 19,7 % del total de accidentes de tránsito. En conclusión, los accidentes de
transporte causados por fenómenos antrópicos son el primer atenuante de accidentes de
tránsito, seguido por los causados por eventos hidromorfológicos (D’Ercole, 2009).
3.7.2 Generación y manejo de residuos sólidos
La tasa de generación de residuos está en función del tamaño de la población y las
características socioeconómicas, grado de urbanización, y niveles de consumo, pueden
existir otros factores asociados a las estaciones del año o celebraciones (Municipalidad de
Rosario, 2013). El manejo de residuos sólidos es uno de los principales problemas
ambientales a nivel mundial e involucra aspectos de salud pública y manejo sostenible de
las ciudades (Quito M. d., 2008). La estructura de gestión ambiental amparada en la
constitución del Ecuador dicta que los ciudadanos tienen derecho a vivir en un medio
ambiente sano (Pozo García, 2016).
3.7.3 Problemática con manejo de residuos en El Centro Histórico de la ciudad de
Quito
El Centro Histórico de Quito fue declarado Patrimonio Cultural de la Humanidad, por lo
que presenta gran importancia turística. Debido al crecimiento poblacional de los últimos
años la cantidad de desechos comunes se ha intensificado (Peralta, 2003). Las calles del
Centro Histórico no soportan el tráfico pesado a gran escala, por lo tanto, el manejo
adecuado de residuos sólidos se convierte en un desafío para las agencias gubernamentales
encargadas de gestionar la movilidad y salubridad de los Quiteños (Carrión, 2005)
Según la EMASEO, el Centro Histórico está divido en dos zonas independientes para la
recolección de desechos comunes: Oriental y Occidental, cada una cuenta con un horario
de servicio de recolección, pero ambos son a diario y en horas de la noche para no interferir
con la movilidad de propios y extranjeros (EMASEO, 2019). La gran cantidad de
transeúntes, la ubicación y construcciones del Centro Histórico pueden permitir la
acumulación de residuos sólidos que obstruyen las alcantarillas y provoquen inundaciones
cuando grandes masas de agua se precipiten al suelo (Bermúdez, 1999)
40
3.7.4 Sistema de alcantarillado en la ciudad de Quito
En el Distrito Metropolitano de Quito, la recolección y conducción de aguas residuales y
aguas de lluvia están incluida en el mismo sistema de alcantarillado. El caudal de aguas
residuales que recibe no representa más del 5% de su capacidad, además, las aguas se
conducen por medio de gravedad hacia quebradas y ríos, pero no cuentan con un
tratamiento adecuado. Además las altas velocidades de transporte, pendientes y topografía
de la ciudad, convierten la vida útil de la infraestructura del alcantarillado en un blanco
fácil para el rápido deterioro ambiental. (Quito M. D., 2014).
3.7.5 Mantenimiento del sistema de alcantarillado
La Empresa Pública Metropolitana de Agua Potable y Saneamiento (EPMAPS) puede
limpiar el sistema de alcantarillado gracias a los camiones equipados con
hidrosuccionadores, y también a los equipos de inspección televisiva para examinar y
medir las características de las tuberías. Según la EPMAPS entre los meses de enero y
noviembre de 2018 se han retirado 30 mil metros cúbicos de tierra, piedras, escombros y
en ciertos casos vegetación que ha empezado a crecer en las alcantarillas. En 2017 se gastó
800 mil en limpieza y mantenimiento de sumideros. En 2018 se ha elevado a un millón de
dólares. Los pasos deprimidos, escuelas y mercados tienen prioridad de mantenimiento
(LaHora, 2018).
3.7.6 Abandono de canes
El abandono de canes en actualidad es muy común, sea por espacio, problemas
económicos, o por motivo de viaje, la opción más viable es liberarlo en la calle, el impacto
que posee en el medio ambiente es incierto, gracias a algunos estudios se puede comprobar
que no es solo perjudicial en el ámbito social sino también afecta a la salud pública.
Entre las enfermedades de contagio tenemos la zoonosis, que puede ser transmitida de
diferentes formas entre los canes, ya sea por contacto directo, ingestión de alimentos,
inhalación, o mordeduras. Además, pueden ser contagiados por más de un mecanismo, por
ejemplo, Salmonellas. Es preocupante la cantidad de canes pues se ha podido observar que
cuando algunos canes comienzan a desaparecer de la manada, ellos sienten la necesidad de
reproducirse, lo que aumenta el número de animales abandonados. (Vargas, 2014).
41
3.7.7 Impacto ambiental de la comunidad canina a sus alrededores
El medio ambiente no solo tiene un deterioro con las heces fecales de los canes sino con su
orina, y los residuos que dejan al abrir fundas de basura, la comunidad canina sin duda es
un gran aporte para la contaminación, y una muestra de la educación y cultura que las
personas poseen.
“La contaminación ambiental es la polución al ambiente de cualquier agente físico dañino
químico o biológico que da lugar a la destrucción de toda forma de vida, llevando así a la
decadencia del medio ambiente que también son nocivos para la salud, para la seguridad o
para el bienestar de la población, y que puedan ser perjudiciales para la vida vegetal o
animal, o que impidan el uso habitual de las propiedades y lugares de recreación”. (Troya,
2012).
3.7.8 Tipo de contaminación provocada por la comunidad canina
Este tipo de contaminación afecta al sector turístico, al ser visitado de manera constante,
se vuelve un factor negativo, si bien es cierto, el animal debe estar al cuidado de algún
ciudadano, se puede notar que las autoridades no ponen la atención necesaria al tema, pues
lleva siendo prueba de estudio desde hace varios años, afectando así a todos.
Contaminación visual: las heces afectan la ciudad, dándole un aspecto descuidado y de
poca higiene.
Contaminación olfativa: el olor de los excrementos es desagradable.
Fuente de contagio de enfermedades propias de los canes: Tipo viral (parvovirosis) y
parasitarias (ascaridiasis, anquilostomiasis, etc.).
Fuente de contagio de enfermedades para nosotros mismos: Pueden transmitir algunas
formas de zoonosis, son un medio favorable para que las moscas depositen sus huevos en
ellas, y pueden convertirse en agentes transmisores de enfermedades al transportar huevos
de parásitos hacia los alimentos. (Sarango, 2016).
3.7.9 Leishmaniasis visceral canina
Es una patología infecciosa zoonótica de importancia para la salud. Este tipo de infección
se encuentra distribuida en varios focos donde predomina el bosque seco tropical. El can
42
es una víctima más, pues es como un reservorio de esta parasitosis y por ello el manejo de
la enfermedad tiene las connotaciones clínicas del can como paciente y las epidemiológicas
como fuente de infección para los humanos. En estos casos el veterinario, no puede abarcar
un máximo de canes, lo que hace que se un ciclo repetitivo para la enfermedad, al ser
contagioso. Este tipo de infección no tiene una cura, solo un tratamiento el cual no es
factible para los canes que residen en la calle. (D.V.M. & Trav, 2013).
3.7.10 Factores de riesgo asociados a la parvovirosis canina en el cantón Guaranda,
Bolívar, Ecuador
El factor de riesgo presentado por la parvovirosis canina (PVC) en perros mestizos en la
provincia Bolívar, Ecuador. A partir de una muestra total de caninos, se obtuvo resultados
positivos o negativos a PVC. Al consumir carne cruda, huesos, o suministros de alimentos
caseros, acoplados al estado físico deplorable del canino trae consigo consecuencias
negativas como el parasitismo gastrointestinal, que al no estar vacunado, constituye un
factor de riesgo significativo para la presentación de la PVC.
Una de las principales les causas para este tipo de enfermedad es el ingerir carne cruda, y
puede agravarse en ciertas épocas del año según el clima y la edad del animal. (Aldaz,
García, & Quiñonez, 2015)
3.7 Propuesta
El proyecto está diseñado para generar simulaciones con multi-agentes georreferenciados,
las cuales se componen de la interacción de varias especies, visualizando su
comportamiento, sus reacciones frente a otros agentes o ante restricciones impuestas por el
medio en el que se desenvuelven, cada elemento modelado ha utilizado imágenes diseñadas
para una mejor visualización e identificación dentro de la simulación, en lugar de las
figuras geométricas que posee la plataforma para ser representados.
Para construir la simulación se ha utilizado hardware y software descrito en el siguiente
cuadro:
43
Procesador Intel(R) Core(TM) i7-3770
Memoria RAM 16,0 GB
Sistema Operativo Windows 64 bits
Software QGIS Versión 3.4.4-Madeira Windows
Software GAMA Versión 1.6
Tabla3. Herramientas
Estos son los requisitos mínimos necesarios para el correcto funcionamiento y ejecución
de las simulaciones planteadas. Con una mayor capacidad en los equipos de cómputo se
puede realizar una simulación a mayor escala.
3.8 Desarrollo de la propuesta
Es importante tomar las cualidades más notables de las arquitecturas híbridas para dotar al
sistema con un amplio marco de respuestas, para lo cual, en este trabajo se ha planteado
tomar en cuenta las características que plantea la arquitectura BDI como punto de partida,
y complementar su arquitectura con ciertas cualidades de las arquitecturas híbridas.
El sistema planteado tiene un entorno, cuya característica primordial es mantener ciertas
limitaciones y requerimientos de acuerdo a los ejes planteados en este caso, los agentes
presentan comportamientos y habilidades que ajustan las características de la simulación,
y a través de, las características implantadas en las especies, se puede gestionar todo el
sistema. De esta manera se puede conocer cómo responden los agentes a las distintas
situaciones, y también, permite el desglose de los cálculos monitoreados en cada ciclo de
la simulación.
El sistema tiene distintas acciones y procedimientos para ejecutar los dos casos planteados,
además, incluye parámetros y condiciones de acuerdo a la intervención de los entes
participes de la simulación, que cuentan con tiempos de respuesta asociados a los objetivos
44
de cada agente, donde en cada ciclo de ejecución del sistema, se podrán observar y evaluar
los cambios producidos acorde a nuevas decisiones tomadas por los agentes.
Dentro de un sistema orientado a BDI, hay dos tipos de acciones que se pueden mencionar:
las decisiones tomadas por el sistema como tal, y los eventos que toman lugar en el entorno,
ambas opciones están disponibles para la ejecución del sistema dependiendo los recursos
de máquina.
A continuación, en la ilustración 12 se presenta el proceso de la simulación; en donde los
agentes reciben y envían información a través de la jerarquía propuesta en la arquitectura
por capas. A un agente de cada especie se le envían los requerimientos necesarios para que
pueda comunicarlos a los demás. De esta forma pueden trabajar colaborativamente para
cumplir con el objetivo.
Ilustración 12. Proceso de la simulación
45
Capítulo IV
Este capítulo provee una explicación detallada de los factores que se han tomado en cuenta
para la construcción de ambos casos de estudio y su implementación en las herramientas
QGIS y GAMA.
4.1 Caso 1
4.1.1 Definición del Problema
El primer caso consiste en presentar los problemas que se derivan del manejo inadecuado
de residuos sólidos en el sector Centro Histórico de Quito del Distrito Metropolitano de
Quito. Debido a la importancia turística y cultural del sector, la presencia de turistas propios
y extranjeros que pueden desplazarse por el lugar ya sea caminando o en vehículos livianos,
lo que permite que la generación de residuos sea considerable y requiera de constante
supervisión de las autoridades pertinentes. Para dimensionar la magnitud de afectación,
esta simulación pretende explorar como los residuos que no han sido depositados en
contenedores de basura, pueden dispersarse por las calles hasta caer en uno de los
sumideros existentes en el sistema de alcantarillado y ocasionar obstrucción en el paso de
las masas de agua formadas por lluvias. La simulación permite observar la afectación del
Centro Histórico y sus alrededores durante la presencia de las lluvias y explora cómo
influye en el tránsito y la libre circulación de los peatones.
4.1.2 Historia e importancia
Los vestigios de las más valiosas culturas de la ciudad fueron encontrados en lo que hoy se
conoce como el Distrito Metropolitano de Quito, donde actualmente se puede apreciar los
diseños arquitectónicos más representativos de la ciudad con un pasado colonial que data
de 1534, donde se instaura a la ciudad bajo el nombre de la Villa de San Francisco de Quito.
La ciudad ha rescatado algunos de los símbolos culturales resultantes del mestizaje, estos
fueron expresados en pinturas, esculturas, maderas o metales, por lo que la ciudad mantiene
el título de “Relicario del Arte en América”. Quito fue la primera ciudad en ser declarada
Patrimonio Cultural de la Humanidad en septiembre de 1978 por la Unesco, debido a sus
emblemáticas construcciones y el extraordinario atractivo que posee.
46
Las ruinas de la cultura aborigen fueron enterradas para adoptar el modelo urbano existente
hasta la actualidad, este modelo está constituido principalmente por: la plaza central, calles
empinadas y jardines con varios arreglos de flores. El Centro Histórico de Quito es el más
grande, mejor resguardado y escasamente alterado de América, mantiene dentro de sus
límites numerosas edificaciones que funcionan como iglesias, museos, plazas, conventos,
entre otros, que son visitados a diario debido a las rutas turísticas trazadas para apreciar la
belleza de la ciudad (Turismo, 2013).
4.1.3 Estado del Arte
La información sobre el sector Centro Histórico de Quito ha sido obtenida en el portal web
de Gobierno Abierto de la ciudad de Quito (gobiernoabierto, 2019).
En el caso de estudio toma en cuenta el territorio correspondiente al Centro Histórico de
Quito y los alrededores del mismo, debido a que pretende evaluar la intervención de
agentes que se ubiquen en el sector o puedan desplazarse a través de él para dirigirse a
lugares aledaños. La información obtenida por la simulación se basa en aproximaciones
que dependen de los datos obtenidos en la fase de planificación.
Durante los días festivos, existe un aumento de la cantidad de desechos sólidos. Por
ejemplo: según EMASEO se presentan datos de la cantidad de residuos generados en la
fiesta de la luz, uno de los eventos más importantes de Quito.
Año Cantidad de basura generada Mes Días de duración
2017 311 toneladas Diciembre 5
2018 735 toneladas Diciembre 5
Tabla 3. Residuos generados por la Fiesta de la Luz
Para obtener datos promedio de la generación de residuos según la EMASEO se presenta
la siguiente tabla.
47
Cantidad de residuos generados Distancia promedio
Por persona 0.85 kg 15 km
Al día 2000 ton 15 km
Tabla 4. Cantidad de residuos generados
Debido a la gran cantidad de residuos sólidos, en promedio, cada obrero de EMASEO
recoge 8 toneladas por jornada en un recorrido de alrededor de 15 km, para lo cual se
ocupan 50 000 fundas al mes con 40 kg de residuos sólidos. Los datos anteriores reflejan
el problema que representa el manejo de desperdicios en la ciudad, a esto se le suma el
irrespeto y desconocimiento del manejo adecuado de desperdicios, lo que deriva en la
acumulación de desechos en las vías públicas, donde permanecen hasta ser arrastradas por
las masas de agua hacia el sistema de alcantarillado.
De acuerdo a EMASEO, los horarios de recolección se dividen en dos zonas: oriental y
occidental, donde la primera es en horas de la tarde entre las 13H00 a 20H00 y la segunda
en horas de la noche entre las 20H00 - 03H00, ambas son a diario y cuentan con los
servicios Mecanizado y a Pie de Vereda. También se cuenta con la recolección
Contenerización Soterrada en varias calles, este responde a la necesidad de mantener la
imagen del Centro Histórico, además de mantener la salubridad de las calles e impedir que
los residuos sólidos sean desperdigados. EMASEO da preferencia de recolección y
saneamiento a sitios que cuentan con la presencia de mercados, y El Centro Histórico
cuenta con los mercados: Arenas y Central, los cuales aumentan la cantidad de residuos,
puesto que su actividad es de aproximadamente 10 horas al día de lunes a domingo
(EMASEO, 2019).
El manejo de residuos es uno de los problemas más importantes de la ciudad y no ha podido
ser solucionado por las distintas administraciones, además, mantiene una relación
importante con el sistema de alcantarillado. Durante los meses de invierno, se han
presentado emergencias debido a las grandes masas de agua acumuladas en ciertos sectores
de Quito, como es el caso del Centro Histórico. Los residuos sólidos que ingresan a los
48
sumideros, imposibilitan la evacuación del agua de lluvia, generando estragos a la
ciudadanía. Dentro del plan de trabajo del Distrito Metropolitano de Quito creado para
rendir cuentas ante la alcaldía de la ciudad, se priorizó la importancia de mantener un
sistema adecuado que va desde las redes de alcantarillado hasta las quebradas, para lo que
se estableció la colaboración interinstitucional municipal entre EPMAPS, EMASEO,
Secretaría de Ambiente, AMC, EPMMOP, Dirección Metropolitana de Riesgos y STHV
(EMASEO, 2019).
La simulación cuenta con dos etapas, la primera trata sobre las capas GIS del sector y la
segunda en la implementación de las capas en GAMA y la construcción de agentes dentro
de los entornos simulados. A continuación, se describen ambas etapas.
4.1.4 Desarrollo del Modelo
Para desarrollar el modelo en este caso particular, se utilizó el tópico dos de la sección
Arquitecturas que manejan el modelo, por las características de los elementos previamente
analizados y las respuestas necesarias tanto del entorno como de los agentes, ajustándose a
este tópico mejor que al tópico uno propuesto.
A través del uso de georreferenciación multi-agente, se realizó la simulación de un
problema social muy común en ciudades medianas y grandes. El modelo se basó en la
gestión de residuos en áreas de difícil acceso a través del análisis de elementos que influyen
en el modelo propuesto para de esta forma obtener un resultado óptimo, que permita la
reducción de costos en términos económicos, de recursos humanos y salud ambiental. La
descripción de cada elemento dentro del modelo se ha definido a través de la declaración
de agentes que se desarrollan en un entorno real gracias al uso de capas GIS, lo que genera
un resultado más acorde a la realidad dentro de la simulación.
Gracias a la plataforma GAMA, fue posible apreciar los cambios en los resultados
modificando los parámetros. Se definieron roles, acciones y reacciones de cada agente
modelado. Como resultado de este trabajo, se observó que modificar rutas de recolección
o aumentar el número de camiones recolectores no es una solución a largo plazo, además
el crecimiento de la población implica un aumento considerable en la complejidad del
problema. Este modelo plantea la necesidad de un sistema de recolección de residuos
mejorado para solventar los problemas actuales, además es importante incluir dentro del
49
sistema de educación, la cultura de las 3R (reduce, recicla y rehúsa); y generar un sistema
de implementación en políticas públicas sobre el tema de manejo de residuos.
1.4.4.1 Análisis de los elementos que intervienen en el Modelo
En esta etapa se generó un modelo físico a partir de la representación lógica construida en
la etapa anterior. La simulación integra distintos agentes que desempeñan habilidades
diferentes para la correspondencia adecuada entre el entorno real con el entorno simulado.
Dentro de la simulación, el tiempo es un factor clave dentro de sistemas funcionales como
el presentado en este documento, pues es a través de procesos espacio-temporales que se
puede comprender el mundo real, lo que refleja la importancia del estudio continuo de las
características del territorio (García, 1996).
En la actualidad, el sector cuenta con múltiples edificaciones, que no necesariamente
pueden estar presentes indefinidamente en el sector, es entonces donde se corrobora que
un cambio en alguna de las edificaciones afectaría gradualmente a la componente temporal,
pues si se evalúa el contorno de los objetos se podría apreciar que sigue igual, a pesar de
que haya existido una modificación en relación al tamaño de la edificación. Al conocer
esto, se puede deducir que la cantidad de desechos producidos podría variar, pues depende
en mayor grado de las actividades que realizan los entes existentes en estos espacios.
1.4.4.2 Definición de Agentes
Dentro de la simulación se han definido tres tipos de agentes:
Agentes garbage_collector: representan a los camiones recolectores de residuos sólidos.
Estos agentes se movilizan dentro de la zona establecida y vacían el contenedor de desechos
cada vez que perciben una distancia menor o igual a 2 m. Cuentan con tres métodos tipo
reflex, entre los cuales encontramos:
- reflex staying permite que los agentes se desplacen alrededor de la capa manzanas.
- reflex empty_gc implementa la capacidad de aumentar la variable
- capacity cada vez que se acerquen a una distancia considerable de los agentes
trash_can
- réflex move implementa movimiento en los agentes garbage_collector, para
dirigirlos hacia un objetivo, el cual ha sido definido en un lugar en la capa blocks.
50
Este tipo de agentes se movilizan alrededor de la capa SIG streets, utilizando la
información contenida en dicha capa como la dirección, intersecciones, conexión con otras
calles entre otras.
Ilustración 13.Reflejo que permite la recolección de desechos
Agentes car: Representan a los vehículos livianos que pueden desplazarse por el entorno,
mantiene una estructura semejante a la referida en el agente garbage_collector. Estos
agentes se movilizan por medio de la capa streets, y pueden relacionarse con el agente
persons al simular un accidente con uno de ellos. Cada agente car puede eliminar a un
agente persons al acercarse a una distancia menor o igual a 0.5m. Cuentan con los reflejos
staying y move presentados en el agente garbage_collector.
Agentes persons: Son agentes de tipo colaborativo, éstos agentes actuarán como los
habitantes o transeúntes del sector, cada persona puede arrojar desperdicios en los
contenedores de residuos más cercanos, cada vez que el agente se acerque a un contenedor
depositará desperdicios y por lo tanto disminuirá la capacidad del recolector hasta que
alcance el límite definido. Cuando esto ocurra, cada agente persona debe dirigirse a otro
contenedor. Éste agentes implementan cinco métodos reflejos, similares a los expuestos en
la descripción de agentes garbage_collector; dentro de las actividades implementadas
están: hora de inicio y finalización de labores diarias que permiten el movimiento, la
interacción con el agente trash_can, depósito de desperdicios, capacidad de dirigirse a sus
hogares, y desplazarse por el lugar.
Ilustración 14. Agentes persons
51
Los agentes persons pueden simular las actividades que realizan a diario al tomar en cuenta
periodos de tiempo en los que trabaja o se dirige a su hogar para descansar. Estos agentes
deben estar siempre presentes en mayor cantidad porque el entorno simulado hace
referencia a un lugar turístico.
Los agentes de esta especie pueden desplazarse a través de las especies blocks y streets,
tienen implementados dos reflejos que les permiten dirigirse hacia las construcciones que
han sido identificadas según el atributo tipo.
Ilustración 15. Reflejos de la especie Persons
Agente rain: Este agente está formado por geometrías circulares de color celeste y simula
la caída de la lluvia, los agentes inician el ciclo con un valor aleatorio cerca de los límites
superiores de la simulación en los ejes X, Y y Z. Para la simulación de la caída de la lluvia
es necesario utilizar el motor de física de GAMA, que se encuentra integrado dentro de la
plataforma. Para hacer uso del motor se declara world2 de tipo physic_world, esto permite
especificar la existencia de fuerzas dentro del entorno y asignar gravedad a los agentes para
el desplazamiento en el eje Y. El desplazamiento en los ejes X y Z, están dados según
valores aleatorios.
Ilustración 16. Agente rain
52
Los agentes rain tienen asignada la gravedad y las colisiones contra superficies, en este
caso la colisión se efectúa con el suelo de la simulación, para posteriormente permitirle
desplazarse por el entorno gracias a las habilidades moving y physical3D definidas en la
especie ball. Tanto el suelo como los límites de la simulación tienen una masa de 0, con lo
que se obtuvo el efecto colisión y se parametrizó la caída del agua para que sea únicamente
dentro del área de estudio.
Agentes waste: Representa a los residuos sólidos desperdigados en el sector, se visualiza
a través de una geometría que puede desplazarse en todo el entorno gracias a la posición
de inicio aleatoria asignada. Puede recorrer las calles e identificar las gotas de agua para
seguirlas hasta el sumidero al que se direccione. El número de agentes puede variar de
forma exponencial según los parámetros definidos para las pruebas, y en cada declaración
requerirá utilizar mayores recursos de cómputo.
(a) (b)
Ilustración 17. Especie waste - (a) 250 agentes, (b) 5000 agentes
Agentes alcantarilla: Hace referencia a los sumideros ubicados en las calles del entorno,
esta capa fue previamente construida en QGIS, y gracias a la facilidad de manejo de
información geográfica de GAMA, la capa ha sido definida como una especie, cada agente
de la especie permanece en el mismo lugar, pero es capaz de soportar la definición de
habilidades y comportamientos que se desplegarán al detectar la cercanía de otro agente.
El agente alcantarilla recibirá a los agentes waste y ball mediante la declaración ask permite
ejecutar do die, para desaparecer de la visualización al agente, siempre y cuando la
distancia con la alcantarilla sea de 10mm.
Ilustración 18. Declaración ask
53
A través de esta especie se puede obtener un aproximado de las alcantarillas colapsadas,
según el número de residuos y masas de agua que ingresa a ellas. La capacidad de la
alcantarilla es de 5 unidades, al llegar a este valor, no se admite que más agentes ingresen
y deben circular hasta encontrar otra, aunque también pueden quedar atrapados en la capa
construcciones del entorno.
Ilustración 19. Límite de la capacidad del agente alcantarilla
Agentes trash_can: Representan a los contenedores de desechos ubicados en la capa
streets. Cuenta con atributos como: capacidad, dimensiones, estado y la ubicación real.
Han sido definidos como agentes dentro de la plataforma GAMA, cada contenedor cuenta
con dos colores distintos dependiendo su condición, inicialmente todos los contenedores
son de color negro, lo cual indica que no ha sido superada su capacidad, si el contenedor
tiene espacio disponible continuará en negro, caso contrario su color será rojo
representando que su capacidad ha sido alcanzada. De manera similar presenta un nivel
máximo al que puede llegar, este se define de forma similar al presentado en los agentes
alcantarilla.
1.4.4.3 Interacción entre Agentes y el Entorno
Debido a que GAMA cuenta con soporte explícito para información geográfica, se pueden
implementar las capas y definirlas como especies dentro de la plataforma, con lo que es
posible acceder a los atributos de la capa y gestionarlos. Además de la capacidad de dotar
a los agentes con habilidades y comportamientos que reflejen características situacionales
de los entornos.
Los parámetros iniciales con los que fue definido este modelo se presentan en la siguiente
ilustración.
54
Ilustración 20. Parámetros iniciales de la simulación
Para este caso de estudio, se han tomado tres zonas definidas dentro de la capa blocks para
establecer las zonas más populosas, y se identifican por un color RGB distinto según los
parámetros observados en la siguiente ilustración.
Ilustración 21. Zonas relevantes del estudio
Además, para identificar a cada especie, se han declarado iconos de la ilustración 19.
Ilustración 22. Iconos- Centro Histórico
Los íconos se han definido a través de código, y el color es manejado por el aspecto de
tipo por defecto determinado dentro de la declaración de la especie, como se indica en la
siguiente ilustración.
55
Ilustración 23. Declaración de aspecto - Centro Histórico
Los agentes tienen la capacidad de reaccionar dentro del entorno al percibir las
circunstancias en las que participan, a continuación, se describe el tipo de relación que
mantienen los agentes con el entorno en el que se desenvuelven.
El agente car, cuenta con una particularidad especial que le permite modificar el aspecto
de la capa calles. Esta habilidad se lanza cada vez que el agente se desplace por la capa
calles y pretende simular el deterioro de las vías, por lo tanto, cada vez que un vehículo
circula por cualquiera de las calles esta acumula un coeficiente de destrucción que se puede
visualizar a través del cambio de color de la calle o avenida por la que han circulado los
vehículos; a mayor detección de agentes car en las vías, mayor es el índice de destrucción,
este es fácilmente observable debido al esquema de color que sigue. La siguiente porción
de código permite definir una ruta que será manipulada a través de la declaración de
segmentos, estos a su vez, varían el color cuando las especies streets y car según la fórmula
del coeficiente de destrucción. El loop está presente siempre que los vehículos se movilicen
por la especie streets durante toda la simulación.
Ilustración 24. Reflejo move
Para simular la reparación de las vías, cada intervalo de tiempo igual a 2 ciclos, permitirá
que la vía sea reparada. A continuación, se puede observar el resultado.
56
Ilustración 25. Relación del agente car con el entorno
Para obtener los datos sobre la habilidad se creó un char display, que permite observar los
cambios en la restauración y deterioro de las vías. En el gráfico se aprecia la cantidad
mínima y la máxima de deterioro en un intervalo de tiempo para poder obtener fácilmente
la media entre estos valores, lo que permite evaluar el funcionamiento del algoritmo.
Ilustración 26. Char display de las vías
La simulación permite presentar una visualización 3D del entorno y los agentes a través de
la herencia de especies, en este caso se heredan las habilidades de PhysicalWorld. A través
de los atributos de las capas se puede ingresar a la información que contienen y construirla
desde múltiples perspectivas, esta definición permite generar agentes dentro de las
edificaciones debido a que se redefinen como espacios con alturas que permiten el
desplazamiento de agentes; en la siguiente ilustración se presentan las construcciones del
Centro Histórico en 3D.
57
Ilustración 27. Construcciones tridimensionales
Para facilitar la visualización de datos en tiempo real, se define la especie agents_viewer,
que permite obtener los valores de las variables globales definidas en modelo que están
siendo utilizadas por las distintas especies. A continuación, se muestra una porción de
código que no solo permite mejorar la interfaz gráfica de la simulación, sino también
muestra los datos en la posición que se requiera para no perder de vista la ejecución de la
simulación.
Ilustración 28. Declaración de la especie agents_viewer
Es posible detener la simulación de acuerdo al número de agentes waste (desperdicios) y
ball (gotas de lluvia). Pues si todas han ingresado a las alcantarillas, el número de ambas
serian cero (0) y la simulación concluye.
Ilustración 29. Terminar ejecución de la simulación
58
1.4.4.4 Capas que forman el Entorno
La construcción de los entornos se basa en la estructura por capas de los sectores. A
continuación, se presenta el diseño de las capas geográficas utilizadas en este caso.
Las capas han sido reconstruidas y adecuadas de acuerdo a sus atributos en QGIS para
representar la información geográfica en un modelo conceptual simplificado a partir de una
realidad territorial compleja. Cada capa cuenta con información espacial basada en
formalismos lógicos y matemáticos, la cual mediante una conversión permite organizar
datos de entidades geográficas o representarlos bidimensionalmente. Sin embargo, no se
debe olvidar que la representación precisa de los mapas es prácticamente imposible, por lo
que la representación planteada en este trabajo está sujeta a esta particularidad, y tiene
como resultado originar una representación parcial de la realidad. Por ejemplo, el error de
1 mm sobre un plano 1: 10 000 sería de 10 m en el mundo real (García., 1996), además se
pueden encontrar errores en la recolección de información, pero cabe recalcar que lo
importante no es eliminar el error, sino controlarlo. La organización de información está
acorde a las siguientes tres fases: selección de una parte real, representación conceptual de
la misma y representación lógica; para lo cual se identifican en primera instancia las
entidades espaciales que van a ser representadas.
Para determinar la posición de una entidad geográfica en la superficie terrestre, se ha
implementado la georreferenciación de los datos geográficos a partir de imágenes
satelitales del sector obtenidas en Google Maps y las capas obtenidas de Gobierno Abierto,
como se muestra en la siguiente ilustración.
Ilustración 30. Georreferenciación del Centro Histórico
59
Los objetos geográficos utilizados en la construcción de las capas: puntos, líneas y
polígonos, almacenan sus datos geográficos como datos gráficos en una fila o un registro
de una matriz perteneciente a una base de datos. La localización de estos objetos
geográficos viene dada en las características geométricas de un elemento.
Para representar el sector se elaboraron cuatro capas vectoriales fundamentales: manzanas,
calles, contenedores de basura, alcantarillas, y también secundarios: mercados, parques,
rutas de recolección, lotes, construcciones y paradas de buses. A partir de las capas
vectoriales se han construido capas ráster, estas son un caso de georreferenciación directa
basado en coordenadas. En cierto grado de topología ráster en realidad no es posible
representar interrelaciones debido a la ambigüedad de su ubicación y valores. Pero a través
de sus atributos se puede obtener información que pueda interrelacionar dos capas que
mantengan campos semejantes para obtener información coherente. A continuación, se
describen las capas y se detallan sus atributos.
La capa manzanas, cuenta con el atributo tipo que permite identificar los sitios con valor
arquitectónico, histórico o cultural, de acuerdo a la parroquia a la que pertenece, es decir,
el área más notable es la correspondiente al Centro Histórico, aunque también existe la
presencia de una porción de San Juan y otra aún más pequeña de la parroquia Itchimbia.
La información de las capas fue clasificada y simplificada según la parroquia a la que
pertenece y el área de cada cuadra, para obtener registros de aquella en la que exista mayor
concentración de personas. A partir de la capa vectorial blockCH se han obtenido capas
ráster mostradas a continuación.
Capa GIS Tipo Atributos
Capa vectorial de
manzanas.
La capa cuenta con
veinte atributos que
contienen información
publicada en sitios web
oficiales.
60
Capa ráster de
manzanas según la
parroquia a la que
pertenece.
Clasificación según la
parroquia a la que
pertenecen
Capa ráster de
manzanas clasificada
según el área de cada
cuadra
Las tonalidades más
cálidas (rojos y
naranjas) presentan
mayor área que los
tonos azules.
Capa ráster de
manzanas
simplificada según el
área de cada cuadra.
Tamaño del área de
cada cuadra:
Tabla 5. Capas GIS: capa manzanas del Centro Histórico
La capa correspondiente a las calles del Centro Histórico es la responsable de representar
el sistema vial que conecta uno de los principales sistemas de entrada y salida entre el norte
y sur de Quito. La avenida Pichincha es la más utilizada en el sector y permite la circulación
de dos de las líneas de transporte de la ciudad: Metro-Bus Corredor Central Norte y Ecovía;
además circula el Trolebús por la calle Guayaquil, y varias cooperativas de buses cuyas
rutas incluyen calles de difícil acceso. Los ejes de transporte público más grandes de Quito
se ubican en el Centro Histórico y sus alrededores para permitir el acceso hacia y a través
de él, a pesar del acceso limitado de las calles. A continuación, se presenta la estructura de
la capa.
61
Capa GIS Tipo Atributos
Capa vectorial de
calles
Se cuenta con el atributo
sentido que identifica la
dirección de cada una, para
identificar la relación que
mantienen entre sí
Capa vectorial de
calles
Cuenta con información sobre
calles y avenidas para
identificar aquellas más
transitadas.
Capa ráster de
calles clasificada
según el tipo de
la vía
La clasificación de acuerdo a
los siguientes grupos.
Capa ráster de
calles
simplificada
según el tipo de
la vía
La simplificación está de
acuerdo a lo siguiente.
Tabla 6. Capas GIS: capa calles del Centro Histórico
La capa de alcantarillas (sumidero) se encuentra ubicada en el mapa de calles
conjuntamente con la capa de depósitos de residuos (basurero). El gráfico siguiente
62
presenta la ubicación de los elementos Basurero y Sumidero. Las capas presentadas a
continuación están ubicadas sobre la capa calles para facilitar su percepción dentro de un
entorno. Cada capa vectorial tipo punto fue realizadas individualmente, y serán de suma
importancia dentro de la simulación.
Capa Detalles
La capa de puntos Basurero representa los
contenedores de desechos sólidos ubicados en el
lugar de estudio.
La capa de puntos Sumidero representan al
sistema de alcantarillado existente en el lugar de
estudio.
Las capas anteriores ubicadas sobre la capa
calles para presentar la referencia de su
ubicación.
Tabla 7. Capas GIS: Sumidero y Basurero sobre Calles
Después de presentar las capas fundamentales del entorno, se cuenta con información sobre
el sector y los espacios que generan mayor cantidad de desechos sólidos: mercados y
63
parques. También se ubican los basureros para identificar los más cercanos. Además, se
cuenta con una capa que permita identificar las construcciones existentes para tomar en
cuenta el espacio que ocupa con respecto al lote al que pertenece, de esta manera se puede
descartar ciertos espacios dentro de la simulación.
Capa GIS Detalle
Espacios con mayor generación de desecho
sólidos en el Centro Histórico.
Capa construcciones, se identifican los
espacios que tienen edificaciones para
posteriormente hacer uso del área de cada
una.
El entorno cuenta con la información de
siete capas GIS con varios atributos,
clasificados y simplificados a fin de
optimizar el resultado.
Tabla 8. Capas GIS: capas secundarias del Centro Histórico
64
Para identificar los distintos puntos en el espacio, se utiliza el sistema de referencia espacial
basado en coordenadas como sistema de referencia. La representación por medio del
sistema de coordenadas geográficas se puede definir las posiciones de los objetos en la
superficie terrestre en coordenadas geográficas según latitud y longitud. Debido a que los
mapas se presentan en forma bidimensional, las posiciones se definen en sistemas de
coordenadas proyectadas. A través de las proyecciones se obtiene la Universal
TransverseMercator (UTM) que permite la proyección de objetos dentro de una zona
específica, las capas descritas están sujetas a las condiciones de UTM - GCS_WGS_1984.
Campo Valor
WKID 4326 Authority: EPSG
Angular Unit: Degree 0,0174532925199433
Prime Meridian Greenwich (0,0)
Datum D_WGS_1984
Spheroid WGS_1984
Semimajor Axis 6378137,0
Semiminor Axis 6356752,314245179
Inverse Flattening 298,257223563
Tabla 9. Proyección de las capas
4.1.5 Pruebas y Resultados
Para poder interpretar los resultados, se realizaron cuatro pruebas sucesivas de acuerdo a
tres variaciones en las cantidades iniciales, dando un total de 12 resultados según los
siguientes parámetros definidos en la tabla 10.
65
Parámetros Prueba 1 Prueba 2 Prueba 3
vel_min 5 km/h 20 km/h 40 km/h
vel_max 15 km/h 60 km/h 90 km/h
cars_num 20 100 250
destroy 0.02 0.02 2
repair_time 2 0.02 0.02
desperdicio 300 1 000 5000
contenedor_num 57 57 57
recolector_num 2 3 5
sumidero_num 450 450 450
countDesp 0 50 200
persons_num 100 1 000 5 000
min_work_start 6 7 7
max_work_start 8 9 8
min_work_end 16 18 16
max_work_end 20 20 18
nb_balls 100 5000 10 000
Tabla 10. Parámetros iniciales - Centro Histórico
En la siguiente tabla se resumen los parámetros fijos definidos en las capas definidas
como especies y los resultados obtenidos durante los cuatro ciclos de cada una de las tres
pruebas.
66
Número
de prueba
Número
de ciclo
Residuos
en
sumideros
Personas
heridas por
vehículos
Sumideros
colapsados
Contenedores
llenos
Recolectores
llenos
Prueba 1 Ciclo 1 48 4 16 26 2
Ciclo 2 39 3 12 18 2
Ciclo 3 27 2 12 17 1
Ciclo 4 10 4 3 20 2
Prueba 2 Ciclo 1 420 3 222 35 2
Ciclo 2 665 12 335 34 2
Ciclo 3 988 5 328 50 3
Ciclo 4 651 6 416 29 3
Prueba 3 Ciclo 1 3982 5 397 57 3
Ciclo 2 3890 2 450 57 5
Ciclo 4 4868 6 428 57 5
Ciclo 4 4571 12 425 56 5
Tabla 11. Pruebas sucesivas - Centro Histórico
Los registros de la primera prueba muestran que la situación puede controlarse si se
mantiene en buen uso los sumideros y se utilizan adecuadamente los contenedores de
desechos. La prueba está condicionada a tomar en cuenta datos de días comunes en el
sector, para evaluar el comportamiento de los agentes que deben estar diariamente dentro
del entorno. Al simular una lluvia ligera, se puede observar que no existen variaciones
representativas con respecto al caso en donde no existió ningún tipo de lluvia.
Para la segunda prueba se aumentaron las cantidades de agentes para observar que sucede
cuando existen actividades que puedes atraer un buen número de personas, vehículos y por
ende desperdicios, a pesar del aumento la simulación demuestra que el entorno puede
67
controlar la situación si se aumenta el número de recolectores de desechos. La lluvia
simulada es más fuerte que la simulada en la prueba anterior, aunque es de corta duración,
para observar las afectaciones que ha producido. Se puede apreciar que de cuatrocientos
cincuenta (450) sumideros, sesenta y seis (66) han colapsado.
Los valores definidos para la tercera prueba requieren de un procesamiento bastante alto.
Pero se ha podido constatar que, si los residuos siguen aumentando, como en el caso
planteado, la situación no puede controlarse con el aumento de unidades de recolección,
además genera problemas en los sumideros principalmente en las calles más pequeñas en
las que existen en menor número. Esta prueba pretende emular lo sucedido en las épocas
de festividades. Si se aplica una lluvia intensa de larga duración, además de un alto número
de desperdicios, 425 sumideros colapsaron.
Prueba 1 % Prueba 2 % Prueba 3 %
Residuos en
sumideros
31 10.3% 681 68.1% 4327.75 86.6%
Personas
heridas por
vehículos
3.25 3.3% 6.5 0.65% 6.25 0.13%
Sumideros
colapsados
10.75 2.39% 325.25 72.28% 425 94.4%
Contenedores
llenos
20.25 35.5% 37 64.9% 56.75 99.6%
Recolectores
llenos
1.75 87.5% 3.25 62.5% 4.5 90%
Tabla 12. Promedio de resultados - Centro Histórico
En la tabla 12 se muestran los resultados promedio obtenidos en cada uno de los ciclos de
las tres pruebas efectuadas, evidenciando los distintos problemas que podrían generarse al
aumentar el número de agentes.
68
4.2 Caso 2
4.2.1 Definición del Problema
El segundo caso de estudio consta de la realización del modelo de simulación de la
problemática existente en el ambiente, provocada por los residuos propios de los canes o
por los esparcidos por ellos; la simulación concentra su análisis en el sector El Panecillo
en el Distrito Metropolitano de Quito. El sector abarca todas las necesidades de la
población canina, al tener turistas que hacen del espacio un lugar más comercial; con los
años el incremento de canes se ha triplicado, lo que conlleva a una afectación ambiental
más severa para las personas aledañas al sector y para los comerciantes que residen mayor
tiempo en el lugar. Debido a que el tema no cuenta con importancia para la sociedad, las
condiciones de vida canina no son dignas, además el descuido del área es notorio.
En Ecuador existen diversas normativas y reglamentos que tratan de controlar los índices
de abandono, entre ellos están: la Ordenanza Municipal N048 sobre Tenencia, protección
y control de la fauna urbana aprobada en 2001, la cual tiene como objeto regular la fauna
urbana en conformidad con el acuerdo a la ley de salud pública, para generar equilibrio y
seguridad a los ecosistemas urbanos; el Reglamento de Tenencia y Manejo Responsable de
Perros del Ministerio de Salud Publica en los art.2 y art.20, estipula que los canes en
evidente estado de abandono deberán ser rescatados. El Código Integral Penal del Ecuador
sanciona el maltrato animal, además en el año 2017, se aprobó el Código Orgánico del
Ambiente, y en el art.139 se establece disposiciones generales para el manejo responsable
de la fauna urbana para tratar de erradicar el maltrato, explotación, abuso y exterminio de
los animales. Las ordenanzas especifican sanciones y multas del 10 % y 21 % de un salario
básico unificado, además el Centro de Gestión Zoosanitario, es el encargado de aplicar
medidas de prevención, control y atención de problemas sanitarios; este organismo es el
encargado de gestionar soluciones para los canes en estado de abandono, sin embargo,
debido a la ausencia de personal de control, no se ha realizado el seguimiento necesario. El
análisis de aplicabilidad y cumplimiento de las leyes, efectuado por varias entidades
nacionales, arroja resultados desfavorables, pues en 10 años la población canina puede
crecer un 85 %, comparado con el 23.5 % de crecimiento en la población humana.
La población canina se concentra en los barrios periféricos del sur-oriente, sur-occidente,
centro-oriente y nor-occidente de Quito, donde la mayoría de personas no se hacen
responsables de sus mascotas en conformidad con la ley, es decir, los canes permanecen en
69
las calles durante el día, a pesar de tener dueños. El problema con este tipo de acciones,
surge debido a la perdida, accidentes o reproducción desmesurada de canes en las calles.
Es más probable que las personas abandonen a las hembras debido a la posibilidad de
futuros embarazos.
La siguiente simulación está basada en el tópico dos de la sección Arquitecturas; tiene por
objetivo la visualización del sector El Panecillo y expone el comportamiento de los
componentes: canes, personas y vehículos, que interactúan entre ellos y con el medio.
Además presenta cuáles son las consecuencias y afectaciones al medio ambiente.
4.2.2 Historia e importancia
“La Virgen de el Panecillo” o “La Virgen de Quito”, es una elevación natural de 3.000 m
sobre el nivel del mar, bautizada con este nombre por su parecido a un pequeño pan. Por
su ubicación se ha convertido en el más importante mirador natural de la ciudad, desde él
se aprecia la disposición urbana de la capital, desde su centro histórico y hacia los extremos
norte y sur. El lugar recibió su nombre de los conquistadores españoles, antes era llamado
por los aborígenes como “Shungoloma” que en quichua significa “loma del corazón”. En
la época pre incaica, en este sitio existió un templo de adoración al sol, llamado “Yavirac”,
el cual fue destruido por Rumiñahui mientras resistía con sus tropas al avance español.
En la época colonial El Panecillo marcó el fin de la ciudad por el extremo sur, por eso los
viajeros que llegaban de distintas ciudades como Ambato, Lima o Cuenca sabían, al
divisarlo, que su llegada a Quito era cuestión de un par de horas.
La escultura de la “Virgen de Quito”, fue creada en 1975 por el español Agustín de la
Herrán Matorras, el cual se basó en la Virgen de Legarda o Apocalíptica; obra del siglo
XVIII de Bernardo de Legarda, uno de los más importantes representantes de la Escuela
Quiteña, la cual la podemos apreciar en el altar mayor de la Iglesia de San Francisco. La
escultura representa a la Virgen María, como la describe el libro bíblico del Apocalipsis:
una mujer con alas, una cadena que apresa a la serpiente que tiene bajo sus pies que
representa a la bestia (Quitoturismo, 2018).
Catalogada por tener una vista maravillosa, y como complemento, una historia increíble,
hace de este mirador natural uno de los atractivos turísticos imprescindibles de la ciudad
de Quito, albergando al 11% de los turistas de la ciudad y a un 5.5% de la población
70
nacional en el 2018, siendo una fuente de empleo cuenta con distintas áreas de recreación;
los amplios espacios verdes a su alrededor, dan una mayor armonía al lugar aislando de
cierta manera el nivel de ruido.
Ilustración 31. Virgen del Panecillo. (Quitoturismo, 2018)
4.2.3 Estado del Arte
En este caso de estudio la recopilación de información se ha realizado a través de las
páginas oficiales de empresas públicas del gobierno del Ecuador con datos del año 2018,
los cuales pasaron por un proceso de análisis para la realización de la simulación
correspondiente, cada una de las páginas formo parte de una sección para la creación del
caso. A continuación, una tabla explicativa.
Empresa Información Página Oficial
Metropolitana de
Gestión de Destino
Turístico
Cantidad de turistas de la
Ciudad de Quito
https://www.quito-turismo.gob.ec
EMASEO Horario de recolección
de residuos en el Centro
de la Ciudad de Quito.
http://www.emaseo.gob.ec
La Virgen de el
Panecillo
Actividad diaria, horario.
http://www.virgendelpanecillo.com
71
El Comercio y PAE Cantidad de canes
abandonados en el sector
“El Panecillo”.
http://www.pae.ec
https://www.elcomercio.com
Secretaria de
Ambiente Alcaldía de
Quito
Afectación del medio
ambiente y sus
consecuencias
http://www.quitoambiente.gob.ec
Tabla 13. Información páginas oficiales
En el último año, el turismo en el Ecuador se ha incrementado favorablemente: en el 2018
recibió el 16% de turistas a nivel mundial, solo después de Estados Unidos con el 22%.
Solo la ciudad de Quito ha recibido en el mismo año el 6.1% de turistas, este porcentaje de
turistas tienen más inclinación por la cultura, curiosidad por aprender las costumbres,
dialecto, vestimenta y degustar de la comida típica, por lo que los lugares más recorridos
están en el Centro Histórico y sus alrededores, entre ellos tenemos iglesias, miradores,
muesos, etc.
Este caso de estudio se centra en el mirador natural ubicado en sector de El Panecillo, este
cuenta con el 21% de la población total como turistas del lugar, lo que incluye a extranjeros
y ciudadanos del país. Se presentarán datos generales en la siguiente tabla.
Población Cantidad Porcentaje
Turistas en Quito 692.492 100%
Turistas en “El Panecillo” 76.17 11%
Ciudadanos en “El Panecillo” 1.800 0.07%
Tabla 14. Turismo en Quito
El incremento masivo de canes en las calles de la ciudad de Quito, se multiplicó el último
año, con una población de 122.280, tomando en cuenta que por cada 22 quiteños existe un
can abandonado. Se encontró que, al tener más áreas verdes, la cantidad de canes era al
72
doble de la población de las áreas urbanas, la mayoría no está esterilizado, ni vacunado.
Solo en el sector de El Panecillo se encontró que la cantidad de población canina, es el
triple de algunas localidades de la ciudad de Quito teniendo un estimado de 1400 canes en
el año 2018. En la siguiente tabla se podrá observar un análisis general de los datos
obtenidos.
Población canina Cantidad Porcentaje
Quito 122.280 100%
El Panecillo 1400 2%
Tabla 15. Población canina
La proliferación de residuos, a razón de los canes abandonados se triplica por semana. El
sector a estudiar cuenta con áreas de alimentación, las cuales atraen al can. Al tener un área
extensa los peligros de contagio son mayores, este tipo de residuos provocan en las
personas fuertes infecciones: se tiene conocimiento que los residuos sólidos de los canes
afectan al sistema intestinal humano, y contaminan el medio ambiente al desintegrarse. El
servicio de recolección de residuos en el sector El Panecillo es diario con horario nocturno,
cuenta con tres puntos de acopio para residuos cerca del área de alimentación. Los datos
obtenidos se presentan a continuación.
Datos Cantidad
Canes 1400
Estimación de residuos de canes 3200
Contacto de personas con los residuos diario cercanía de 2 a 3 metros
Tabla 16. Cantidad de residuos
La velocidad por parte de los vehículos es un factor de alto riesgo en el sector de estudio
afectando a la población canina, en Quito el control vehicular se lo realiza cada año,
teniendo 35.511 vehículos en el año 2018, El Panecillo está ubicado entre calles de gran
73
afluencia, teniendo un 5.5% de vehículos que transitan por la zona. La cantidad de
vehículos en el sector se presentará a continuación en la siguiente tabla.
Vehículos Cantidad
Quito 35.511
“El Panecillo” 1.953
Tabla 17. Cantidad de vehículos
El Panecillo, es frecuentado por los turistas a diario, sin la necesidad de un horario por lo
que generalmente el área de alimentación está predispuesta a su atención, lo que provoca
el acercamiento de la población canina al lugar, sumado a eso el área extensa de espacio
verde provee condiciones suficientes a los canes para convertir este espacio en su hogar;
tomando en cuenta que el horario para la recolección de residuos es nocturno, se da la
probabilidad de que el transcurso del día, los residuos no sean colocados en su lugar,
provocando ansiedad en el can por comer e irrumpir en el espacio. Parte de este ciclo es a
causa de las personas que al ver al can hambriento, la posibilidad de cederle las sobras de
comida es muy alta, lo que ocasiona graves consecuencias: contaminación ambiental por
el recipiente que queda en el suelo, posibles problemas en el can, al ingerir huesos, pues
estos pueden perforar sus órganos si los ingiere de una manera inapropiada, lo que conlleva
a su muerte en un lugar abierto. Si el can se alimenta adecuadamente sus residuos son
dispersos por toda el área, y al llegar a descomponerse afecta a las personas que residen en
el lugar o aledañas a él (Aguaguiña A. , 2017).
La reproducción del can puede darse dos veces al año con una camada de 7 a 10 cachorros,
sus residuos sólidos tardan de dos a tres días en evaporar su olor en una zona abierta,
teniendo una afectación en las personas cercanas, lo que propicia desde infecciones
estomacales leves hasta infecciones de gran riesgo. Un factor importante es la intervención
vehicular, EL Panecillo esta alrededor de vías transitadas lo que es peligroso para el can,
pues el riesgo de que este sufra un accidente es alto, esto es un factor de riesgo pues de
ocasionarse un accidente, el can no posee los cuidados necesarios y al tener una herida
expuesta el porcentaje de adquirir una infección es muy alta, sumado al contagio con otros
de su misma especie (Quitoambiente, 2018).
74
El área fue escogida por la alta afectación ambiental ocasionada por los canes, y su
incremento masivo durante los últimos años, el descuido por parte tanto del gobierno como
de las personas, han convertido al problema en parte de la cultura de la ciudad. Con el
análisis en las distintas áreas de afectación, se logró obtener cantidades para la realización
de la simulación. La cantidad de tiempo a evaluar es la correspondiente a un mes.
Cada elemento fue representado por un agente georreferenciado, en un entorno donde
interactúan entre ellos con sus distintos reflejos, utilizando como variables las cantidades
analizadas en la siguiente tabla.
Población Cantidad Mensual
Población de Quito 150
Turistas 7
Canes 350
Vehículos 163
Tabla 18. Datos Simulación
4.2.4 Desarrollo del Modelo
El siguiente modelo se basa en la problemática ambiental a causa de residuos caninos ya
sean ocasionados o propios, la arquitectura desarrollada fue previamente analizada al igual
que cada uno de sus componentes, mediante el uso de sistemas multi-agentes se pudo
construir los distintos tipos de agentes y posteriormente determinar su análisis para la
obtención de su interacción y cada uno de los reflejos. Las capas GIS son imprescindibles
en la realización de una simulación pues nos da la percepción del mundo real, tanto en
diseño como en características, haciendo de la simulación una herramienta de trabajo para
evitar ciertos gastos al poder comprobar una teoría optimizando tiempo.
La unión de todas las capas forma nuestro mapa de trabajo, las cuales son transferidas a la
plataforma GAMA, donde podemos interactuar con cada atributo de las capas para obtener
una mejor visualización de los casos y llegar a una conclusión correcta.
75
4.4.4.1 Capas que forman el Entorno
En este espacio se han implementado capas temáticas SIG correspondientes a manzanas,
calles, espacios verdes. Las capas fueron elaboradas en el software QGIS, donde se
delimitó el área de estudio de acuerdo a los parámetros establecidos por el mapa del Distrito
Metropolitano de Quito, las cuales fueron obtenidas de Gobierno Abierto.
La capa representa las colecciones lógicas de cada entidad individual, y su ubicación
geográfica, conjuntamente con información descriptiva almacenada como atributo, algunas
capas constan de atributos extras, con los que se logró un mejor trabajo en la simulación
del caso de estudio. Pasando por una clasificación y simplificación logrando obtener las
distintas categorías con un único número identificador, representado por una localización
única haciendo de su representación una réplica de la realidad.
Ilustración 32. Capa calles El Panecillo
Para la creación de ciertas capas se utilizó objetos geográficos como polígonos y líneas, la
mayoría de las capas tuvieron pocas modificaciones, las que fueron almacenadas a una base
de datos registrando sus datos geográficos. El sistema de referencia espacial que se utilizó
fue World Geodesic System de 1984(WGS), siendo un sistema de coordenadas geográficas
a nivel mundial, sirve para la identificación de cualquier punto en la Tierra, en nuestro caso
el sistema de referencia espacial se basa en coordenadas geográficas de latitud y longitud,
donde se define la posición en la superficie terrestre de cualquier tipo de elemento. El valor
establecido es GCS_WGS_1984. Para la especificación de la zona se utilizó la proyección
de objetos Universal TransverseMercator (UTM zone 17s). La representación de las capas
es bidimensional y están formadas por WGS1984/UTM 17s.
Para este segundo caso de estudio se elaboraron cinco capas vectoriales: capa calles, capa
manzanas, capa veredas, capa espacios verdes y capa edificios.
76
La creación de la capa vereda tiene dos objetivos, el uno para que ciertos agentes puedan
deambular solo en ese sector sin pasar a la capa calle, el segundo objetivo se lo realizo para
mejorar la visualización del diseño de la simulación, por este motivo la capa vereda está
conformada por dos objetos geográficos el polígono y la línea.
La capa panecillo fue creada como independiente, al ser el área con mayor extensión de
espacio verde y poco transitada, con la finalidad de alcanzar el objetivo de estudio, el cual
tuvo éxito al tener gran influencia de canes en este sector.
Ilustración 33. Mapa Caso2. Agentes en la capa panecillo
La capa edificios se la creo con dos atributos importantes Height y Nature. El atributo
Height tiene el valor de la altura de cada polígono, el cual se lo puede modificar mediante
líneas de código en la plataforma GAMA para tener una visualización en 3D. El atributo
Nature posee información sobre el tipo de edificación que existe en el sector El Panecillo.
Ilustración 34. Capa edificios Ilustración 35. Tabla de atributos capa edificios
77
Ilustración 36. Capa edificio 3D Ilustración 37. Código creación de capa edificios 3D
Las capas manzanas y calles fueron capas vectoriales, convertidas a capas ráster, formando
una comunicación entre los límites de la porción de la capa ráster visualizada en cada
momento y el número de filas, columnas disponibles en la pantalla, de este modo, solo se
mostrarán las celdillas que posean información, visualizando los datos geográficos
procesados. Al convertir la capa vectorial en capa ráster se puede manejar la información,
a cada una se la clasificó, agrupándolas de la siguiente manera:
Capa calles: La capa calles fue clasificada por medio de su atributo Category, que se
compone de tres valores arbitrarios para su representación, en la simulación se la identifica
mediante colores. Esta capa es el medio por dónde transitan los vehículos, con la utilización
de código se logró la restricción para que el agente car no deambule por distintas capas
sino solo por la capa seleccionada. A continuación, la clasificación de la capa calles.
Calles El Panecillo Valor Color
Muy Transitadas 1 Azul
Transitadas 2 Negro
Poco Transitadas 3 Rojo
Tabla 19. Clasificación Calles
78
Ilustración 38. Código restricción de capas
Capa manzanas: La capa manzanas fue clasificada por distintos valores para la relación
con la capa calles por medio de su atributo Category, la cual también está representada por
colores en la simulación. Su restricción en la simulación, conlleva el número de agentes
que puede tener en ella, y cuál es la más segura para que el agente sobreviva.
Manzanas El Panecillo Valor Color
Gran extensión de área verde 2 Verde
Poca área verde -4 Celeste
Sin área verde -1 Amarillo
Tabla 20. Clasificación Manzanas
Ilustración 39. Código clasificación de capas
Con la clasificación de las capas calles y mapas se logra obtener una relación entre ambas,
este tipo de relaciones abre paso al análisis de la situación final del mapa. Al tener una
clasificación de sus sectores se puede llevar a cabo un estudio para obtener un objetivo
lógico para la simulación en cuanto al comportamiento de sus agentes.
Para lograr este tipo de relaciones de se debe tomar en cuenta los valores escogidos en su
clasificación, la suma de estos debe dar como resultado valores distintos. A continuación,
se presenta la relación final del mapa.
79
Calles Manzanas Relación
Muy Transitadas Gran extensión de área verde
Poco espacio verde
Sin área verde
Gran afluencia de canes, la mayoría
heridos
Presencia de canes
Escases de canes
Transitadas Gran extensión de área verde
Poca área verde
Sin área verde
Gran afluencia de canes
Presencia de canes
Presencia de canes
Poco Transitadas Gran extensión de área verde
Poca área verde
Sin área verde
Gran afluencia de canes
permanentes en el lugar
Gran afluencia de canes
Presencia de canes
Tabla 21. Relación de Capas Calles y Manzanas.
Con los datos analizados se puede llegar a la conclusión que el can al verse en peligro, y
sin ningún espacio tranquilo donde pasar la noche, hace del lugar un espacio ocasional; la
presencia de espacios verdes le da seguridad al no tener el peligro de ser arrollado, o el
desconcierto de no saber que ruta tomar a causa del ruido. Sin la existencia de espacios
verdes la probabilidad de un lugar de comida a la que pueda acceder es baja, por esa razón
el albergue factible para sobrevivir lo conforma un espacio poco transitado y con gran
extensión de área verde. En la simulación se pudo observar como el agente va acumulando
información, al pasar por distintas áreas del mapa, puede elegir el camino correcto para
sobrevivir, llegando a un lugar seguro, corroborando a idea principal de la relación entre
ambas capas, el destino final del agente dog fue un área verde poco transitada.
80
Ilustración 40. Capas calles y manzanas clasificación de color
4.4.4.2 Análisis de los elementos que intervienen en el Modelo
Este apartado ilustra la estructura clásica de un modelo y como intervienen las especies
dentro del entorno. En la creación de agentes se pueden implementar estímulos que
permitan identificar el cambio entre estados dentro de la simulación, es decir, el agente
actuará acorde los lineamientos especificados dentro de su estructura codificada, cuando
identifique la acción a desempeñar. El agente determina el camino que debe seguir a partir
de los comportamientos desempeñados por el grupo de agentes que coexisten con él.
Los agentes implementan estados, movimientos, habilidades y reacción a estímulos. Para
dotar con movimiento a los agentes, se ha definido a cada uno de ellos con skills:
[advanced_driving], para parametrizar ciertas condiciones necesarias, como en el caso de
los agentes car, que requieren desplazarse por el área a través de una estructura de tiempo
específica, de acuerdo a sus ocupaciones; o en caso de los agentes dog, se requiere
implementar velocidades, estados, características objetivas y comportamientos
particulares.
El entorno se encuentra delimitado por geometry shape, la cual corresponde a la capa
vereda (sidewalk_shapefile), dentro de ella se encuentran ubicadas las demás capas,
definiendo una sección global única. Las capas que intervienen y son parte del entorno se
muestra a continuación:
- Road: Corte_Calles.shp
- Sidewalk: sidewalk.shp
- Block: CorteF_Manz.shp
81
- Building: Building.shp
- Statue: Pan_Man.shp
4.4.4.3 Definición de Agentes
En la simulación se han definido cuatro tipos de agentes:
Agente dog: representa a la población canina es el agente centro de investigación, es el
agente influyente principal; el cual puede desplazarse por las capas; calles, manzanas,
veredas, panecillo, si el agente se encuentra a menos de 7cm del agente car, este puede ser
arrollado activando dos estados fallecido o herido. Está conformado por cuatro métodos de
tipo reflex:
- reflex move: permite al agente desplazarse hasta encontrar su objetivo.
- reflex stay: accede al agente movilizarse solo en el área seleccionada.
- reflex empty_gc: detecta a su objetivo en un cierto rango, para el incremento de su
variable.
- reflex fleeing: detecta una cierta distancia del radio, para cambiar su estado.
En la simulación el agente dog interactúa con las especies road (capa calle), block (capa
manzana), sidewalk (capa vereda), statue (capa panecillo), lo hace mediante sus atributos
y ejecutando sus reflejos con el objetivo de estar seguro.
El agente dog está representado por un icono en dimensión 2D y una figura tipo esfera en
la dimensión 3D.
Ilustración 41. Icono 2D agente dog
Agente people: representa a la población nacional y turística del sector El Panecillo. Este
agente se moviliza por el área turística, utilizando restricción por código solo en área
statue_shapefile. Utilizando la variable color y la variable empty_gd, para el cambio de
estado:
82
Ilustración 42. Código cambio de estado
Si el agente people se encuentra por un lapso de una semana cerca de los residuos
provocados por los canes se llega a infectar cambiando su estado de sano a infectado,
representado por un cambio de color. Esta interacción la realiza con el agente dog.
Representado por un icono en la dimensión 2D, y por figuras en la dimensión 3D.
Ilustración 43. Icono 2Dy 3D agente people
Agente car: agente de tipo social, puede desplazarse por la especie road (capa calles),
alrededor de todo su entorno, escrito mediante código la restricción de solo deambular por
esa área. Utilizando el método advanced_driving. Está conformado por tres métodos:
- reflex leave: permite al agente ir de un lugar a otro, ambas direcciones.
- reflex move: admite que el agente se movilice solo por la capa seleccionada.
- reflex hunting: detecta si otro tipo de agente está cerca del radio predefinido.
El agente car posee una variable perceipt_radius, para detectar la distancia con el agente
dog, una vez que este agente este dentro de esa distancia tiene el dominio de cambiar su
estado. El reflejo reflex leave nos da un acercamiento a la realidad, permitiendo ver a los
vehículos transitar por toda la carretera en ambas direcciones.
Su representación en la simulación es de un icono en dimensión 2D y un cubo en dimensión
3D.
Ilustración 44. Icono 2Dy 3D agente car
83
Agente Edog: Representa la contaminación ambiental, convirtiéndose en el agente
intermitente, al tener una gran cantidad de canes estos originan al agente Edog y empieza
a propagarse por toda la capa, en la simulación fue representado por celdas con valores,
que al ir descomponiéndose los residuos cada valor toma un color distinto, donde se
visualiza la gama de colores de la afectación, mientas más intenso el color existe mayor
probabilidad de enfermedad. Está conformado por métodos de tipo réflex Edog_cell:
- réflex Edog_cell: permite la expansión de la celda, en la presencia de sustancia
nociva.
Ilustración 45. Agente Edog
Ilustración 46. Código agente Edog
En la simulación se ha establecido un código de colores, para evaluar los resultados. El
campo de acción de los comportamientos entre canes, vehículos y personas se determina
por detección de proximidad entre cualquiera de ellos. Cada agente posee variables de
velocidad independientes, el agente dog se encuentra con una ubicación aleatoria en todo
el entorno, al ir desplazándose él necesita llegar a un punto para encontrarse a salvo, al
buscar la ruta más factible este interactúa con el agente car, una vez que exista una distancia
menor a 7cm sus métodos se relacionan intercambiando información, lo que provoca la
activación de sus reflejos, el cual da dos opciones el can resulta herido o fallecido.
Si el can se encuentra a salvo o está herido, busca la ruta que lo lleve a su objetivo, una vez
que logre encontrarlo este desarrollara sus actividades cotidianas, al estar en contacto con
el agente people casi a diario logra infectarlos, activando su reflejo haciéndolo notorio al
84
cambio de su estado, representado por su cambio de color. Mientras esto sucede el agente
Edog empieza a evaluar la proliferación de sustancias nocivas en el ambiente,
propagándose por toda la capa, una vez que estas sustancias logren esparcirse la evaluación
terminara, representado por colores cada uno contiene un número único almacenado en
cada celda creada por la matriz mat_diff, que representa a la matriz anisotrópica, que
detecta cualquier cambio de escala de una figura o un cuerpo.
La simulación está contemplada para el lapso de un mes, evaluada por cada semana, pero
con la posibilidad de ir variando la cantidad de los agentes, la visualización de las
cantidades en porcentaje es a tiempo real, la cual fue realizada a través de display Charts,
el primer diagrama de porcentaje hace referencia a la cantidad de canes, canes heridos y
canes fallecidos, el segundo diagrama de porcentaje tiene relación al número de personas
y cuantas han sido infectadas.
Ilustración 47. Expansión de sustancias nocivas Ilustración 48. Porcentaje de los agentes afectados
Ilustración 49. Simulación Caso 2
85
4.4.4.4 Interacción entre Agentes y el Entorno
GAMA permite tener más de un reflejo dentro de una especie, este reflejo no es más que
la característica que se le proporciona a cada agente para interactuar con el entorno o con
los de su misma especie, dando a la simulación una proyección más real. Para este caso de
estudio se utilizó ambas interacciones, sumado de la utilización de la arquitectura BDI que
da oportunidad de que los agentes vayan almacenando información sobre cada reflejo, para
escoger la opción más factible y llegar a su objetivo.
Interacción entre el agente car y agente dog:
La especie car, posee el reflejo hunting que permite la interacción entre especies cercanas,
recibiendo una lista de agentes de tipo dog lstDog, que recibe como parámetro a
distance_to que se encarga de la percepción del radio perceipt_radius, al momento de
detectar cercanía el reflejo solo cambia el estado del agente dog, este estado es reflejado
mediante el color del agente, lo que se envía es una petición a la otra especie, si este agente
se encuentra fuera de la dimensión del radio, su estado regresa a la normalidad. Este reflejo
se lo realiza a base de operadores de comparación.
Ilustración 50. Reflejo hunting
Para la especie dog se ha utilizado el reflejo fleeing, activa la opción cambiar de estado en
este caso el cambio de color al detectar el radio del agente car, este reflejo pertenece al
agente dog, proporcionando información sobre si el agente can está herido o fallecido en
tiempo real. Utilizando una lista de la especie car, si el agente se acerca más de 7cm cambia
de color, sino mantiene su color base negro.
86
Ilustración 51. Reflejo fleeing
Interacción entre el agente y su entorno:
La especie car cuenta con el reflejo leave, que provoca al agente que transite por toda la
capa sin salirse de ella, este reflejo tiene como prioridad dar información a un agente para
que lo distribuya por grupos, de no usar el reflejo con la arquitectura por capas el resultado
es que el agente se quede estático en toda la simulación, tiene restricción de solo ir en la
capa calle o en la simulación especie road.
Ilustración 52. Reflejo leave
Especie road, recibe parámetros para considerar el perímetro de la capa y verificar que el
agente car, no salga de los límites de la capa, tiene la habilidad de mantener una
velocidad considerable dependiendo del número de vehículos para que no exista ningún
embotellamiento por medio de la variable speed_coeff, valor que lo obtiene al considerar
el perímetro.
Ilustración 53. Especie Road
87
4.2.5 Pruebas y Resultados
Las siguientes cuatro pruebas, tienen parámetros distintos para una mejor evaluación de
la simulación, en las tablas se puede apreciar los resultados al cambiar los parámetros
iniciales.
Parámetros Prueba 1 Prueba 2 Prueba 3 Prueba 4
vel_min 5 km/h 10 km/h 15 km/h 20 km/h
vel_max 10 km/h 20 km/h 25 km/h 30 km/h
number_car 40 75 100 163
number_people 160 100 120 160
perceipt_radius 7cm 7cm 7cm 7cm
number_dog 87 155 250 350
phero 3.0 3.0 3.0 3.0
Tabla 22. Parámetros iniciales – El Panecillo
Número
de prueba
Número
de ciclo
Número
de canes
heridos
Número de
canes
muertos
Número
de
personas
infectadas
Porcentaje del
crecimiento de
sustancias nociva
Prueba 1 Ciclo 1 15 4 6 15%
Ciclo 2 38 7 13 33%
Ciclo 3 80 24 23 75%
Ciclo 4 161 39 35 86%
Ciclo 5 211 52 70 92%
Prueba 2 Ciclo 1 12 8 15 22%
88
Ciclo 2 20 4 8 12%
Ciclo 3 102 120 3 20%
Ciclo 4 25 8 21 67%
Ciclo 5 45 11 5 44%
Prueba 3 Ciclo 1 3 0 6 20%
Ciclo 2 33 6 0 48%
Ciclo 3 157 42 22 75%
Ciclo 4 12 3 4 21%
Ciclo 5 109 29 31 71%
Prueba 4 Ciclo 1 0 0 24 46%
Ciclo 2 37 8 15 37%
Ciclo 3 71 17 10 40%
Ciclo 4 99 22 55 85%
Ciclo 5 81 24 27 72%
Tabla 23. Pruebas Caso2 – El Panecillo
La primera prueba demuestra un incremento paulatino en sus parámetros, la cantidad de
personas infectadas crece según la cantidad de canes fallecidos o heridos, provocando una
afectación en el ambiente. Esta prueba no es parte de los resultados, debido a que al
momento de realizar la primera ejecución de la simulación el agente va acumulando
información lo que provoca que este tome rutas erróneas mientras se ubica en el espacio,
haciendo que el agente se quede atrapado en alguna parte del entorno; con la arquitectura
utilizada para este tópico el agente va tomando rutas de acuerdo al objetivo planteado.
89
La simulación en su segunda ejecución logra tener una relación entre los parámetros y los
resultados, el descenso de personas provoca una afectación media en el ambiente, al no
tener la misma cantidad de población, los canes se desplazan por las manzanas aledañas al
lugar. El incremento en la velocidad logra afectar de manera negativa al can, existiendo
una gran cantidad de canes fallecidos y heridos. Gran parte de afectación con alguna
sustancia nociva está en un lugar abierto.
En la tercera prueba podemos notar que el ambiente tiene una contaminación más alta con
la existencia de canes fallecidos, con el incremento en todos sus parámetros, los datos están
casi por el límite real, la existencia de personas y el incremento de las mismas hace que el
lugar sea habitable para el can, haciendo que este busque la manera de llegar para poder
alimentarse. La gravedad de la contaminación del ambiente es notoria, y aun así no existen
una cantidad razonable de personas infectadas. Con el incremento de la velocidad el
fallecimiento del can es inmediata.
Los parámetros utilizados en la prueba cuatro, son los reales tomados del análisis de datos,
aquí podemos notar que el agente al almacenar información puede encontrar rutas donde
pueda transitar sin peligro, lo que da una afectación media del ambiente, a causa de sus
residuos, y una afectación a la población al tener contacto con una gran cantidad de canes.
El conocimiento de la población a nivel general es la relación descrita a continuación.
Canes Población
1 por cada 59 ecuatorianos
1 por cada 22 quiteños
Tabla 24. Población Canes
A continuación, el porcentaje general de la simulación:
90
Prueba1 Porcentaje Prueba2 Porcentaje
Mortalidad 126 22% 151 43%
Infección en la población 147 12% 52 20%
Accidentes 503 5.5% 204 10.8%
Contaminación Ambiental 225 12.44% 115 6.6%
Tabla 25. Resultados Simulación Caso2 – Pruebas 1 y 2
Prueba3 Porcentaje Prueba4 Porcentaje
Mortalidad 80 60% 71 84%
Infección en la población 63 41% 107 62%
Accidentes 314 15% 288 21%
Contaminación Ambiental 137 9.4% 145 11.2%
Tabla 26. Resultados Simulación Caso2 – Pruebas 3 y 4
La población en general no es consciente del daño que provoca al descuidar un tema tan
importante, la combinación de todos estos residuos causa enfermedades como: infecciones
estomacales, dolores de cabeza y vómito, pero al no tener una consecuencia nociva para
los ciudadanos, no es catalogado como urgente y por lo tanto no existe un plan ambiental.
Los ciudadanos no poseen cultura, ni respeto hacia otros seres vivos. El can se reproduce
dos veces al año con camadas de 7 a 10 canes, teniendo en cuenta que de cada 10 canes
machos existe una hembra (Aguaguiña, 2017). Con estos resultados la tasa de mortalidad
no es elevada, si se visualiza a cada caso ambiental por separado, pero la afectación a la
población Quiteña aledaña al sector tiene repercusiones como las expuestas en el apartado
anterior, que con el tiempo pueden influir en el alejamiento de las personas al lugar.
91
V. Resultados, Conclusiones y Recomendaciones
5.1 Resultados
1. Se ha conseguido publicar el primer caso con indexación SCOPUS, que fue analizada
por expertos internacionales en el área y que aceptaron este trabajo, demostrando que
lo realizado tiene bases científicas y de calidad. Se adjunta como anexo la publicación
y la indexación SCOPUS.
2. Se ha conseguido que acepten el segundo caso, en el Congreso Internacional IWINAC
2019, este logro al trabajo realizado demuestra que la Carrera está preparando
estudiantes en el campo de la investigación. Se adjunta como anexo al mail de
aceptación.
5.2 Conclusiones
1. En la realización de este trabajo, se han analizado dos problemas relacionados con los
temas social y ambiental respectivamente, donde cada problema cuenta con elementos
específicos definidos a partir del modelo planteado en este documento y han sido
modelados a partir de multi-agentes georreferenciados que trabajan colaborativamente
para alcanzar el objetivo común, donde son capaces de responder a las variaciones o
cambios que se puedan suscitar. Cada agente cuenta con comportamientos y
habilidades propias y compartidas que le permiten interrelacionarse con otros agentes
durante cada ciclo de la simulación, además permitió la visualización de los agentes y
el entorno de forma gráfica.
2. En el primer caso de estudio, el problema se genera a partir del manejo inadecuado de
desechos sólidos en el Centro Histórico de Quito, y explora la relación que mantiene
con el sistema de alcantarillado. Debido a los resultados obtenidos se ha corroborado
la existencia de las relaciones colaborativas entre agentes construidos de acuerdo a una
arquitectura BDI descrita por capas como se aprecia en el Tópico Dos de la sección
Arquitecturas Multi-agente. Además, el agente principal desecho, se ha relacionado
satisfactoriamente con los agentes influyentes y permitió que estos dos puedan
mantener una relación de correspondencia con los agentes intermitentes.
92
3. En el segundo caso de estudio, el problema se genera por el incremento masivo del
abandono de canes en el sector El Panecillo, problemática social que afecta de manera
nociva al medio ambiente y a la salud pública. Con la arquitectura híbrida se integró
diversos estímulos a los agentes, determinando el área de afectación más grave en el
sector, corroborando tanto en el análisis de capas, como en la realización de la
simulación. El lugar con más afectación ambiental es la parte correspondiente a la
colina, lugar turístico y reconocido a nivel mundial. La interacción entre los agentes
dog y Edog dio la cantidad en tiempo real de las personas infectadas, haciendo de su
relación como agente influyente y agente intermitente un éxito.
4. Este documento propuso la estructura base de un sistema complejo, que ha sido
abordado desde las perspectivas: social y ambiental. Estas perspectivas han sido la
piedra angular en el proceso de definición de comportamientos de los agentes en el
entorno y han marcado las pautas que siguieron los agentes para interrelacionarse entre
sí. El entorno que fue preparado para esta simulación constaba de georreferenciación,
clasificación y simplificación, para optimizar los tiempos de maquina sin perder los
detalles de la información requerida.
5. Como resultado de este trabajo, se ha generado un modelo capaz de predecir los
cambios producidos en un sistema dinámico a través de GAMA, una poderosa
plataforma para simulación que integra el soporte explícito para información
geográfica.
5.3 Recomendaciones
Se recomienda seguir trabajando en temas de investigación dentro de la carrera, para
demostrar que los estudiantes estamos en la capacidad de producir artículos científicos con
los conocimientos adquiridos dentro de las aulas.
93
Bibliografía
Aguaguiña, A. P. (2017). Proliferación de perros callejeros y la contaminación ambiental.
http://www.dspace.uce.edu.ec/bitstream/25000/10989/1/T-UCE-0018-GT002.pdf.
Amouroux, E., Chu, T., Boucher, A., & Drogoul, A. (noviembre de 2007). GAMA: an environment
for implementing and running spatially explicit multi-agent simulations. Springer, Berlin,
Heidelberg, 359-371.
Anguix, A., & Díaz, L. (2008). gvSIG: A GIS desktop solution for an open SDI. Journal of Geography
and Regional Planning, 041-048.
Antiñanco, M. J. (2014). Bases de Datos NoSQL: Escalabilidad y alta disponibilidad a través de
patrones de diseño. (Doctoral dissertation, Facultad de Informática).
Batty, M. (2015). Introducción: nuevas herramientas de planificación urbanística
http://institucional.us.es/uncweb/resultados/3.1.pdf.
Bermúdez, C. (1999). Manejo de residuos sólidos. Ciencia e Ingeniería Neogranadina. 135-144.
Bosque, J., & García, R. (2000). El uso de los sistemas de información geográfica en la
planificación territorial.
http://download.tuxfamily.org/tuxgis/geodescargas/SIG_PlanificacionTerritorial.pdf.
Bravo, C., Aguilar, H., & Rivas, F. (2004). Diseño de una arquitectura de automatizacion industrial
basada en sistemas multiagentes.
https://www.researchgate.net/profile/Francklin_Rivas/publication/277860555_Diseno_
de_una_arquitectura_de_automatizacion_industrial_basada_en_sistemas_multi-
agentes/links/5592dad308aed7453d4646ab.pdf.
Bredeche, N. (2011). Using agent-based models and machine learning to enhance spatial
decision support systems.
Brisaboa, N., Cotelo, L., Fariña, A., Luaces, M., & J., V. (2017). Sistemas de Información
Geográfica: Revisión de su Estado Actual.
http://lbd.udc.es/Repository/Publications/Drafts/SisdeInfGeo(1).pdf.
Bú, R. (2003). Simulacion en un enfoque practico.
https://books.google.es/books?hl=es&lr=&id=iY6dI3E0FNUC&oi=fnd&pg=PA11&dq=Sim
ulaci%C3%B3n&ots=uKS65l2Oau&sig=Mo1nUoR7e2ev2xcleiee7Jj2MSI#v=onepage&q=Si
mulaci%C3%B3n&f=false.
Bú, R. C. (1996). Simulación Un enfoque práctico. Limusa.
Camora, A., & Monsalve, J. (2004). Sistemas de información geografica.
https://dds.cepal.org/infancia/guia-para-estimar-la-pobreza-
infantil/bibliografia/capitulo-
IV/Carmona%20Alvaro%20y%20Monsalve%20Jhon%20(1999)%20Sistemas%20de%20inf
ormacion%20geografica.pdf.
Canós, J. & Letelier, M. (2012). Metodologías ágiles en el desarrollo de software.
Carrión, F. (2005). El centro histórico como proyecto y objeto de deseo. EURE (Santiago), 89-100.
94
Castillo, H., Camarena, M., & Ziccardi, A. (1987). Basura: Procesos de trabajo e impactos en el
medio ambiente urbano. Vol. 2, No. 3 (6),
https://www.jstor.org/stable/40310380?seq=1#page_scan_tab_contents.
Coral, J. D. (2017). Estimación del número de caninos domésticos.
Corchado, J. (2015). Modelos y Arquitecturas de Agente.
Corchado, J. (1999). "Modelos y arquitecturas de agente” Univerisdad de Salamanca, Espana., 1-
32.
D.V.M. & Trav, B. (2013). Leishmaniasis visceral canina.
https://www.redalyc.org/pdf/693/69350106.pdf.
D’ercole, R. &. (2004). Vulnerabilidad del Distrito Metropolitano de Quito. Quito, Ecuador:
MDMQ-IRD. Colección Quito Metropolitano., 496 pp.
D’Ercole, R. H. (2009). Balance de los accidentes y desastres ocurridos en La Paz, Lima y Quito
(1970-2007) . Bulletin de l'Institut français d'études andines, 38 (3), 433-465.
Davila, A. (1992). Estabilidad geomorfológica de la región de Quito. Atlas Infográfico de Quito.
Socio-dinámica del espacio y política urbana, Lámina 04.
Drogoul A., Amouroux E., Caillou P., Gaudou B., Grignard N., Marilleau P., Taillandier M.,
Vavasseur D., Vo A. & Zucker, J. (2013). Gama: multi-level and complex environment for
agent-based models and simulations. International Foundation for Autonomous Agents
and Multiagent Systems. (págs. (pp. 1361-1362)). St. Paul, MN, USA: Richland, SC ©2013
Dunna, E.; H., García; L., Cárdenas (2006). Pearson Educación de México S.A. de C.V Simulacion y
analisis de sistemas con ProModel Mexico (págs 206)
EMASEO maps . Obtenido de http://www.emaseo.gob.ec
Fernández, C. (1998). Definición de una metodología para el desarrollo de sistemas multiagente.
Enfoques, 35, 57-190.
gama-platform.org. (2013). Agentes Georreferenciados.
García, C. (1996). Áreas de aplicación medioambiental de los'sig'. modelización y avances
recientes. Papeles de Geografía nro 23-24, 101-115.
García, G. J. (2013). Estudio para la estimación de la población de perros callejeros en Mercados.
García, R. (2006). Sistemas complejos . Barcelona: Gedisa, , 202.
García, R. (2011). Interdisciplinariedad y sistemas complejos. Revista Latinoamericana de
Metodología de las Ciencias Sociales.
Gimblett, R. I. (2001). Intelligent recreation agents in a virtual gis world. Complexity
International, vol. 8, 1-14.
gobiernoabierto. (2019). gobiernoabierto de Quito. Obtenido de
http://gobiernoabierto.quito.gob.ec/?page_id=1122
Gómez, N. (2017). Simulación basada en agentes.
95
Gómez, S. J. (2015). Metodologías para el desarrollo de sistemas multi-agente.
https://www.redalyc.org/html/925/92501805/.
Hípola, P. &.Vargas, B. (1999). Agentes inteligentes: definición y tipologia. . Los agentes de
información.
Hugentobler, M. (2008). Quantum gis. In Encyclopedia of GIS. Springer, Boston, MA., pp. 935-
939.
Hurtado, L. (2017). Interfaz gráfica para la visualización de una red de grafos georreferenciados
de las principales calles del centro de la ciudad de quito. Quito: Repositorio Institucional
de la Universidad Politécnica Salesiana.
Hurtado, P. (2017). Proyecto de investigación presentado como requisito parcial para aprobar.
Tesis.
Iglesias, Á. (1998). Definición De Una Metodología Para El Desarrollo De Sistemas Multiagente.
Iglesias, S. C. (2015). Potencial educativo de los SIG en formación profesional. Una experiencia en
el ciclo superior de técnico superior en gestión forestal y del medio natural. . Hekademos:
revista educativa digital, (17) , 55-64.
Izquierdo, L., Galán, J., Santos, I., & Del Olmo, R. (2008). Modelado de sistemas complejos
mediante. http://revistas.uned.es/index.php/empiria/article/view/1391/1286.
Jaime W. Aldaz Cárdenas, J. R.-D.-R. (2015). Factores de riesgo asociados a la Parvovirosis Canina
en el Cantón Guaranda, Bolívar, Ecuado.
Jiang, M. B. (1999). “Multi-agent simulation: new approaches to exploring space-time dynamics
in gis". Casa paper 10.
Jiménez, A. V. (2003). Metodología para la calibración de modelos de calidad de aguas.
https://www.researchgate.net/publication/39425764_Metodologia_para_la_calibracion
_de_modelos_de_calidad_de_aguas.
Julián, V. J. (2003). Estudio de métodos de desarrollo de sistemas multiagente. Inteligencia
Artificial. Revista Iberoamericana de Inteligencia Artificial, 7, 18.
Karen, T. S. (2016). Proyecto De Socialización De La Ordenanza.
Kinny, D. &. (1996). Modelling and design of multi-agent systems. In International Workshop on
Agent Theories, Architectures, and Languages. Springer, Berlin, Heidelberg., pp. 1-20.
L., I., Galán, J., Santos, J., & R, D. O. (2008). Modelado de sistemas complejos mediante
simulación basada en agentes y mediante dinámica de sistemas.
http://revistas.uned.es/index.php/empiria/article/view/1391/1286.
Lagos, P. S. (2003). Inteligencia artificial distribuida y razonamiento basado en casos en la
arquitectura de un sistema basado en el conocimiento para la educaci´on a distancia
(sbc-ed). Chile: Departamento de Metodología de la Investigación e Informática
Educativa, Facultad de Educación, Univ. de Concepción.
LaHora. (5 de noviembre de 2018). La Hora diario. Obtenido de
https://lahora.com.ec/quito/noticia/1102198434/30-mil-metros-cubicos-de-material-
se-ha-retirado-de-alcantarillas-de-quito
96
Lee, L., Nwana, H., Ndumu, D., & P., D. W. (1998). “The stability, scalability and performance of
multi-agent systems". BT Technology Journal, vol. 16, no. 3, 94-103.
Lozano, M. (2018). Desarrollo de un módulo web orientado a la administración y gestión de
información de cultivos en áreas georreferenciadas (Bachelor's thesis, Quito: Universidad
de las Américas, 2018. Obtenido de http://dspace.udla.edu.ec/handle/33000/10242
Luke, S. C.-R. (2005). Mason: A multiagent simulation environment. . Simulation, 81(7), 517-527.
MASON. (03 de 2019). MASON. Obtenido de https://cs.gmu.edu/~eclab/projects/mason/
Mejía, D. (2015). Diseño de un modelo de catastro patrimonial georeferenciado para el centro
histórico del cantón Riobamba, provincia de Chimborazo. Obtenido de Bachelor's thesis,
Escuela Superior Politécnica de Chimborazo:
http://dspace.espoch.edu.ec/handle/123456789/4235?mode=full
Méndez, G. (2008). Una arquitectura software basada en agentes y recomendaciones
metodológicas para el desarrollo de entornos virtuales de entrenamiento con tutoría
inteligente.
Mestras, J. P. (2006). Modelos y Arquitecturas de Agentes.
http://www.fdi.ucm.es/profesor/jpavon/doctorado/arquitecturas.pdf.
Miramontes, O. (1999). Los sistemas complejos como instrumentos de conocimietos.
Perspectivas sobre la teoría de sistemas,
http://www.fisica.unam.mx/personales/mir/mundo.html.
Morales, J. W. (2016). Agentes y Sistemas Multi-Agente .
http://www.revistasbolivianas.org.bo/pdf/rits/n1/n1a27.pdf.
Morocho, D. (2018). Desarrollo de una aplicación móvil multiplataforma con geolocalización
para localizar sitios y establecimientos cercanos. Obtenido de
http://www.dspace.uce.edu.ec/handle/25000/16490.
North, M. J. (2005). The repast simphony development environment. Conference on Generative
Social Processes, Models, and Mechanisms (págs. (Vol. 13, p. 15). sn.). In Proceedings of
the Agent 2005.
Olaya, V. &. (2009). Geomorphometry in SAGA. . Developments in soil science, 33, 293-308.
Pavón, J., Arroyo, M., Hassan, S., & C., S. (2006). Simulacion de sistemas sociales con agentes
software. Actas del Campus Multidisciplinar en Percepcion e Inteligencia, CMPI, vol. 1,
pp. 389–400.
Peralta, E. &. (2003). En Quito: patrimonio cultural de la humanidad. MRE Ecuador.
Pérez, Y. G. (2016). Estratificación de territorios basada en indicadores de salud sobre el Sistema
de Información Geográfica QGIS. Revista Cubana de Ciencias Informáticas, vol. 10, pp.
163–175.
Posadas, J., Simó, J., Poza, P., Pérez, G., Benet, & F., B. (2003). Una arquitectura para el control
de robots móviles mediante delegación de código y sistemas multiagente. IV Workshop
de Agentes Físicos-WAF, vol. 3.
97
Pozo García, M. R. (junio de 2016). Análisis de los beneficios de una adecuada gestión de manejo
de residuos sólidos en el Distrito Metropolitano de Quito (Bachelor's thesis, PUCE).
Obtenido de http://repositorio.puce.edu.ec/handle/22000/12628
qgis.org. (8 de febrero de 2018). qgisorg. Obtenido de
https://www.qgis.org/es/site/about/features.html
Quito, M. d. (2008). Atlas ambiental del distrito metropolitano de quito. Quito: Dirección de
Ambiente.
Quito, M. D. (2014). Diagnóstico de la movilidad en el Distrito Metropolitano de Quito para el
Plan Metropolitano de Desarrollo Territorial (PMOT). Quito: Distrito Metropolitano de
Quito.
Quitoambiente. (2018). Ministerio de Ambiente.
quitoambiente.gob. (2018). Monitoreo del Aire. http://www.quitoambiente.gob.ec.
Quitoturismo. (2018). Turismo de Quito.
Rao, A. S. (1995). BDI agents: from theory to practice. In ICMAS Vol. 95, pp. 312-319.
Rubío, A., & Guitiérez, J. (1997). Los Sistemas De Información Geograficos: Origen Y Perspectivas.
http://revistas.ucm.es/index.php/RGID/article/viewFile/RGID9797120093A/10990.
Sanz, J. J. (2003). Metodologías para el desarrollo de sistemas multi-agente, Inteligencia
Artificial. . Revista Iberoamericana de Inteligencia Artificial, vol. 7, no. 18 .
Sarango, K. A. (2016). Proyecto de Socialización de la Ordenanza.
Scott, L. M. (2010). Spatial statistics in ArcGIS. In Handbook of applied spatial analysis . Springer,
Berlin, Heidelberg., (pp. 27-41.
Sierra, A. (2000). Gestion des enjeux des espaces urbains à risque d’origine naturelle. Les
versants et les quebradas de Quito, Équateur. Thèse de doctorat, Centre de Recherche
en Analyses Géopolitiques, Université de Paris VIII, Vincennes-Saint-Denis, 326.
Taillandier, P. V. (noviembre de 2010). GAMA: una plataforma de simulación que integra datos
de información geográfica, modelado basado en agentes y control multiescala. En
Conferencia Internacional sobre Principios y Práctica de Sistemas Multi-Agentes.
Obtenido de springer: https://link.springer.com/chapter/10.1007/978-3-642-25920-
3_17
Tisue, S. &. (2004). Netlogo: A simple environment for modeling complexity. . In International
conference on complex systems, (Vol. 21, pp. 16-21).
Tomlin, C. (2005). El formato ráster. Fundamentos.
https://www.um.es/geograf/sigmur/sigpdf/temario_4.pdf.
Troya, E. (2012). Manejo De Los Desechos Sólidos Y Su Relación Con La Cooperativa Jaime
Roldos. Quito:Tesis De Grado Ute.
Turismo, M. d. (05 de 09 de 2013). Quito celebra 35 años de la declaración como Patrimonio
Cultural de Humanidad. Obtenido de https://www.turismo.gob.ec/quito-celebra-35-
anos-de-la-declaracion-como-patrimonio-cultural-de-humanidad/
98
Vargas, E. E. (2014). Transmisión De Enfermedades En Los Niños Por.
Vicente, J., Navarro, B., & Giret, A. (2007). Aplicaciones Industriales de los Sistemas Multiagente.
https://www.researchgate.net/publication/240748394_Aplicaciones_Industriales_de_lo
s_Sistemas_Multiagente.
Vo, D. A. (2012). An operational architecture to handle multiple levels of representation in agent-
based models. Doctoral dissertation (pág. 6). París: Bajo la dirección de Alexis Drogoul.
Weiss, G. (1999). Multiagent systems, The MIT Press, Massachusets, USA.
https://www.researchgate.net/profile/Francklin_Rivas/publication/277860555_Diseno_
de_una_arquitectura_de_automatizacion_industrial_basada_en_sistemas_multi-
agentes/links/5592dad308aed7453d4646ab.pdf.
Yánez, V. &. (2014). Desarrollo de una aplicación móvil para apoyar al turismo del centro
histórico de quito, utilizando realidad aumentada y geolocalización, para la empresa
VLBS CÍA. LTDA. Obtenido de Bachelor's thesis, Universidad de las Fuerzas Armadas ESPE.
Carrera de Ingeniería en Sistemas e Informática:
http://repositorio.espe.edu.ec/xmlui/handle/21000/8340
99
Anexos
Anexo 1. Indexación SCOPUS del artículo Solid Waste Management Using Georeferenced
Multi-Agent Systems
100
101
102
103
104
105
106
Anexo 2. Aceptación del artículo “Analysis of dogs's abandonment problem using
georeferenced multi-agent systems”, en el congreso IWINAC