We study the problems associated with allocating berths for containerships in the port of Seville. It is the only inland port in Spain and it is located on the Guadalquivir River. This paper addresses the berth allocation planning problems using simulation and optimisation with Arena software. We propose a mathematical model and develop a heuristic procedure based on genetic algorithm to solve non-linear problems. Allocation planning aims to minimise the total service time for each ship and considers a first-come-first-served allocation strategy. We conduct a large amount of computational experiments which show that the proposed model improves the current berth management strategy.

Container terminals (CTs) are designed to provide support for the continuous changes in container ships. The most common schemes used for dock management are based on discrete and continuous locations. In view of the steadily growing trend in increasing container ship size, more flexible berth allocation planning is mandatory. The consideration of continuous location in the CT is a good option. This article addresses the berth allocation problem with continuous dock, which is called dynamic berth allocation problem. We propose a mathematical model and develop a heuristic procedure, based on a genetic algorithm, to solve the corresponding mixed integer problem. Allocation planning aims to minimize distances traveled by the forklifts and the quay crane, for container loading and unloading operations for each ship, according to the quay crane scheduling. Simulations are undertaken using Arena software, and experimental analysis is carried out for the most important CT in Spain.

Para reducir la tasa de contagio por COVID-19, el Gobierno colombiano ha adoptado, entre otras medidas, el aislamiento obligatorio. Esta medida ha generado opiniones divididas, pues a pesar de que ayuda a disminuir la propagación del virus, genera problemas mentales y económicos difíciles de sortear. El objetivo de este documento es analizar los sentimientos subyacentes de los comentarios de Twitter relacionados con el aislamiento, identificando los temas y palabras más frecuentemente utilizados en este contexto. Se construyó un algoritmo de machine learning para identificar los sentimientos de 72 564 publicaciones, y se aplicó un análisis de redes sociales para identificar los temas más frecuentes en los conjuntos de datos. Los resultados sugieren que el algoritmo presenta gran precisión para clasificar sentimientos. Asimismo, a medida que se extiende el aislamiento, los comentarios relacionados con la cuarentena crecen de manera proporcional. Se identificó al miedo como el sentimiento predominante durante todo el periodo de confinamiento en Colombia.

Este artículo describe el diseño, desarrollo y pruebas de un chatbot pregunta-respuesta acerca del escenario de riesgo covid-19 en la ciudad de Cali. El chatbot se implementa bajo un modelo de procesamiento de lenguaje natural (PLN) y es capaz de sostener un diálogo que brinda información en un escenario de pandemia. En el documento se presenta la identificación de fuentes de datos para solventar las necesidades de información para la ciudad de Cali en el escenario de pandemia, para el periodo marzo diciembre de 2020; con base en las fuentes de información se construye un corpus de información con 636 oraciones. A partir del corpus construido se construyen tres modelos usando prototipado incremental: modelo de línea base para casos generales (BC) el cual responde a preguntas generales y relacionadas con número de casos en puntos geográficos de una zona en la ciudad de Cali; modelo de línea base, zonas geográficas y normativa (BCN) que adicionalmente ofrece información de noticias, decretos o normativas generadas por el Gobierno durante el escenario de riesgo y un modelo de línea base, zonas geográficas, normativa y preguntas frecuentes (BFAQS) que responde adicionalmente a preguntas frecuentes. Para la evaluación se desarrolló una encuesta de satisfacción de la versión prototipo del chatbot, en el caso de la evaluación de los modelos se utilizaron las métricas usualmente utilizadas en procesamiento de lenguaje natural: precisión, cobertura y medida-F. El análisis y los resultados muestran que el modelo final (BFAQS) muestra valores superiores al 88% en las tres medidas, de igual forma el BFAQS sostuvo 1480 conversaciones, con un promedio de enganche o atracción de 4.12 minutos, igualmente, los resultados de la encuesta de la versión prototipo de la herramienta indicó que la 87% volvería a usa el chatbot para obtener información sobre la COVID-19.