Este algoritmo desarrolla una matriz de decisión conformada por atributos y alternativas, para cada intersección de la matriz el algoritmo asigna un peso de acuerdo con los criterios del diseñador. Esto permite establecer una calificación para las SO evaluadas, y obtener así un ranking de todas las alternativas. La SO con mayor puntaje será la seleccionada (Hernández, Giral y Páez, 2015a; Ramírez y Ramos, 2010).

La alternativa Ai está definida por la ecuación 1 (Ramírez y Ramos, 2013).

Donde r_i,j pertenece a la matriz y la suma de los pesos es 1.

Los pasos para desarrollar este algoritmo son: 1) identificar los objetivos y alternativas; 2) evaluar las alternativas; 3) determinar los pesos de cada combinación; 4) adicionar los valores agregados según las preferencias, y 5) analizar la sensibilidad (Hernández, Giral y Páez, 2015a; Hübner, 2007; Ramírez y Ramos, 2010, 2013).

Hernández, Giral y Santa (2015) utilizan SAW para seleccionar la mejor SO en una banda de frecuencia GSM, de esta manera evalúan la cantidad de handoff realizados y comparando los resultados con otros dos algoritmos de SA.

MEW es otro algoritmo MCDM, muy similar a SAW. La principal diferencia es que en MEW en lugar de suma hay multiplicación. Fue propuesto para SA por Stevens y Wong (2006). En MEW la calificación de las SO es determinada por el producto de los pesos de los criterios de decisión. El puntaje S_i de la SO i es determinada por la ecuación 2 (Hernández, Giral y Páez, 2015a; Hernández, Giral y Santa, 2015; Hübner, 2007; Ramírez y Ramos, 2010, 2013; Stevens, Martinez y Pineda, 2012; Stevens y Wong, 2006).

Donde X_ij denota el criterio_N j de la SO i, W_j denota el peso del criterio j, y .

Es necesario tener en cuenta que en (2) W_j es una potencia positiva para una métrica de beneficio y negativa para una métrica de costo.

Hernández, Giral y Páez (2015b) utilizan MEW para seleccionar la mejor SO en una banda de frecuencia de comunicaciones móviles; evalúan el nivel de throughput y ancho de banda, y comparan los resultados con otros dos algoritmos de SA.

Electre es un MCDM que realiza comparaciones entre parejas de alternativas, para lo cual utiliza cada uno de los atributos por separado para establecer relaciones entre las alternativas (Valenta et al., 2010). Se propuso inicialmente para la SA en (Christian, Moh, Chung y Lee, 2012). En general, Electre utiliza un vector de criterios de referencia para ajustar los valores iniciales de los atributos de las alternativas (oportunidades espectrales) antes de compararlas. El valor de cada uno de los criterios en la matriz de decisión se compara con el correspondiente valor de criterio de referencia X r^ef _j . La diferencia entre los dos valores se calcula de acuerdo con la ecuación 3 (Stevens, Martínez y Pineda, 2012).

Con el objetivo de comparar las alternativas espectrales, se introducen los conceptos de concordancia y discordancia, que son medidas de satisfacción e insatisfacción del algoritmo cuando una alternativa es comparada con otra. La alternativa con el valor más alto de concordancia neta y el valor más bajo de discordancia neta será la preferida (Stevens, Martínez y Pineda, 2012).

El objetivo de este algoritmo es establecer las redes candidatas y seleccionar las que tengan más alta puntuación de acuerdo con unos parámetros definidos. Para lograr esto se establecen relaciones de Grey entre elementos de dos series: la primera contiene las mejores cualidades, mientras que la otra contiene entidades comparativas. Acá es parte importante el coeficiente de Grey, que se usa para describir las relaciones entre las series, calculado a partir del nivel de similitud y variabilidad (Hernández, Giral y Páez, 2015b; Hernández, Giral y Santa, 2015; Hernández, Páez y Giral, 2015; Hübner, 2007; Ramírez y Ramos, 2010, 2013; Stevens, Martínez y Pineda, 2012; Stevens y Wong, 2006).

En GRA primero se genera el vector de referencia X_o, de la matriz X, a través de la escogencia de los valores mínimos para los costos y los valores máximos para los criterios de beneficios. Después, la secuencia de datos debe ser normalizada para X de acuerdo con tres situaciones: más grande el mejor, más pequeño el mejor o nominal el mejor. Luego, se calcula el coeficiente relacional de Grey como lo describe la ecuación 4 (Hernández et al., 2015).

Hernández et al. (2015) utilizan GRA para seleccionar la mejor SO en el enlace ascendente de la banda de frecuencia GSM, evalúan el nivel de bloqueos de handoff y comparan los resultados con otros dos algoritmos de SA.

El desarrollo de este algoritmo se basa en la determinación de dos componentes: la solución ideal del sistema, y la solución que no puede ser aceptada en ninguna situación. Para lograrlo, es necesario comparar los resultados para determinar qué solución es la más cercana posible a la ideal, y cual la más lejana (la cual no será aceptada). Dicha métrica se obtiene a partir de la distancia euclidiana (Hernández, Giral y Páez, 2015a; Ramírez y Ramos, 2010).

El procedimiento del algoritmo Topsis se describe en Hernández, Giral y Páez (2015a); Ramírez y Ramos (2010, 2013). Inicialmente se construye la matriz de decisión X y se normaliza usando el método de raíz cuadrada, luego se determina la solución ideal y la peor solución. Después, para cada alternativa se calcula la distancia euclidiana D, y por último, las alternativas son organizadas en orden descendente de acuerdo con el índice de preferencia dado por la ecuación 5.

Hernández, Vasquez y Páez (2015) utilizan Topsis para seleccionar la mejor SO, evalúan el nivel de interferencia por canal adyacente y el número promedio de handoff realizados; los resultados son comparados con otro algoritmo y sus respectivas versiones, al combinarlos con tres algoritmos de predicción basados en series de tiempo.

“El método Vikor asume que cada alternativa es evaluada de acuerdo con cada función de criterio, y la clasificación puede ser desarrollada a través de la comparación de las medidas que estén más cercanas a la alternativa ideal” (Hernández et al., 2015; Cesar Hernández, Vasquez, et al., 2015; Tanino, Tanaka y Inuiguchi, 2003). Vikor fue desarrollado para lograr la optimización de sistemas complejos con múltiples criterios, por tanto, es hábil para determinar el compromiso en una lista de ranking, aun en presencia de criterios en conflicto, lo que lo hace un algoritmo adecuado para la toma de decisiones en la SA (Gallardo, Pineda y Stevens, 2009).

El algoritmo Vikor sigue los pasos descritos por Hernández, Giral y Páez (2015b); Hernández et al. (2015); Ramírez y Ramos (2010), y Stevens, Martínez y Pineda (2012). Para cada criterio de decisión se determina el mejor y peor valor teniendo en cuenta si son beneficios o costos. Luego se calculan los valores de i Q para i= 1, 2, 3, …, M, dado por la ecuación 6.

Dados los valores de Q para todos los i pertenecientes a M, se clasifican de mayor a menor las SO candidatas. Finalmente, la SO seleccionada está dada por el Q óptimo.

Hernández et al. (2015) utilizan Vikor para seleccionar la mejor SO en el enlace ascendente de la banda de frecuencia GSM, evalúan el nivel de bloqueos de handoff y comparan los resultados con otros dos algoritmos de SA.

AHP se basa en comparaciones sobre la importancia entre los criterios de decisión escogidos para la selección de una alternativa, siendo esta más una medida relativa que un valor absoluto (Saaty, 1990).

En la metodología de diseño del algoritmo AHP, el primer paso es definir el problema, descomponiéndolo a su vez en objetivo, criterios y alternativas. El segundo paso es la construcción de la jerarquía de acuerdo con la definición del problema.

Una vez construida la jerarquía se procedió a realizar las matrices de juicios, las cuales corresponden a evaluaciones comparativas que definen el nivel de importancia relativa entre cada combinación posible de parejas de criterios. Con las matrices de juicios definidas se procede, por último, a calcular los pesos normalizados para cada criterio, como lo describe la ecuación 7 (Hernández, Giral y Páez, 2015a).

Donde,

r es el vector de valores propios,

r₁ ,r₂ ,..., r_n es el valor de los pesos de cadasubcriterio,

V_i es la media geométrica de la fila i, y

V_j es la media geométrica de la columna j.

Hernández, Giral y Páez (2015a) utilizan AHP para seleccionar la mejor SO en la banda de frecuencia GSM, calculan el desempeño del algoritmo con base en cinco métricas de evaluación y comparan los resultados con otros cinco algoritmos de SA.

La lógica difusa es una herramienta particularmente apropiada para tomar decisiones en situaciones donde las entradas disponibles son en general inciertas e imprecisas o cualitativamente interpretadas. La lógica difusa también puede transformar información cualitativa y heterogénea en valores de membrecía homogéneos, los cuales pueden ser procesados a través de un conjunto de reglas de inferencia difusa apropiadas (Akyildiz, Lee, Vuran y Mohanty, 2006, 2008; Akyildiz, Lee y Chowdhury, 2009; Federal Communications Commission, 2003; Dejonghe, Van Wesemael, Pavloski y Chomu, 2011; Etkin, Parekh y Tse, 2007; Gallardo, Pineda y Stevens, 2009; Giupponi y Pérez, 2008; Hernández et al., 2015; Hernández, Giral y Páez, 2015a, 2015b; Hernández, Giral y Santa, 2015; Hernández, Vasquez y Páez, 2015; Hübner, 2007; Kanodia, Sabharwal y Knightly, 2004; Krishnamurthy, Thoppian, Venkatesan y Prakash, 2005; Ramírez y Ramos, 2010, 2013; Saaty, 1990; Stevens, Martínez y Pineda, 2012; Stevens y Wong, 2006; Tanino, Tanaka y Inuiguchi, 2003; Tragos, Zeadally, Fragkiadakis y Siris, 2013; Zheng y Cao, 2005). Estas ventajas de la lógica difusa se combinan con el algoritmo AHP, obteniendo el método FAHP (Cortés, Serna y Jaimes, 2012; Patil y Kant, 2014).

Aunque el método FAHP tenga en esencia la misma metodología del algoritmo AHP, la lógica difusa ayuda a tratar la subjetividad y la incertidumbre en las evaluaciones de criterios, ya que con la lógica difusa, mediante un proceso matemático, permite utilizar un rango en la respuesta en lugar de un número puntual (Akyildiz, Lee, Vuran y Mohanty, 2006, 2008; Akyildiz, Lee y Chowdhury, 2009; Federal Communications Commission, 2003; Dejonghe, Van Wesemael, Pavloski y Chomu, 2011; Etkin, Parekh y Tse, 2007; Gallardo, Pineda y Stevens, 2009; Giupponi y Pérez, 2008; Hernández et al., 2015; Hernández, Giral y Páez, 2015a, 2015b; Hernández, Giral y Santa, 2015; Hernández, Vasquez y Páez, 2015; Hübner, 2007; Kanodia, Sabharwal y Knightly, 2004; Krishnamurthy, Thoppian, Venkatesan y Prakash, 2005; Ramírez y Ramos, 2010, 2013; Saaty, 1990; Stevens, Martínez y Pineda, 2012; Stevens y Wong, 2006; Tanino, Tanaka y Inuiguchi, 2003; Tragos, Zeadally, Fragkiadakis y Siris, 2013; Zheng y Cao, 2005). En el algoritmo FAHP, después de la normalización, el vector de pesos está dado por la ecuación (8).

Recientemente el algoritmo FAHP ha sido utilizado ampliamente para resolver problemas de decisión multicriterio en varias aéreas. Hernandez, Pedraza, Páez y Rodríguez (2015) utilizan FAHP para realizar SA en CRN.

La lógica difusa resulta ser una posición relativa desde el observador principal, sin embargo, las conclusiones de la técnica están respaldas por métricas iniciales que describen el conjunto de valores admisibles de una muestra. De tal manera, la lógica difusa aunque con una tasa de estudio aleatoria permite obtener valores diferentes a los supuestos de verdadero o falso (Gavrilovska, Atanasovski, Macaluso y Dasilva, 2013).

La lógica difusa proporciona al sistema, razonamiento aproximado mediante conjuntos de reglas, teniendo la capacidad de obtener condiciones de incertidumbre mediante la predicción de consecuencias, además de la capacidad de adaptarse a nuevas situaciones (Abbas, Nasser y Ahmad, 2015; Dadios, 2012; Gavrilovska, Atanasovski, Macaluso y Dasilva, 2013).

Diferentes investigaciones (Abbas, Nasser y Ahmad, 2015; Hernandez, Pedraza, Páez y Rodríguez, 2015; Matinmikko, Del Ser, Rauma y Mustonen, 2013) han aplicado la teoría de lógica difusa en la CR para resolver los problemas en función de la asignación del ancho de banda, estudiando de antemano la interferencia y la administración de la energía, los anteriores como métodos de evaluación en la correcta SA. No obstante, diferentes resultados de estudios han detallado tópicos como la inferencia difusa centralizada, que asigna los anchos de banda correspondientes a la intensidad de tráfico y la prioridad del servicio. Así pues, esta última detalla cómo los SU tienen que presentar solicitudes de ancho de banda al administrador primario de la red (Abbas, Nasser y Ahmad, 2015). Del mismo modo el administrador analiza el tráfico desde la cola y verifica los retardos producidos por la demora en la transmisión de paquetes. En otras palabras se determina la latencia para el acceso a SU (Abbas, Nasser y Ahmad, 2015).

Su principal campo de acción se encuentra inmerso en la optimización y búsqueda de soluciones, inspirado en la evolución genética y la selección natural de las especies por naturaleza (Goldberg y Holland, 1988). Los algoritmos evolutivos forman parte de las ciencias de la computación y su principal enfoque está determinado en la inteligencia artificial; siguiendo la terminología de la teoría de la evolución. Así pues, es común encontrar definiciones de los cromosomas y funciones de aptitud como descriptores de un algoritmo genético, en donde los cromosomas, son representaciones abstractas de las soluciones candidatas y la función de aptitud está estrechamente relacionada con el objetivo del algoritmo para los procesos de optimización (He et al., 2010).

La ventaja de utilizar algoritmos genéticos para solucionar el problema de optimización de la SA en CR es que pueden manejar restricciones y objetivos de forma arbitraria, por ejemplo, las soluciones ineficientes son simplemente descartadas por el algoritmo. Del Ser, Matinmikko, Gil y Mustonen, 2010) se utiliza la técnica búsqueda de armonía para encontrar la asignación de canal óptima. El algoritmo genético construye un vector de asignación de canales (llamados armonías); inicialmente se realizan combinaciones y mutaciones de forma inteligente y, luego, en la evaluación se almacenan las mejores armonías (Tragos, Zeadally, Fragkiadakis y Siris, 2013).

Los sistemas multiagente (MAS) se consideran una entidad inteligente y consciente del entorno que es capaz de actuar hábilmente y genera comunicación de forma independiente. MAS está relacionado con el ambiente, los objetivos, otros agentes y las diferentes relaciones entre esas entidades, por lo que los MAS son rápidos, confiables y flexibles (Abbas, Nasser y Ahmad, 2015; Ferber, 1999; Wooldridge, 2009).

Trigui, Esseghir y Merghem (2012) se introdujo un concepto novedoso para direccionar el “espectro de transición” en CR, permitiendo a los terminales cambiar a un banda espectral que ofrezca mejores condiciones mediante una negociación usando MAS. Mir, Esseghir y Gaiti (2011) usaron MAS para compartir dinámicamente el espectro en CR. De acuerdo con las necesidades de SU, los agentes SU cooperan y comunican con los agentes PU para compartir el espectro.

La colonia artificial de abejas (ABC) está compuesta por tres grupos: abejas empleadas, abejas exploradoras y abejas observadoras. El objetivo es determinar las ubicaciones de las mejores fuentes de alimento, para ello las abejas empleadas buscarán las fuentes de alimento y si la cantidad de néctar de la nueva fuente es mayor que una anterior, esta memorizará las nuevas posiciones, olvidándose de la anterior. Las abejas empleadas son iguales al número de fuentes de alimento, las abejas observadoras comparten la información de las fuentes de alimento y las abejas exploradoras buscan nuevas fuentes de alimentos, abandonando la propia (Tragos, Zeadally, Fragkiadakis y Siris, 2013).

Cheng y Jiang (2011) el problema de SA se resuelve utilizando el algoritmo ABC, la ubicación de una abeja o espectador representa una posible asignación de canal y la cantidad de néctar es la utilidad que se maximiza.

El aprendizaje no supervisado puede ser adecuado para las CR que operen en entornos desconocidos de radiofrecuencia (Jayaweera y Christodoulou, 2011). Para este caso, los algoritmos de aprendizaje sin supervisión autónoma permiten la exploración de las características del entorno y toman acciones por sí mismos sin tener ningún conocimiento previo (Jayaweera y Christodoulou, 2011). Sin embargo, si la CR tiene información previa sobre el medio ambiente, puede aprovechar este conocimiento mediante el uso de técnicas de aprendizaje supervisado (Bkassiny, Li y Jayaweera, 2013).

Aprendizaje por refuerzo: Es una técnica que permite a un agente modificar su comportamiento mediante la interacción con su entorno (Sutton y Barto, 1998). Esta herramienta puede ser utilizada por los agentes para aprender de forma autónoma y sin supervisión. En este caso, la única fuente de conocimiento es la retroalimentación que un agente recibe de su entorno después de ejecutar una acción. Dos características principales caracterizan el aprendizaje por refuerzo: 1) ensayo y error y 2) recompensa retardada. Por ensayo y error se supone que un agente no tiene ningún conocimiento previo sobre el medio ambiente, y ejecuta acciones ciegamente con el fin de explorar el entorno. La recompensa retardada es la señal de realimentación que un agente recibe del entorno después de la ejecución de cada acción (Bkassiny, Li y Jayaweera, 2013).

El aprendizaje por refuerzo ha sido incorporado en la CR específicamente en las telecomunicaciones móviles. Abbas, Nasser y Ahmad (2015) muestran la capacidad de implementar un sistema de errores y recompensas en función de cada decisión, optimizando el desempeño en la toma decisiones para la administración del espectro electromagnético.

Teoría de juegos: Es una herramienta matemática que pretende modelar el comportamiento de entidades racionales en un entorno conflictivo (Fudenberg y Tirole, 1991). En las comunicaciones inalámbricas, la teoría de juegos se ha aplicado a las redes de comunicación de datos, para modelar y analizar encaminamiento y la asignación de recursos en entornos competitivos (Bkassiny, Li y Jayaweera, 2013).

La teoría de juegos es utilizada como una herramienta en la que varios jugadores se enfrentan a una serie de situaciones en donde deben tomar medidas que, en la mayoría de los casos, pueden afectar los intereses de los otros (Abbas, Nasser y Ahmad, 2015). Una ventaja clave de la aplicación de soluciones de teoría de juegos a los protocolos CR es en la reducción de la complejidad de los algoritmos de adaptación en grandes CRN (Bkassiny, Li y Jayaweera, 2013). En la literatura actual existen varios trabajos sobre la aplicación de la teoría de juegos en la CR (Ji y Liu, 2007; Nisan, Roughgarden, Tardos y Vazirani, 2007; Zhao, Mao, Neel y Reed, 2009).

El aprendizaje supervisado se usa cuando los datos de entrenamiento están etiquetados, es decir, se conoce información a priori acerca del ambiente. Algoritmos de entrenamiento, como arboles de decisión, redes neuronales, máquinas de soporte vectorial y razonamiento basado en casos funcionan bien para este tema. Difieren ellos mismos en sus fortalezas y limitaciones, desafíos y aplicaciones referentes a la CR (Abbas, Nasser y Ahmad, 2015).

Redes neuronales: Las redes neuronales se asemejan al cerebro en dos aspectos (Haykin, 1998): 1) el conocimiento es adquirido por la red de su entorno a través de un proceso de aprendizaje, y 2) las fuerzas de conexión interneuronas, conocidas como pesos sinápticos, se utilizan para almacenar el conocimiento adquirido. Algunas de las capacidades y ventajas de las redes neuronales incluyen el modelado de comportamientos no lineales y la capacidad de adaptación ante cambios pequeños, y su principal desventaja es la necesidad de realizar un entrenamiento bajo diferentes condiciones del entorno (Bkassiny, Li y Jayaweera, 2013).

Taj y Akil (2011) presentan una metodología para predecir el comportamiento del espectro. La actividad del PU es modelada a través de una serie de tiempo caótica multivariable, la cual se convierte en una entrada a la red neuronal, y esta última predice la evolución de la serie de tiempo para decidir si el SU puede ocupar una SO determinada (Bkassiny, Li y Jayaweera, 2013).

Máquina de soporte vectorial (MSV): Las máquinas de soporte vectorial son el conjunto de algoritmos que tienen la capacidad de aprender bajo la supervisión de un agente de software. Su principal modo de operación está en función de la regresión y la clasificación en el aprendizaje. Esta técnica es utilizada para llegar a márgenes de clasificación en un conjunto de datos, por tanto, el principal objetivo de las MSV consiste en establecer un modelo de predicción en donde una entrada incierta puede ser identificada en una categoría u otra (Abbas, Nasser y Ahmad, 2015; Bkassiny, Li y Jayaweera, 2013; Dadios, 2012; Del Ser, Matinmikko, Gil y Mustonen, 2010; Ferber, 1999; Fudenberg y Tirole, 1991; Goldberg y Holland, 1988; Han, Kamber y Pei, 2011; He et al., 2010; Ji y Liu, 2007; Matinmikko, Del Ser, Rauma y Mustonen, 2013; Mir, Esseghir y Gaiti, 2011; Nisan, Roughgarden, Tardos y Vazirani, 2007; Sutton y Barto, 1998; Taj y Akil, 2011; Trigui, Esseghir y Merghem, 2012; Wooldridge, 2009; Zhao, Mao, Neel y Reed, 2009).

En la literatura actual existen varios trabajos (Petrova, Mahonen y Osuna, 2010; Xu y Lu, 2006) sobre la aplicación de las máquinas de soporte vectorial en la CR.

La función de utilidad tiene por objetivo maximizar la satisfacción del usuario de acuerdo con ciertos parámetros y restricciones. En la SA y de gestión de decisiones, la utilidad mide el nivel de satisfacción del usuario correspondiente a un conjunto de características de una red inalámbrica, incluyendo los parámetros de recursos asignados (Ahmed, Boulahia y Gaiti, 2014). Ormond, Murphy y Muntean (2006) examinan el nivel de satisfacción del usuario mediante el empleo de una función de utilidad para aplicaciones de mejor esfuerzo.

La función de costo a diferencia de la función de utilidad busca minimizar el costo de ciertos parámetros teniendo en cuenta las restricciones del caso. En una SO el costo total se calcula mediante la suma del costo de los parámetros de interés como, calidad de servicio, ancho de banda, retardo y probabilidad de disponibilidad, entre otras (Ahmed, Boulahia y Gaiti, 2014). Wei, Li, Song y Song (2008) presentan una aplicación de la función de costo.

Las redes bayesianas son modelos probabilísticos gráficos que dependen de la interacción de diferentes nodos para así generar aprendizaje en cada nodo involucrado en el proceso; mediante el enfoque bayesiano, que es una técnica de aprendizaje probabilístico, se proveen inferencias exactas y se estiman modelos de probabilidad completa donde el conocimiento a priori o los resultados sean usados para construir un modelo actualizado (Bolstad, 2007; Yonghui, 2010).

Jiang, Chen y Liu (2014) usan un enfoque cooperativo para estimar el estado del canal usando aprendizaje bayesiano para resolver problema de detección multicanal.

Los modelos de Markov (Markov chain analysis, MCA) son usados para modelar procesos aleatorios que cambian de un estado a otro en el tiempo. Son procesos aleatorios donde el estado futuro depende del estado presente y dichos estados son visibles al observador, en contraste con los modelos ocultos de Markov (hidden Markov models, HMM), dichos estados no son visibles (Fraser, 2008). Estas cadenas generan secuencias de observaciones entre transiciones de estado, ya sea en el tiempo o en el espacio, con probabilidades fijas. El estado actual depende de los eventos previos, y sus estructuras determinan el éxito del proceso. Puede asignársele un solo paso o ser extendida a las probabilidades asociadas con cada una de las transiciones dependientes en múltiples eventos que lo preceden (Abbas, Nasser y Ahmad, 2015).

Yifei et al. (2013) usaron toma de decisiones de Markov para el DSA en CRN. Usaron HMM (cadenas ocultas de Markov) en un canal inalámbrico y predijeron el estado del canal. Las decisiones estuvieron basadas en sensibilidad espectral, selección de canal, modulación y esquemas de codificación, potencia transmitida. Pham et al. (2014) utilizaron el handoff de espectro, el cual ocurre cuando un SU requiere cambiarse a un nuevo canal disponible debido a las transmisiones continuas de los datos cuando el PU necesita de ese canal, por lo que el SU requiere estudiar el comportamiento del PU y predecir sus futuros comportamientos para asegurar la transmisión.

Los árboles de decisión son un modelo que predice el valor de una clase objetivo, basada en diversidad de variables de entrada. En un árbol de decisión cada nodo tiene un atributo, cada rama representa el resultado de una prueba y cada hoja representa la etiqueta de una clase. Cada hoja contiene información de la etiqueta de clase (Abbas, Nasser y Ahmad, 2015; Ahmed, Boulahia y Gaiti, 2014; Bkassiny, Li y Jayaweera, 2013; Bolstad, 2007; Cheng y Jiang, 2011; Del Ser et al., 2010; Ferber, 1999; Fraser, 2008; Fudenberg & Tirole, 1991; Gavrilovska et al., 2013; Goldberg y Holland, 1988; Han, Kamber y Pei, 2011; Haykin, 1998; He et al., 2010; Ji y Liu, 2007; Jiang, Chen y Liu, 2014; Matinmikko, Del Ser, Rauma y Mustonen, 2013; Mir, Esseghir y Gaiti, 2011; Nisan, Roughgarden, Tardos y Vazirani, 2007; Ormond. Murphy y Muntean, 2006;Petrova, Mahonen y Osuna, 2010; Pham et al., 2014; Safavian y Landgrebe, 1991; Sutton y Barto, 1998; Taj y Akil, 2011; Trigui, Esseghir y Merghem, 2012; Wooldridge, 2009; Xu y Lu, 2006; Yifei et al., 2013; Yonghui, 2010; Zhao, Mao, Neel y Reed, 2009).