Los incendios forestales tienen efectos significativamente negativos sobre la ecologiíta, economía y sociedad. La simulación de propagación del fuego es todo un reto, debido a la complejidad de los modelos físicos implicados, de la necesidad de una gran cantidad de cómputo y de las dificultades en proporcionar los parámetros de la entrada exactos. Hay ciertos parámetros que no se pueden medir directamente, pero que pueden ser estimados a partir de las medidas indirectas (por ejemplo, los contenidos de agua en la vegetación). Otros parámetros se pueden medir en algunos puntos particulares, pero el valor de tales parámetros se debe, entonces, interpolar al terreno entero (por ejemplo, la velocidad del viento y la dirección). En ambos casos es extremadamente difícil saber el valor exacto de cada parámetro en tiempo de ejecución. Todos estos factores implican que, en la mayoría de los casos, los resultados proporcionados por los simuladores no concuerdan con la propagación del fuego real. Así, los simuladores no son enteramente útiles, puesto que las predicciones no son confiables. Los parámetros de entrada son una de las principales fuentes de desviación entre los resultados del simulador y la propagación del fuego real. Una manera de superar este problema consiste en la optimización de los parámetros de entrada con el objetivo de encontrar un conjunto de valores de entrada de modo que la propagación predicha del fuego concuerde con la propagación del fuego real. Algoritmos evolutivos para optimizar los parámetros de la entrada se han utilizado. Sin embargo, tales técnicas de optimización se deben realizar en tiempo real, y por lo tanto, se deben aplicar algunos métodos para acelerar el proceso de optimización. En este trabajo, hemos aplicado un análisis de sensibilidad a los parámetros de entrada del simulador, con el objetivo de determinar cuales de ellos afectan más el resultado de la simulación, una vez identificados los parámetros más sensibles, se concentra el esfuerzo de optimización sobre ellos aprovechamos así, el cómputo ofrecido por los sistemas distribuidos.A continuación se describe la organización de la tesis:En el capítulo uno introducimos la ciencia computacional y la predicción de propagación de incendios forestales. Después introducimos la metodología para mejorar la predicción (capítulo 2). En el capitulo 3, discutimos las maneras posibles de paralelizar la metodología y la implementación de la misma. Los resultados experimentales de comparación de algoritmos de optimización se incluyen en el capitulo 4. En capítulo 5 se describen diferentes estrategias para acelerar la optimización. Y, por último la aplicación de la metodología sobre casos reales se presenta en el capítulo 6. / Wild land fire is an important problem from the ecological, economical and social point of view. Fire propagation simulation is seen as a challenging problem in the area of simulation, due to the complexity of the physical models involved, the need for a great amount of computation and the difficulties of providing accurate input parameters. There are certain parameters that cannot be measured directly, but that must be estimated from indirect measures (for example, the moisture contents in vegetation). Other parameters can be measured in some particular points, but the value of such parameters must then be interpolated to the whole terrain (for example, the wind speed and direction). In both cases it is extremely difficult to know the exact value of each parameter at run-time. All these factors imply that, in most cases, the results provided by simulation tools do not match real propagation. Thus, that simulation tools are not wholly useful, since the predictions are not reliable. Input parameters appear as one of the major sources of deviation between predicted results and real-fire propagation. A way to overcome this problem, consist of optimizing the input parameters with the aim of finding an input set so that predicted fire propagation matches real fire propagation. Evolutionary algorithms have been used to optimise the input parameters. However, such optimization techniques must be carried out during real time operation and, therefore, some methods must be applied to accelerate the optimization process. For this purpose, we propose to apply a sensitivity analysis to the input parameters in order to asses their output impact degree and, consequently, determine the parameters that are worthy to spend time in tuning and the parameters that is better not to spent too much effort on them and keep them in an estimated value. These methods take advantage of the computational power offered by distributed systems.The thesis is organized as followsFirst we introduce computational science and some issues of forest fire propagation prediction. Then we introduce a theoretical description of the enhanced prediction method (Chapter 2). Then, we discuss the possible ways of parallelizing the method and a description of the implementation is stated in chapter 3. After that an illustration of experimental comparison of the implemented optimization techniques is reported in chapter 4. We discuss, in chapter 5, the theory and experiments of possible ways to accelerate the optimization methods. Finally, in chapter 6, an application of the complete methodology on real cases is included. In the following we describe in more details each chapter.In chapter 2, we describe a pragmatic approach that intended to improve the prediction quality of forest-fire simulators with the existence of all imperfections in real life (described in the introduction). As mentioned, enhanced prediction method is based on searching for values of input parameters that enhance the prediction of the simulators. Therefore, search methods occupy an important part of the Thesis. Thus, a theoretical discussion of search methods is introduced in chapter [cha:A-methodology-to].Chapter 3 discusses the way we have parallelized the method to reduce the time of execution and make it possible to execute the method in reasonable time. In addition, a full description of the implementation of the method is reported.In chapter 4, we illustrate our experimental study to tune and compare several optimization techniques that could be used in the proposed methodology. Chapter 5 describes the ways to accelerate the optimization method so that we can reach the optimal solution in less iteration and, therefore in less time. In the same chapter we illustrate the experimental study performed.In chapter 6, we apply this methodology on real fire lines extracted from laboratory experiment, which were specifically designed to test our methodology.Finally, in chapter 7, we address the main conclusions and propose future directions that can extend and enhance this research.