1 / 16

COMPUTACION EVOLUTIVA

COMPUTACION EVOLUTIVA. Introducción. Computación Evolutiva: Enfoque alternativo para abordar problemas complejos de: Búsqueda Aprendizaje Trabaja a través de modelos computacionales de procesos evolutivos Algoritmos evolutivos: Implantaciones concretas de tales modelos

robert
Download Presentation

COMPUTACION EVOLUTIVA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. COMPUTACION EVOLUTIVA Introducción

  2. Computación Evolutiva: • Enfoque alternativo para abordar problemas complejos de: • Búsqueda • Aprendizaje • Trabaja a través de modelos computacionales de procesos evolutivos • Algoritmos evolutivos: • Implantaciones concretas de tales modelos • Propósito: guiar una búsqueda estocástica • haciendo evolucionar un conjunto de estructuras y • seleccionando de modo iterativo las más adecuadas

  3. Contexto • Forma parte de un conjunto de metodologías de resolución que remedan con mayor o menor exactitud procesos naturales: COMPUTACIÓN NATURAL • Por ejemplo: • Redes Neuronales • Solidificación Simulada • Algoritmos Genéticos

  4. Clasificación de procedimientos de optimización • Basada en la naturaleza de las soluciones • NUMÉRICOS (completamente especificada en términos de un conjunto de m parámetros) • COMBINATORIOS (basadas en el orden)

  5. Clasificación de procedimientos de optimización • Basada en el grado de aleatoriedad que se le da al proceso de búsqueda • DETERMINISTAS (procedimiento de búsqueda dirigido: en las mismas condiciones de partida proporciona idénticos resultados) Requiere mucho conocimiento adicional de la función objetivo • ALEATORIAS (al azar: usa argumentos estadísticos) No requiere ninguna información adicional; se puede aplicar a cualquier tipo de problema • ESTOCÁSTICAS (orientadas: la componente determinista orienta la dirección de búsqueda, y la aleatoria se encarga de la búsqueda local )

  6. Clasificación de procedimientos de optimización • Basada en la información disponible sobre la función a optimizar • BÚSQUEDAS CIEGAS (el proceso a optimizar funciona como caja negra) • BÚSQUEDAS HEURÍSTICAS (se dispone de cierta información explícita sobre el proceso a optimizar.) Se la aprovecha para guiar la búsqueda

  7. Teoría moderna de optimización • Añadir conocimiento específico a un problema • En problemas reales de mediana complejidad resulta muy difícil • Es fundamental: • Cuánto añadir? • Cómo añadirlo? • El conocimiento específico sólo sirve cuando es de muy buena calidad • Cuidado! Acentúa la tendencia a estancar la búsqueda en óptimos locales

  8. Las técnicas clásicas de búsqueda determinística y analítica no suelen ser de gran utilidad • Esto obliga a desarrollar nuevos paradigmas • Menos analíticos • Más sintéticos LA BÚSQUEDA DE ANALOGÍAS CON LA NATURALEZA ES MÁS UNA NECESIDAD QUE UNA PREFERENCIA ESTÉTICA

  9. No se persigue una simulación de los procesos naturales • Es más bien una emulación de dichos procesos • Un AE será tanto mejor cuanto mejores resultados proporcione en la resolución del problema planteado • Independientemente de su fidelidad a la biología • La mayoría son enfoques simplistas desde el punto de vista biológico • Pero lo suficientemente complejos como para proporcionar mecanismos de búsqueda robustos y potentes

  10. Estructura genérica de los AEs • AE es cualquier procedimiento estocástico de búsqueda basado en el principio de evolución. • Principio de Evolución: • Supervivencia del más apto • Adaptación al entorno • Los más aptos tienen • más posibilidades de sobrevivir • más oportunidades de transmitir sus características a las generaciones siguientes

  11. Población: conjunto de candidatos a soluciones de un problema • Al ejecutar un AE una población de individuos es sometida a • una serie de transformaciones con las que se actualiza la búsqueda • y después de un proceso de selección que favorece a los mejores individuos

  12. TRANSFORMACIÓN SELECCIÓN GENERACION

  13. Estructura • La CE trata de desarrollar mecanismos estocásticos de búsqueda en paralelo con los que mejorar las técnicas clásicas de búsqueda determinista • Para que la mejora sea efectiva, tales mecanismos deben estar dirigidos (procedimiento de selección)

  14. Herramientas para poder emular un proceso de evolución de un AE • Individuos: población de posibles soluciones debidamente representadas • Selección: procedimiento basado en la APTITUD de los individuos • Transformación: construcción de nuevas soluciones a partir de las disponibles

  15. Implantación sobre este esquema: BeginAlgorithm (EvolutionAlgorithm) P[0]=InitPop(); Población Inicial FitP[0]=EvalPop(P[0]); Aptitudes iniciales for (t=0; t<MaxNumGen; t++) { Q[t]=SelectBreedersFrom(P[t]); Selección de reproductores Q[t]=Transform(Q[t]); Reproducción FitQ[t]=EvalPop(Q[t]); P[t]=SelSurv( P[t],Q[t],FitP[t],FitQ[t]); FitP[t]=EvalPop(P[t]); Evaluación de la nueva población if( ChkTermCond(P[t],FitP[t]) ) Condición de terminación return; } End algorithm

  16. Paradigmas fundamentales • ALGORITMOS GENÉTICOS • Se hace evolucionar una población de enteros binarios sometiéndolos a transformaciones unitarias y binarias genéricas y a un proceso de selección • PROGRAMAS EVOLUTIVOS • Se hace evolucionar una población de estructuras de datos sometiéndolas a una serie de transformaciones específicas y a un proceso de selección • ESTRATEGIAS EVOLUTIVAS • Se hace evolucionar una población de números reales que codifican las posibles soluciones de un problema numérico y los tamaños de salto. La selección es implícita. • PROGRAMACIÓN EVOLUTIVA • Se hace evolucionar una población de máquinas de estados finitos sometiéndolas a transformaciones unitarias

More Related