Búsqueda Dispersa.Metodología y Aplicaciones
Rafael Martí
Universidad de Valencia
R. Martí. Universidad de Valencia. 2
Orígenes
Propuesto por Fred Glover en 1977Basado en estrategias de optimización presentadas en un conferencia en Austin, Tejas (1967).
Es un método evolutivo que combina soluciones en un conjunto de referencia para crear nuevas soluciones.
La noción de combinar elementos para crear otros nuevos se originó en la década de los 60.
Combinar reglas de selección en scheduling.Combinar restricciones en programación entera (restricciones subrogadas).
R. Martí. Universidad de Valencia. 3
Inicios del Método
1967 Fundamentos y principios básicos
1977Primera descripción publicada
1994Método híbrido Tabu Search / Scatter Search
1997Template (Esquema Algorítmico)
R. Martí. Universidad de Valencia. 4
Primera Descripción (1977)
Conjunto de referenciaCentroides
Combinaciones convexas
Búsqueda sistemáticaNo aleatoria
A
C
B
4
5
16
8
3
2 1
12
96
15
1114
7
10
13
R. Martí. Universidad de Valencia. 5
SS/TS Híbrido (1990)
Problemas de permutacionesCalidad / DiversidadBúsquedas lineales
Ponderar
Path Relinking
R. Martí. Universidad de Valencia. 6
Template (1997)
Único Conjunto de ReferenciaUso de Búsqueda LocalDiversificar ≠ Aleatorizar
Esquema (5 métodos)
A4
12
C
3
B
R. Martí. Universidad de Valencia. 7
Publicaciones
Glover, F., Tabu search for non-linear and parametric optimisation (with links to genetic algorithms) Discrete Applied Mathematics 49, 231-255. 1994.
Glover, F., A Template for Scatter Search and Path Relinking, in Artificial Evolution, Lecture Notes in Computer Science 1363, Springer-Verlag, pp. 13-54. 1998.
M. Laguna and R. Martí, Scatter Search: Methodology and Implementations in C, Kluwer, 2003.
European Journal of Operational Research, Feature Issue on SCATTER SEARCH METHODS FOR OPTIMIZATION.
R. Martí. Universidad de Valencia. 8
Número de Publicaciones
02468
1012141618202224
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Year
Num
. of R
efs.
R. Martí. Universidad de Valencia. 9
Impacto del método
Motor de Búsqueda
Tabu Search Genéticos ScatterSearch
All the Web 3.972 35.741 4.224
Google 20.000 198.000 22.300
Msn 4.347 36.685 4.200
Yahoo 36.300 209.000 25.400
R. Martí. Universidad de Valencia. 10
Conocimiento del problema
Hay elementos del método que son independientes del problema, pero otros deben ser diseñados “ex-profeso” y requieren de conocimiento sobre la estructura del problema.
Métodos dependientes del problema:Construcción de solucionesEl método de combinaciónLa búsqueda local
R. Martí. Universidad de Valencia. 11
Combinación Lineal (2D)
1 2 3 4 5 6 7 8 9 10 11 12 13
1
2
3
4
5
6
7
8
9
10
x2 = (8,4)
x1 = (5,7)
x4 = (6.5,5.5)α = 1/2
x5 = (11,1)α = 1
x3 = (9,7)α = 2/3
x3 = x1 - α*(x2 - x1)
x4 = x1 + α*(x2 - x1)
x5 = x2 + α*(x2 - x1)
R. Martí. Universidad de Valencia. 12
Combinación basada en votos
Ejemplo de rutas de vehículos:Solución A: A1 = { 4, 2, 7, 1 }, A2 = { 5, 10, 6, 9, 3, 8 }Solución B: B1 = { 2, 6, 8, 10, 9 }, B2 = { 3, 4, 7, 1, 5 }
Paso Par Voto 1 Voto 2 Asignación Regla1 (A1,B2) 4 3 N1 ={ 4 } azar2 (A2,B1) 5 2 N2 ={ 2 } azar3 (A1,B2) 7 3 N1 ={ 4, 3 } 3 antes 74 (A2,B1) 5 6 N2 ={ 2, 5 } 5 antes 65 (A1,B2) 7 7 N1 ={ 4, 3, 7 } igual6 (A2,B1) 10 6 N2 ={ 2, 5, 6 } azar7 (A1,B2) 1 1 N1={ 4, 3, 7, 1} igual8 (A2,B1) 10 8 N2 = {2,5,6,10} 10 antes 89 9 8 N2={2,5,6,10,8} 8 antes 9
10 9 9 N2={2,5,6,10,8,9} igual
R. Martí. Universidad de Valencia. 13
Esquema: “Template”
1. Método de Generación Diversa2. Método de Mejora3. Conjunto de Referencia *
InicializaciónActualizaciónReconstrucción
4. Generación de Subconjuntos *5. Combinación de Soluciones
* Independiente del Problema
R. Martí. Universidad de Valencia. 14
Esquema Básico
1. Generador P2. Mejora
2. MejorarRepetir hasta completar P
R3. Extraer las Mejores(Calidad y Diversidad)
5. Combinar
4. Seleccionar
R. Martí. Universidad de Valencia. 15
1. Generación Diversa
Construimos un Conjunto de Soluciones P con un cierto nivel de Calidad y Diversidad, del que se extraerá el Conjunto de Referencia R
Pp ≥ 10*b
R
R. Martí. Universidad de Valencia. 16
2. Método de Mejora
Para obtener soluciones de Calidad, aplicamos un método de mejora (usualmente una “Búsqueda Local”)
Aplicar a:Soluciones OriginalesSoluciones Combinadas
Solución Inicial
Solución Mejorada
R. Martí. Universidad de Valencia. 17
3. Conjunto de Referencia
3.1 Inicialización:R se construye con la mitad de soluciones de calidad y la otra mitad por diversidad. Se ordenan todas por calidad.
RMejores Soluciones
P
Soluciones a máxima distancia
R. Martí. Universidad de Valencia. 18
3. Conjunto de Referencia
3.2 Actualización:Cada solución resultado de combinar, entra en el conjunto de referencia si mejora (en calidad) a la peor.|R| se mantiene constante
R
Nueva Solución
Solución Eliminada
R. Martí. Universidad de Valencia. 19
3. Conjunto de Referencia
3.3 ReconstrucciónCuando el método de combinación no puede generar nuevas soluciones de calidad, se reconstruye RMantenemos la mitad de calidad y eliminamos el restoGeneramos un nuevo P y extraemos |R|/2 soluciones diversas con las de R.
R
Nuevo PMantenerestas soluciones
Soluciones a máxima distancia
R. Martí. Universidad de Valencia. 20
4. Generación de Subconjuntos
El procedimiento genera subconjuntos de R, de forma determinista, a los que se aplica el método de combinación.Las combinaciones no se limitan a parejas de soluciones.En la práctica hemos comprobado en algunos problemas que:
R
Alrededor del 80% de las soluciones de Restán generadas por combinaciones de 2 soluciones.
R. Martí. Universidad de Valencia. 21
5. Combinación de Soluciones
En la mayor parte de los problemas hay que diseñar métodos de combinación específicos.Se pueden aplicar de forma selectivaUtilizar elementos aleatorios
R1
2
3
4
Generar n soluciones
Generar m soluciones
R. Martí. Universidad de Valencia. 22
Esquema
RConstruir / Reconstruir Combinar
1. Generador 4. Seleccionar
2. Mejora 5. Combinar
2. MejorarP
Hay nuevassolucionesen R?
Combinar
Reconstruir R o Parar
No
Si
R. Martí. Universidad de Valencia. 23
Extensiones y Mejoras
Generador (Diversificación)Utilizar “memoria” (frecuencias) para generar de forma determinista buenas soluciones diversas.
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
DG05 DG04 DG02 DG01 DG09 DG08 DG06 DG03 DG07 DG10
Procedure
∆C
∆d
∆C+∆d
∆
R. Martí. Universidad de Valencia. 24
Extensiones y Mejoras
Búsqueda LocalUtilizar un procedimiento con “memoria” como Tabu Search en lugar de una búsqueda local.Estudiar el tiempo que hay que dedicar a Generar y el dedicado a Mejorar.
R. Martí. Universidad de Valencia. 25
Extensiones y Mejoras
Actualización de REstática versus Dinámica (Agresiva)Considerar también la Diversidad
R
1
2
3
4
Ns
R. Martí. Universidad de Valencia. 26
Aplicacioneshttp://www.uv.es/~rmarti/scattersearch
AssignmentBinary ProblemsClustering / SelectionColoringCommercial Soft.ContinuousGraph Drawing / Graph ProblemsKnapsackLinear OrderingMixed Integer Prog.MultiObjectiveNeural Networksp-MedianPermutation ProblemsRouting / Scheduling
R. Martí. Universidad de Valencia. 27
Código Comercial
Paquete de optimización OptQuest basado en Scatter Search.
http://www.opttek.com/
R. Martí. Universidad de Valencia. 28
OptQuest versus Genocop
1.0E+03
1.0E+04
1.0E+05
1.0E+06
1.0E+07
1.0E+08
1.0E+09
1.0E+10
1.0E+11
1.0E+12
1.0E+13
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Evaluations
Ave
rage
obj
ectiv
e fu
nctio
n va
lue
(Log
arith
mic
scal
e)
GenocopOCL
1.0E+03
1.0E+04
1.0E+05
1.0E+06
1.0E+07
1.0E+08
1.0E+09
1.0E+10
1.0E+11
1.0E+12
1.0E+13
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Evaluations
Ave
rage
obj
ectiv
e fu
nctio
n va
lue
(Log
arith
mic
scal
e)
GenocopOCL
R. Martí. Universidad de Valencia. 29
Conclusiones
La Búsqueda Dispersa es un método evolutivo capaz de obtener soluciones de calidad a problemas difíciles.Algunos aspectos están claramente establecidos y otros requieren de más estudio.Su arquitectura permite el diseño de sistemas independientes del contexto.Actualmente está en plena expansión.