Modelado de Algoritmos Evolutivos:Un enfoque practico
Mario Graff
University of Essex
Mayo 2010
Mario Graff (University of Essex) IEEE 2010 1 / 30
Indice
Algoritmos Evolutivos
Algoritmos GeneticosProgramacion Genetica
Definicion del problema
Solucion propuesta
Aplicaciones
Conclusiones
Mario Graff (University of Essex) IEEE 2010 2 / 30
Algoritmos Evolutivos
Algoritmos Evolutivos
Metodos de optimizacion y busqueda de soluciones
Basados en los postulados de la evolucion biologica
SupervivenciaReproduccion
Poblacion de posibles soluciones
Se mezclan y compiten entre si
Evolucionando hacia mejores soluciones
Mario Graff (University of Essex) IEEE 2010 3 / 30
Algoritmos Evolutivos
Algoritmos Evolutivos (II)
Sí
criterio de
terminación?
Máximo
número de
generaciones
Operadores
Selección
Genéticos
Crear
Población
Inicial
encontrado
mejor individuo
Regresa
No Sí
No
¿Cumple
Mario Graff (University of Essex) IEEE 2010 4 / 30
Algoritmos Evolutivos
Algoritmos Evolutivos (II)
Sí
criterio de
terminación?
Máximo
número de
generaciones
Operadores
Selección
Genéticos
Crear
Población
Inicial
encontrado
mejor individuo
Regresa¿Cumple
No Sí
No
Mario Graff (University of Essex) IEEE 2010 5 / 30
Algoritmos Evolutivos
Algoritmos Evolutivos (III)
Estrategias Evolutivas (Evolution Strategies)
Algoritmos Geneticos (Genetic Algorithms)
Programacion Genetica (Genetic Programming)
Evolucion Gramatical (Grammatical Evolution)
Mario Graff (University of Essex) IEEE 2010 6 / 30
Algoritmos Evolutivos
Algoritmos Evolutivos (III)
Estrategias Evolutivas (Evolution Strategies)
Algoritmos Geneticos (Genetic Algorithms)
Programacion Genetica (Genetic Programming)
Evolucion Gramatical (Grammatical Evolution)
Mario Graff (University of Essex) IEEE 2010 6 / 30
Algoritmos Evolutivos
Algoritmos Evolutivos (III)
Estrategias Evolutivas (Evolution Strategies)
Algoritmos Geneticos (Genetic Algorithms)
Programacion Genetica (Genetic Programming)
Evolucion Gramatical (Grammatical Evolution)
Mario Graff (University of Essex) IEEE 2010 6 / 30
Algoritmos Geneticos (AG)
AG
Mario Graff (University of Essex) IEEE 2010 7 / 30
Algoritmos Geneticos (AG)
AG (II)
Mario Graff (University of Essex) IEEE 2010 8 / 30
Algoritmos Geneticos (AG)
AG (III)
Mario Graff (University of Essex) IEEE 2010 9 / 30
Algoritmos Geneticos (AG)
Aplicaciones
Optimizacion
Diseno
Prediccion
Clasificacion
Planificacion de recursos
Mario Graff (University of Essex) IEEE 2010 10 / 30
Algoritmos Geneticos (AG)
Aplicaciones
Optimizacion
Diseno
Prediccion
Clasificacion
Planificacion de recursos
Mario Graff (University of Essex) IEEE 2010 10 / 30
Programacion Genetica (PG)
PG
Mario Graff (University of Essex) IEEE 2010 11 / 30
Programacion Genetica (PG)
PG (II)
Mario Graff (University of Essex) IEEE 2010 12 / 30
Programacion Genetica (PG)
Aplicaciones
Programacion automatica
Identificacion de sistemas
Algoritmos de compresion
Regresion simbolica
Creacion de heurısticas
Mario Graff (University of Essex) IEEE 2010 13 / 30
Programacion Genetica (PG)
Aplicaciones
Programacion automatica
Identificacion de sistemas
Algoritmos de compresion
Regresion simbolica
Creacion de heurısticas
Mario Graff (University of Essex) IEEE 2010 13 / 30
Programacion Genetica (PG)
¿Preguntas?
Mario Graff (University of Essex) IEEE 2010 14 / 30
Definicion del Problema
Definicion del Problema
Mario Graff (University of Essex) IEEE 2010 15 / 30
Definicion del Problema
Problema (II)
Comanda
Ingredientes
Descripcion de lo que se quiere
Posible solucion
... ineficiente
Mario Graff (University of Essex) IEEE 2010 16 / 30
Definicion del Problema
Problema (II)
Comanda
Ingredientes
Descripcion de lo que se quiere
Posible solucion ... ineficiente
Mario Graff (University of Essex) IEEE 2010 16 / 30
Definicion del Problema
Mejor Solucion
Mario Graff (University of Essex) IEEE 2010 17 / 30
Definicion del Problema
Mejor Solucion (II)
Mario Graff (University of Essex) IEEE 2010 18 / 30
Modelado
MODELADO
Mario Graff (University of Essex) IEEE 2010 19 / 30
Modelado
Modelado
Mario Graff (University of Essex) IEEE 2010 20 / 30
Modelado
Modelado (II)
Mario Graff (University of Essex) IEEE 2010 21 / 30
Modelado
Modelado (III)
Mario Graff (University of Essex) IEEE 2010 22 / 30
Modelado
Modelado (IV)
calidad(Ingre) = a0 +∑i∈S
ai similitud(Ingre, i)
Mario Graff (University of Essex) IEEE 2010 23 / 30
Modelado
Mejor Solucion (III)
Mario Graff (University of Essex) IEEE 2010 24 / 30
Aplicaciones
... interesante (aburrido) ... pero ¿para que sirve?
Ingredientes ...
problema
Parametro de motores
Raıces de una ecuacion
Disenar una linea de transmision
Cocineros ...
solucion del problema
Metodos de optimizacion
Metodos numericos
Programacion automatica
Mario Graff (University of Essex) IEEE 2010 25 / 30
Aplicaciones
... interesante (aburrido) ... pero ¿para que sirve?
Ingredientes ... problema
Parametro de motores
Raıces de una ecuacion
Disenar una linea de transmision
Cocineros ...
solucion del problema
Metodos de optimizacion
Metodos numericos
Programacion automatica
Mario Graff (University of Essex) IEEE 2010 25 / 30
Aplicaciones
... interesante (aburrido) ... pero ¿para que sirve?
Ingredientes ... problema
Parametro de motores
Raıces de una ecuacion
Disenar una linea de transmision
Cocineros ... solucion del problema
Metodos de optimizacion
Metodos numericos
Programacion automatica
Mario Graff (University of Essex) IEEE 2010 25 / 30
Aplicaciones
Otros ejemplos
Algoritmos de Ordenamiento
Burbuja
Quicksort
Heapsort
Seleccionar un algoritmo
Recursion
Memoria
Tiempo
Librerıas
Optimizacion
Algebraicas
Factores
Arquitectura
Carga del servidor
Mario Graff (University of Essex) IEEE 2010 26 / 30
Aplicaciones
Prediccion de Calidad
Requisitos
Problemas: t1, t2, . . . , tn
Similitud: d(ti , tj)
P(t) = a0 +∑i∈S
ai d(t, i)
Mario Graff (University of Essex) IEEE 2010 27 / 30
Conclusiones
y todo esto porque (motivaciones)
Modelos Exactos
Cadenas de Markov
Teorıa de Esquemas
Crıticas
Numero de ecuaciones
Problemas no practicos
Versiones simplificadas
Parametros no realistas (e.g. poblaciones infinitas)
Brecha entre la teorıa y la practica
Mario Graff (University of Essex) IEEE 2010 28 / 30
Conclusiones
y todo esto porque (motivaciones)
Modelos Exactos
Cadenas de Markov
Teorıa de Esquemas
Crıticas
Numero de ecuaciones
Problemas no practicos
Versiones simplificadas
Parametros no realistas (e.g. poblaciones infinitas)
Brecha entre la teorıa y la practica
Mario Graff (University of Essex) IEEE 2010 28 / 30
Conclusiones
y todo esto porque (motivaciones)
Modelos Exactos
Cadenas de Markov
Teorıa de Esquemas
Crıticas
Numero de ecuaciones
Problemas no practicos
Versiones simplificadas
Parametros no realistas (e.g. poblaciones infinitas)
Brecha entre la teorıa y la practica
Mario Graff (University of Essex) IEEE 2010 28 / 30
Conclusiones
Conclusiones
¿Para que modelar algoritmos?
Predecir calidad de la solucion
Seleccionar algoritmos
Obtener un mejor algoritmo
Optimizar recursos
Entender las diferencias entre diferentes algoritmos
Mario Graff (University of Essex) IEEE 2010 29 / 30
Conclusiones
...
¿Preguntas?
Mario Graff (University of Essex) IEEE 2010 30 / 30