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