Incorporando Búsqueda Local a un Algoritmo ACO para el Problema de Scheduling de Tardanza Ponderada Lasso M., de San Pedro M Laboratorio de Tecnologías.

Presentación del tema: "Incorporando Búsqueda Local a un Algoritmo ACO para el Problema de Scheduling de Tardanza Ponderada Lasso M., de San Pedro M Laboratorio de Tecnologías."— Transcripción de la presentación:

1 Incorporando Búsqueda Local a un Algoritmo ACO para el Problema de Scheduling de Tardanza Ponderada Lasso M., de San Pedro M Laboratorio de Tecnologías Emergentes (LabTEm) - UNPA-UACO Leguizamón G. Laboratorio de Investigación y Desarrollo en Inteligencia Computacional (LIDIC) Departamento de Informática - UNSL Resumen La meta-heurística ACO está inspirada en el comportamiento de las hormigas reales; se caracteriza por ser un método de búsqueda distribuida, estocástica y basada en la comunicación indirecta de una colonia artificial de hormigas, transmitida por trayectos artificiales de feromona. Estos trayectos sirven como información usada por las hormigas para construir probabilísticamente soluciones al problema bajo consideración. Las hormigas modifican los trayectos de feromona durante la ejecución del algoritmo para reflejar su experiencia de búsqueda. En la mayoría de las metaheurísticas aplicadas a problemas de planificación, se han incorporado diferentes procesos de búsqueda local para mejorar la calidad de las soluciones. En este informe se presentan dos alternativas aplicadas al problema de Tardanza Total Ponderada en entornos de máquina única para comparar bondades de uno sobre otro, y establecer ventajas y desventajas de aplicar uno u otro algoritmo. Líneas de Investigación Para optimizar la metaheurística ACO tradicional, se han probado diferentes alternativas que permitan al algoritmo encontrar buenas soluciones en menor tiempo, no solamente a través de buenos resultados sino con menor esfuerzo computacional. Las dos propuestas presentadas de mejora del algoritmo ACO utilizan búsqueda local, una a través de búsqueda iterativa sobre buenas soluciones encontradas y la otra a través de la exploración del vecindario mediante la generación de vecinos. En ambos casos se logran mejores resultados que utilizando ACO tradicional, aunque requieren mayor esfuerzo computacional. Trabajos Futuros Se realizará un estudio del comportamiento del algoritmo, variando los parámetros de control, cantidad de hormigas y ciclos. Se analizará de manera detallada la calidad de los resultados, teniendo en cuenta las evaluaciones que realiza el algoritmo y considerando criterios de parada cuando se agrega búsqueda local. Se aplicará ésta metaheurística en otros problemas de planificación y para otros tamaños de problemas. Incorporar a estos problemas, restricciones que no han sido analizadas hasta el momento. Metaheurística ACO Está inspirada en el comportamiento de las hormigas reales. Puede ser aplicada a cualquier problema de optimización. Se caracteriza por ser un método de búsqueda distribuida, estocástica y basada en la comunicación indirecta de una colonia artificial de hormigas, transmitida por trayectos artificiales de feromona. Los trayectos de feromona sirven como información usada por las hormigas para construir probabilísticamente soluciones al problema bajo consideración. Las hormigas modifican los trayectos de feromona durante la ejecución del algoritmo para reflejar su experiencia de búsqueda. LabTEm: El Laboratorio de Tecnologías Emergentes de la UNPA, trabaja con distintos proyectos que se enfocan a la investigación y desarrollo de distintas tecnologías basadas en Sistemas Inteligentes Multiagentes, Aprendizaje Automático y Minería de Datos, para la resolución de distintos problemas de optimización, planificación, edificios inteligentes y principalmente aplicados en el ámbito de la industria (gas, petróleo, hidrógeno y eólicas). Formación de Recursos Humanos: Dos doctorados y dos maestrías en curso, tres becas de posgrado, tres becas de investigación y cuatro pasantías. Búsqueda Local (alternativas) Búsqueda Iterativa sobre buenas soluciones encontradas Exploración del vecindario mediante generación de vecinos No se encuentra una mejor secuencia vecina Criterio de parada Después de cuatro iteraciones que generan igual secuencia de tareas Después de diez iteraciones con soluciones diferentes  Explora el vecindario  Genera soluciones para cada iteración  Construye vecinos a partir del mejor encontrado Operador de adyacencia Operador de inversión Búsqueda Local (alternativas) Búsqueda Iterativa sobre buenas soluciones encontradas Exploración del vecindario mediante generación de vecinos No se encuentra una mejor secuencia vecina Criterio de parada Después de cuatro iteraciones que generan igual secuencia de tareas Después de diez iteraciones con soluciones diferentes  Explora el vecindario  Genera soluciones para cada iteración  Construye vecinos a partir del mejor encontrado