1 Primer Semana del Posgrado del ITLP Efectos de los Parámetros Migratorios en Algoritmos Genéticos Distribuidos Marco Antonio Castro Liera La Paz, B.C.S., Octubre de 2010

2 Organización de la Plática: Algoritmos Genéticos Elementos y funcionamiento Operadores genéticos Paralelización de los AG Máquinas paralelas vs Clusters Formas de paralelización AG Distribuidos Migración Otros algoritmos de optimización PSO PSO Distribuido (La versión choyera) Demo

3 Algoritmos Genéticos (Orígenes) John H. Holland “Adaptación en Sistemas Naturales y Artificiales” (1975) Universidad de Michigan Inspirados en: Evolución natural de poblaciones. Darwin (supervivencia del más apto). Mendel, (transferencia de información genética).

4 Problemas de optimización complejos

5 Problemas de Optimización Complejos Competencia de Computación Evolutiva CEC P. N. Suganthan (Ediciones del 2005 a la fecha) ● CEC05 Optimización de problemas un Solo Objetivo ● CEC06 Optimización de problemas un Solo Objetivo con Restricciones ● CEC07 Algoritmos de optimización Multi-Objetivos ● CEC08 Optimización de problemas de gran escala ● CEC09 Optimización Dinámica ● (En ambientes dinámicos y con incertidumbre) ● CEC09 Algoritmos de Optimización Multi-Objetivos con restricciones

6 Algoritmo Genético Simple

7 Selección Seleccionar individuos para formar parte de la siguiente generación. Los Individuos más adaptados pueden ser seleccionados varias veces, mientras que los menos adaptados pueden no ser seleccionados. Los dos métodos más comunes son por torneo y el método de la ruleta En el método de torneo, simplemente se escoge el elemento con mejor aptitud de una muestra de z soluciones posibles.

8 Representación Real El cromosoma es un vector de números reales, en vez de una cadena de bits:

9 Cruce Real Por ejemplo:

1010 Mutación Real Mutación Uniforme

1 Mutación Real Mutación No Uniforme h es un bit aleatorio (0 o 1), r es un # aleatorio [0,1] b parámetro que determina cuanto depende Δ del número de generación

1212 Factores a considerar Representación Función de Aptitud Parámetros Tamaño de la población GMAX Presión de selección Elitismo Probabilidad de selección Tamaño de torneo Probabilidad de mutación Entre otros…. Convergencia Prematura El algoritmo puede converger hacia un óptimo local

1313 Paralelización de los AG Ayuda a mantener la diversidad genética al buscar en diferentes sub-espacios de forma simultánea, por lo que reducen la posibilidad de convergencia prematura. Algunos problemas requieren el mantener poblaciones que necesitan grandes cantidades de memoria. En algunos casos esto no permite su ejecución en una sola computadora, lo cual trae consigo la necesidad de usar cómputo paralelo. Usar una forma de paralelización puede reducir el tiempo necesario para completar el algoritmo.

1414 Computadoras Paralelas Vs. Clusters Un cluster es un conjunto de computadoras que intercambian mensajes a través de una red, para emular una máquina paralela PVM LAM/MPI MPICH Factores a considerar: Costo Velocidad de Interconexión de los procesadores

1515 Formas de Paralelización de los AG Maestro-Esclavo Síncronos Asíncronos Sub-Poblaciones Estáticas Superpuestas Sub-Poblaciones Estáticas con Migración Algoritmos Genéticos Masivamente Paralelos Sub-Poblaciones Dinámicas Algoritmos Genéticos de Estado Estable Algoritmos Genéticos Desordenados (Messy) Métodos Híbridos

1616 Algoritmos Genéticos Distribuidos Sub-Poblaciones Estáticas con Migración. Tambien conocidos como Modelo de Islas. Utilizan la migración como forma de intercambio de material genético entre las sub-poblaciones. Tienen como ventaja al implementarse en clusters, el que se puede limitar el uso del ancho de banda de interconexion entre procesadores. Cada sub-población es una tarea independiente

1717 AG Distribuidos sobre PVM La unidad mínima de paralelización es una tarea (task) Se usó una tarea maestra encargada de iniciar la ejecución de las sub-poblaciones, y la consolidación final de resultados Se crea una tarea esclava por cada sub-población que se encarga de operar el AG y migrar individuos via la tarea maestra.

1818 Migración Cada MP generaciones se intercambian MR individuos entre las sub-poblaciones. Se llama Período Migratorio al número de generaciones que se ejecutan entre migraciones Se llama Razón de Migración a la cantidad de individuos que se intercambian en cada proceso de migración

1919 Objetivos del Proyecto (POR FIN!!!) ● Determinar el efecto de la variación de los parámetros migratorios en algoritmos genéticos distribuidos en eficacia y la eficiencia del algoritmo. ● Establecer los rangos de operación de los parámetros migratorios para validar su modificación como estrategia de balanceo de carga en clusters heterogéneos.

2020 Avances ● Cluster de la División de Estudios de Posgrado e Investigación para su futura aplicación a proyectos de cómputo paralelo. ● Librerías de programación en C que permitan la fácil implementación de los algoritmos evaluados en problemas de optimización de parámetros reales. ● En proceso, el análisis estadísticos de los resultados en base a pruebas con la batería de funciones CEC05 reconocida para problemas de optimización de funciones reales escalables.

2121 PSO (Particle Swarm Optimization) PSO vs AG Similitudes: ● Ambos estan basados en el concepto de población ● Ambos requieren la evaluación de la apritud de los individuos ● Ambos son generacionales Sin embargo la forma en la que los dos algoritmos exploran el espacio de búsqueda es fundamentalmente diferente. Cada individuo tiene memoria de su mejor posición y de la mejor posición de sus vecinos Operadores principales: ● Actualización de Velocidad ● Actualización de Posición

2 PSO sin Paralelización Schutte et al 2003

2323 PSO Distribuido (Versión Choyera) Cada tarea se encarga de un enjambre, la actualización de la mejor posición global, se hace en anillo con las tareas vecinas.

2424 Gracias Por Su Atención!!!!!