M. Lozano, D. Molina, A.M. Sánchez, F. Herrera Sesión Especial basada en la Special Session on Real-Parameter Optimization at CEC-05, Edinburgh, UK, 2-5 Sept. 2005

MAEBs para Optimización Continua Algoritmos genéticos con codificación real. Estrategias de evolución. Programación evolutiva. PSO y ACO. Algoritmos meméticos. Metaheurísticas clasicas: – Enfriamiento simulado. – ILS y VNS. – Búsqueda tabú.

Evolución (CMA-ES) Completely derandomized self-adaptation in evolution strategies Completely derandomized self-adaptation in evolution strategies Hansen N, Ostermeier A EVOLUTIONARY COMPUTATION 9(2), , 2001.

Evolución (AGs Cod. Real) Tackling real-coded genetic algorithms: Operators and tools for behavioural analysis Tackling real-coded genetic algorithms: Operators and tools for behavioural analysis Herrera F, Lozano M, Verdegay JL ARTIFICIAL INTELLIGENCE REVIEW 12(4), , 1998.

Objetivos Posibilitar un foro de encuentro entre investigadores con el objetivo de: Comparar distintos modelos de MAEBs para optimización continua. – Seguir un marco experimental común. Compartir ideas para avanzar hacia la obtención de mejores MAEBs.

Precedentes Special Session on Real-Parameter Optimization at CEC2005, Edinburgh, UK, 2-5 Sept F. Herrera, M. Lozano (Eds.) (2005). Special Issue on Real Coded Genetic Algorithms: Foundations, Models and Operators. Soft Computing 9:4. Sesión Invitada en MAEB'03 : Algoritmos Evolutivos con Codificación Real: Modelos y Operadores. Organizadores: F. Herrera y M. Lozano. Black-Box Optimization Benchmarking (BBOB) A GECCO Workshop for Real-Parameter Optimization

Marco Experimental Sesión Especial de Optimización Continua del CEC’2005: Suganthan, P.N., Hansen, N., Liang, J.J., Deb, K., Chen, Y.P., Auger, A., Tiwari, S. (2005). Problem definitions and evaluation criteria for the CEC 2005 Special Session on Real Parameter Optimization.Problem definitions and evaluation criteria for the CEC 2005 Special Session on Real Parameter Optimization. Technical Report. Nanyang Technological University.

Marco Experimental Problemas de prueba: Funciones F6-25. Número de ejecuciones: 25 veces. Medida de calidad: Media del error del mejor individuo de la población. E(X) = f(X) − f(X*), donde X* es el optimo de la función. Dos estudios: – D=10 y evaluaciones. – D=30 y evaluaciones. Condición de parada: Error obtenido es menor que 10 -8, o cuando se alcanza el número máximo de evaluaciones.

9 Problemas de Prueba Dejamos fuera f1-f5

10 Problemas de Prueba

11 Problemas de Prueba

12 Algoritmos para Comparación

Contribuciones Sesión 1. Miércoles , 10:00 – 11:30 AGs con Codificación Real T1. Domingo Ortiz, A. de Haro-García, R. del Castillo-Gomariz Aprendizaje por reforzamiento aplicado al operador de cruce en algoritmos genéticos con codificación real T2. A.M. Sánchez, M. Lozano, F. Herrera Algoritmos Genéticos para Codificación Real con Operador de Cruce Híbrido con Múltiples Descendientes: 2BLX0.5-2FR0.5-2PNX3-2SBX0.01 Algoritmos Distribuidos T3. I.Robles, J.M. Benitez, M. Lozano, F. Herrera Implementación de un algoritmo genético distribuido para optimización de problemas reales T4. S. Muelas, J.M. Peña, A. La Torre y V. Robles Algoritmos Distribuidos Heterogéneos para problemas de Optimización Continua

Contribuciones Sesión 2. Miércoles , 12:00 – 13:30 PSO, DE, DMO, AEF T5. José García-Nieto, Javier Apolloni y Enrique Alba Algoritmo Basado en Cúmulos de Partículas y Evolución Diferencial para la Resolución de Problemas de Optimización Continua T6. Amilkar Yudier Puri, Rafael Bello, Optimización basada en Mallas Dinámicas Su aplicación en la solución de problemas de optimización continuos T7. Silvia Alonso, Juan I. Jiménez, Himar Carmona, Blas Galván, Gabriel Winter, Begoña González Comportamiento de un Algoritmo Evolutivo Flexible Para Problemas de Optimización continua T8. La Torre, J. M. Peña, J. Fernández, y S. Muelas MOS como Herramienta para la Hibridación de Algoritmos Evolutivos

Contribuciones Sesión 3. Miércoles , 15:00 – 16:30 Modelos Híbridos T9. C. Blum, P. Cardoso, F. Herrera ACO R híbrido con múltiples colonias para problemas de optimización continua T10. Abraham Duarte, Rafael Marti, Fred Glover Adaptive Memory Programming for Global Optimization T11. D. Molina, M. Lozano, F. Herrera Algoritmo Memético Basado en Encadenamiento de Búsquedas Locales para Problemas de Optimización Continua

Análisis y Debate Presentación de un análisis global de resultados: F. Herrera (5 Minutos) Debate: Nuevos retos en el desarrollo de modelos MAEB para optimización continua (20 minutos)