COMPUTACION EVOLUTIVA Introducción

Computación Evolutiva: Computación Evolutiva: Enfoque alternativo para abordar problemas complejos de: Enfoque alternativo para abordar problemas complejos de: Búsqueda Búsqueda Aprendizaje Aprendizaje Trabaja a través de modelos computacionales de procesos evolutivos Trabaja a través de modelos computacionales de procesos evolutivos Algoritmos evolutivos: Algoritmos evolutivos: Implantaciones concretas de tales modelos Implantaciones concretas de tales modelos Propósito: guiar una búsqueda estocástica Propósito: guiar una búsqueda estocástica haciendo evolucionar un conjunto de estructuras y haciendo evolucionar un conjunto de estructuras y seleccionando de modo iterativo las más adecuadas seleccionando de modo iterativo las más adecuadas

Contexto Forma parte de un conjunto de metodologías de resolución que remedan con mayor o menor exactitud procesos naturales: COMPUTACIÓN NATURAL Forma parte de un conjunto de metodologías de resolución que remedan con mayor o menor exactitud procesos naturales: COMPUTACIÓN NATURAL Por ejemplo: Por ejemplo: Redes Neuronales Redes Neuronales Solidificación Simulada Solidificación Simulada Algoritmos Genéticos Algoritmos Genéticos

Clasificación de procedimientos de optimización Basada en la naturaleza de las soluciones Basada en la naturaleza de las soluciones NUMÉRICOS (completamente especificada en términos de un conjunto de m parámetros) NUMÉRICOS (completamente especificada en términos de un conjunto de m parámetros) COMBINATORIOS (basadas en el orden) COMBINATORIOS (basadas en el orden)

Clasificación de procedimientos de optimización Basada en el grado de aleatoriedad que se le da al proceso de búsqueda Basada en el grado de aleatoriedad que se le da al proceso de búsqueda DETERMINISTAS (procedimiento de búsqueda dirigido: en las mismas condiciones de partida proporciona idénticos resultados) DETERMINISTAS (procedimiento de búsqueda dirigido: en las mismas condiciones de partida proporciona idénticos resultados) Requiere mucho conocimiento adicional de la función objetivo ALEATORIAS (al azar: usa argumentos estadísticos) No requiere ninguna información adicional; se puede aplicar a cualquier tipo de problema ALEATORIAS (al azar: usa argumentos estadísticos) No requiere ninguna información adicional; se puede aplicar a cualquier tipo de problema ESTOCÁSTICAS (orientadas: la componente determinista orienta la dirección de búsqueda, y la aleatoria se encarga de la búsqueda local ) ESTOCÁSTICAS (orientadas: la componente determinista orienta la dirección de búsqueda, y la aleatoria se encarga de la búsqueda local )

Clasificación de procedimientos de optimización Basada en la información disponible sobre la función a optimizar Basada en la información disponible sobre la función a optimizar BÚSQUEDAS CIEGAS (el proceso a optimizar funciona como caja negra) BÚSQUEDAS CIEGAS (el proceso a optimizar funciona como caja negra) BÚSQUEDAS HEURÍSTICAS (se dispone de cierta información explícita sobre el proceso a optimizar.) BÚSQUEDAS HEURÍSTICAS (se dispone de cierta información explícita sobre el proceso a optimizar.) Se la aprovecha para guiar la búsqueda

Teoría moderna de optimización Añadir conocimiento específico a un problema Añadir conocimiento específico a un problema En problemas reales de mediana complejidad resulta muy difícil En problemas reales de mediana complejidad resulta muy difícil Es fundamental: Es fundamental: Cuánto añadir? Cuánto añadir? Cómo añadirlo? Cómo añadirlo? El conocimiento específico sólo sirve cuando es de muy buena calidad El conocimiento específico sólo sirve cuando es de muy buena calidad Cuidado! Acentúa la tendencia a estancar la búsqueda en óptimos locales Cuidado! Acentúa la tendencia a estancar la búsqueda en óptimos locales

Las técnicas clásicas de búsqueda determinística y analítica no suelen ser de gran utilidad Las técnicas clásicas de búsqueda determinística y analítica no suelen ser de gran utilidad Esto obliga a desarrollar nuevos paradigmas Esto obliga a desarrollar nuevos paradigmas Menos analíticos Menos analíticos Más sintéticos Más sintéticos LA BÚSQUEDA DE ANALOGÍAS CON LA NATURALEZA ES MÁS UNA NECESIDAD QUE UNA PREFERENCIA ESTÉTICA

No se persigue una simulación de los procesos naturales No se persigue una simulación de los procesos naturales Es más bien una emulación de dichos procesos Es más bien una emulación de dichos procesos Un AE será tanto mejor cuanto mejores resultados proporcione en la resolución del problema planteado Independientemente de su fidelidad a la biología La mayoría son enfoques simplistas desde el punto de vista biológico Pero lo suficientemente complejos como para proporcionar mecanismos de búsqueda robustos y potentes

Estructura genérica de los AEs AE es cualquier procedimiento estocástico de búsqueda basado en el principio de evolución. AE es cualquier procedimiento estocástico de búsqueda basado en el principio de evolución. Principio de Evolución: Principio de Evolución: Supervivencia del más apto Supervivencia del más apto Adaptación al entorno Adaptación al entorno Los más aptos tienen Los más aptos tienen más posibilidades de sobrevivir más posibilidades de sobrevivir más oportunidades de transmitir sus características a las generaciones siguientes más oportunidades de transmitir sus características a las generaciones siguientes

Población: conjunto de candidatos a soluciones de un problema Población: conjunto de candidatos a soluciones de un problema Al ejecutar un AE una población de individuos es sometida a Al ejecutar un AE una población de individuos es sometida a una serie de transformaciones con las que se actualiza la búsqueda una serie de transformaciones con las que se actualiza la búsqueda y después de un proceso de selección que favorece a los mejores individuos y después de un proceso de selección que favorece a los mejores individuos

GENERACION TRANSFORMACIÓN SELECCIÓN

Estructura La CE trata de desarrollar mecanismos estocásticos de búsqueda en paralelo con los que mejorar las técnicas clásicas de búsqueda determinista La CE trata de desarrollar mecanismos estocásticos de búsqueda en paralelo con los que mejorar las técnicas clásicas de búsqueda determinista Para que la mejora sea efectiva, tales mecanismos deben estar dirigidos (procedimiento de selección) Para que la mejora sea efectiva, tales mecanismos deben estar dirigidos (procedimiento de selección)

Herramientas para poder emular un proceso de evolución de un AE Individuos: población de posibles soluciones debidamente representadas Individuos: población de posibles soluciones debidamente representadas Selección: procedimiento basado en la APTITUD de los individuos Selección: procedimiento basado en la APTITUD de los individuos Transformación: construcción de nuevas soluciones a partir de las disponibles Transformación: construcción de nuevas soluciones a partir de las disponibles

Implantación sobre este esquema: BeginAlgorithm (EvolutionAlgorithm) P[0]=InitPop(); Población Inicial FitP[0]=EvalPop(P[0]); Aptitudes iniciales for (t=0; t<MaxNumGen; t++) { Q[t]=SelectBreedersFrom(P[t]); Selección de reproductores Q[t]=Transform(Q[t]); Reproducción FitQ[t]=EvalPop(Q[t]); P[t]=SelSurv( P[t],Q[t],FitP[t],FitQ[t]); FitP[t]=EvalPop(P[t]); Evaluación de la nueva población if( ChkTermCond(P[t],FitP[t]) ) Condición de terminación return;} End algorithm

Paradigmas fundamentales ALGORITMOS GENÉTICOS ALGORITMOS GENÉTICOS Se hace evolucionar una población de enteros binarios sometiéndolos a transformaciones unitarias y binarias genéricas y a un proceso de selección Se hace evolucionar una población de enteros binarios sometiéndolos a transformaciones unitarias y binarias genéricas y a un proceso de selección PROGRAMAS EVOLUTIVOS PROGRAMAS EVOLUTIVOS Se hace evolucionar una población de estructuras de datos sometiéndolas a una serie de transformaciones específicas y a un proceso de selección Se hace evolucionar una población de estructuras de datos sometiéndolas a una serie de transformaciones específicas y a un proceso de selección ESTRATEGIAS EVOLUTIVAS ESTRATEGIAS EVOLUTIVAS Se hace evolucionar una población de números reales que codifican las posibles soluciones de un problema numérico y los tamaños de salto. La selección es implícita. Se hace evolucionar una población de números reales que codifican las posibles soluciones de un problema numérico y los tamaños de salto. La selección es implícita. PROGRAMACIÓN EVOLUTIVA PROGRAMACIÓN EVOLUTIVA Se hace evolucionar una población de máquinas de estados finitos sometiéndolas a transformaciones unitarias Se hace evolucionar una población de máquinas de estados finitos sometiéndolas a transformaciones unitarias