This presentation uses a free template provided by FPPT.com

Presentación del tema: "This presentation uses a free template provided by FPPT.com"— Transcripción de la presentación:

1 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com

2 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com INTRODUCCIÓN HISTORIA DE LA COMPUTACIÓN EVOLUTIVA DEFINICIÓN COMPONENTES Y FUNCIONAMIENTO ESTRATEGIAS EVOLUTIVAS PROGRAMACIÓN EVOLUTIVA OPTIMIZACIÓN MULTIOBJETIVO EVOLUTIVA APLICACIONES CONCLUSIONES

3 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Durante muchos años, la tesis más aceptada sobre el origen de las especies fue el creacionismo: Dios creó a todas las especies del planeta de forma separada. Georges Louis Leclerc (Conde de Buffon), 1749-1788, fue tal vez el primero en especular (100 años antes que Darwin) que las especies se originaron entre sí, en una abierta oposición al “creacionismo”. El biólogo francés Jean-Baptiste Lamarck enunció una teoría sobre la evolución a principios del siglo XIX. El naturalista inglés Charles Darwin enunció su teoría sobre el origen de las especies en 1858, derrumbando el Lamarckismo al indicar que la evolución se origina a través de cambios aleatorios de características hereditarias, combinados con un proceso de selección natural. El científico alemán August Weismann formuló en el siglo XIX una teoría denominada del germoplasma, según la cual la información hereditaria se transmite a través de ciertas células (llamadas germinales), mientras que otras células (llamadas somáticas) no pueden transmitir nada.

4 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com James Mark Baldwin propuso en 1896 que si el aprendizaje ayuda a la supervivencia, entonces los organismos con mayor capacidad de aprendizaje tendrán más descendientes, incrementando de esa manera la frecuencia de los genes responsables del aprendizaje. El pensamiento evolutivo actual gira en torno al Neo-Darwinismo, el cual establece que toda la vida en el planeta puede ser explicada a través de sólo 4 procesos: >> Reproducción>> Mutación>> Competencia>> Selección

5 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com La evolución natural ha sido vista como un proceso de aprendizaje desde los 1930s, con el trabajo de Walter B. Cannon (The Wisdom of the Body). El célebre matemático Alan Mathison Turing reconoció también una conexión “obvia” entre la evolución y el aprendizaje de máquina en un artículo de 1950. A fines de los 1950s y principios de los 1960s, el biólogo Alexander S. Fraser publicó una serie de trabajos sobre la evolución de sistemas biológicos en una computadora digital, dando la inspiración para lo que después se convertiría en el algoritmo genético.

6 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Aproximadamente en la misma época de Fraser, el estadístico inglés George E. P. Box propuso un enfoque evolutivo para la optimización de la producción industrial. R. M. Friedberg fue uno de los primeros científicos en intentar evolucionar programas de computadora (a fines de los 1950s). Sus experimentos no fueron muy exitosos, y originaron una avalancha de críticas de parte de los investigadores de la IA clásica. Nils Aall Barricelli desarrolló las que probablemente fueron las primeras simulaciones de un sistema evolutivo en una computadora digital, entre 1953 y 1956. Sus experimentos siguieron los lineamientos de una disciplina bautizada a principios de los 1980s como “vida artificial”.

7 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Hans J. Bremermann fue tal vez el primero en ver la evolución como un proceso de optimización, además de realizar una de las primeras simulaciones con cadenas binarias que se procesaban por medio de reproducción (sexual o asexual), selección y mutación, en lo que sería otro claro predecesor del algoritmo genético. Lawrence J. Fogel concibió el uso de la evolución simulada en la solución de problemas (sobre todo de predicción) hacia mediados de los 1960s. Su técnica se denominó “Programación Evolutiva”. Peter Bienert, Ingo Rechenberg y Hans-Paul Schwefel desarrollaron hacia mediados de los 1960s un método de ajustes discretos aleatorios inspirado en el mecanismo de mutación que ocurre en la naturaleza. Su técnica se denominó “estrategias evolutivas”.

8 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com John H. Holland desarrolló a principios de los 1960s los “planes reproductivos” y “adaptativos” en un intento por hacer que las computadoras aprendan imitando el proceso de la evolución. Esta técnica sería después conocida mundialmente como el “algoritmo genético”. Conrad propuso también en los 1970s un “modelo de circuitos de aprendizaje evolutivo” en el cual especuló sobre la posibilidad de que el cerebro use el mismo tipo de mecanismos que usa la evolución para aprender. Su técnica fue uno de los primeros intentos por utilizar algoritmos evolutivos para entrenar redes neuronales.

9 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Nichal Lynn Cramer (1985) y posteriormente, John R. Koza (1989) propusieron (de forma independiente) el uso de una Representación de árbol en la que se implementó un operador de cruce para intercambiar sub- árboles entre los diferentes programas de una población generada al azar (con ciertas restricciones impuestas por la sintaxis del lenguaje de programación utilizado). Thomas S. Ray desarrolló a principios de los 1990s un simulador muy original en el que evolucionaban programas en lenguaje ensamblador, los cuales competían por ciclos de CPU de una computadora, a la vez que intentaban reproducirse Dentro de la Computación Evolutiva tenemos: >> Algoritmos Genéticos (Holland – 1975)>> Estrategias Evolutivas (Rechenberg – 1973) >> Programación Evolutiva (Fogel – 1962)>> Programación Genética (Koza – 1992) >> Sistemas Clasificatorios (Holland – 1962)

10 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Los algoritmos evolutivos imitan los principios evolutivos naturales para constituir procedimientos de búsqueda y optimización. ALGORITMOS GENÉTICOS Es un algoritmo matemático altamente paralelo que transforma un conjunto de objetos matemáticos individuales con respecto al tiempo usando operaciones modeladas de acuerdo al principio Darwiniano de reproducción y supervivencia del más apto, y tras haberse presentado de forma natural una serie de operaciones genéticas de entre las que destaca la recombinación sexual. Cada uno de estos objetos matemáticos suele ser una cadena de caracteres (letras o números) de longitud fija que se ajusta al modelo de las cadenas de cromosomas, y se les asocia con una cierta función matemática que refleja su aptitud.

11 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com ¿CÓMO ES UN ALGORITMO BÁSICO? - Generar (aleatoriamente) una población inicial - Calcular aptitud de cada individuo - Seleccionar (probabilísticamente) con base en aptitud - Aplicar operadores genéticos (cruce y mutación) para generar la siguiente población - Ciclar hasta que cierta condición se satisfaga

12 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com ORGANIGRAMA DE LA FORMA DE TRABAJO DE UN ALGORITMO GENÉTICO

13 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Para poder aplicar el Algoritmo Genético se requiere de los 5 componentes básicos siguientes: Una representación de las soluciones potenciales del problema Una forma de crear una población inicial de posibles soluciones (normalmente un proceso aleatorio) Una función de evaluación que juegue el papel del ambiente, clasificando las soluciones en términos de su “aptitud” Operadores genéticos que alteren la composición de los hijos que se producirán para las siguientes generaciones Valores para los diferentes parámetros que utiliza el Algoritmo Genético (tamaño de la población, probabilidad de cruce, probabilidad de mutación, número máximo de generaciones, etc.)

14 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com COMPONENTES: La elección de una CODIFICACIÓN (representación de las variables del problema en el algoritmo evolutivo) tiene un gran efecto en el tamaño del Espacio de búsqueda y por ende, en el tiempo y dificultad de resolución. Una POBLACIÓN (conjunto de individuos) de estas soluciones potenciales. MECANISMOS para generar nuevos individuos o soluciones potenciales al problema estudiado, a partir de los miembros de la población actual (los denominados operadores de mutación y recombinación). LA FUNCIÓN DE DESEMPEÑO (fitness function), la cual considera en la función objetivo o función de la cual se desea obtener el valor óptimo. Los algoritmos evolutivos poseen diversos PARÁMETROS los cuales deben ser cuidadosamente elegidos para obtener un buen desempeño y evitar problemas tales como la Convergencia prematura. Un MÉTODO DE SELECCIÓN que otorgue mayores chances de sobrevivir a las buenas soluciones.

15 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Un Algoritmo Evolutivo es una técnica de resolución de problemas inspirada en la evolución de los seres vivos. En un Algoritmo Evolutivo se define una estructura de datos que admita todas las posibles soluciones a un problema. Cada uno de los posibles conjuntos de datos admitidos por esa estructura será una solución al problema. Unas soluciones serán mejores, otras peores. Solucionar el problema consistirá en encontrar la solución óptima, y por tanto, los Algoritmos Evolutivos son en realidad un método de búsqueda. Pero un método de búsqueda muy especial, en el que las soluciones al problema son capaces de reproducirse entre sí, combinando sus características y generando nuevas soluciones. En cada ciclo se seleccionan las soluciones que más se acercan al objetivo buscado, eliminando el resto de soluciones. Las soluciones seleccionadas se reproducirán entre sí, permitiendo de vez en cuando alguna mutación o modificación al azar durante la reproducción.

16 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Las estrategias evolutivas fueron desarrolladas en 1964 por un grupo de estudiantes alemanes de ingeniería encabezado por Ingo Rechenberg. Su objetivo era resolver problemas hidrodinámicos de alto grado de complejidad. Estrategias Evolutivas se centran en el estudio de problemas de optimización e incluyen una visión del aprendizaje en dos niveles: a nivel de genotipo, y a nivel de fenotipo. El genotipo en las estrategias evolutivas es el conjunto formado por las variables objeto y las variables estratégicas. Y el fenotipo son las variables objeto, ya que conforme se da la variación de éstas, se percibe un mejor o peor desempeño del individuo.

17 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com La versión original (1+1)-EE usaba un solo padre y con él se generaba un solo hijo. Este hijo se mantenía si era mejor que el padre, o de lo contrario se eliminaba (a este tipo de selección se le llama extintiva, porque los peores individuos tienen una probabilidad de cero de ser seleccionados). En la (1+1)-EE, un individuo nuevo es generado usando: donde t se refiere a la generación (o iteración) en la que nos encontramos, y es un vector de números Gaussianos independientes con una media de cero y desviación estándar.

18 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com

19 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Ingo Rechenberg (1973) introdujo el concepto de población, al proponer una estrategia evolutiva llamada (μ + 1) − EE, en la cual hay μ padres y se genera un solo hijo, el cual puede reemplazar al peor padre de la población (selección extintiva). Schwefel (1975) introdujo el uso de múltiples hijos en las denominadas (μ + λ) − EEs y (μ, λ) − EEs. La notación se refiere al mecanismo de selección utilizado: a) EN EL PRIMER CASO, LOS Μ MEJORES INDIVIDUOS OBTENIDOS DE LA UNIÓN DE PADRES E HIJOS SOBREVIVEN. b) EN EL SEGUNDO CASO, SÓLO LOS Μ MEJORES HIJOS DE LA SIGUIENTE GENERACIÓN SOBREVIVEN.

20 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com CONVERGENCIA DE LAS ESTRATEGIAS EVOLUTIVAS: Regla de ÉXITO 1/5 donde : n = número de dimensiones t= la generación ps =frecuencia relativa de mutaciones exitosas medida sobre intervalos de (por ejemplo) 10 * n individuos c=0.817 (este valor fue derivado teóricamente por Schwefel). σ (t) se ajusta cada n mutaciones.

21 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com AUTOADAPTACIÓN EN LAS ESTRATEGIAS EVOLUTIVAS Las estrategias evolutivas se evoluciona no sólo a las variables del problema, sino también a los parámetros mismos de la técnica (es decir, las desviaciones estándar).

22 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Lawrence J. Fogel propuso en 1960 una técnica denominada “programación evolutiva”, en la cual la inteligencia se ve como un comportamiento adaptativo. La programación evolutiva es un algoritmo evolutivo basado en mutación aplicado a espacios de búsqueda discreto. David Fogel (Fogel, 1988) extendió el trabajo inicial de su padre Laary Fogel para problemas de optimización continuos.

23 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com El algoritmo básico de la programación evolutiva es el siguiente: -Generar aleatoriamente una población inicial. -Se aplica mutación. -Se calcula la aptitud de cada hijo y se usa un proceso de selección mediante torneo (normalmente estocástico) para determinar cuáles serán las soluciones que se retendrán. La programación evolutiva es una abstracción de la evolución al nivel de las especies, por lo que no se requiere el uso de un operador de recombinación (diferentes especies no se pueden cruzar entre sí). Asimismo, usa selección probabilística.

24 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com ¿POR QUÉ ALGORITMOS EVOLUTIVOS? Los Algoritmos Evolutivos parecen particularmente adecuados para resolver problemas de optimización multiobjetivo, porque ellos tratan simultáneamente con un conjunto de posibles soluciones (las poblaciones). Esto nos permite encontrar varios miembros del conjunto óptimo de Pareto en cada ciclo del algoritmo, en lugar de tener que realizar una serie de ejecuciones como en el caso de las técnicas de programación matemática tradicionales. Además, los algoritmos evolutivos son menos sensibles a la forma o continuidad de la frontera de Pareto (por ej., pueden fácilmente tratar con fronteras de Pareto discontinuas o cóncavas), mientras estas dos cuestiones son una preocupación real para las técnicas de programación matemática.

25 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com REFLEJOS HISTÓRICOS El potencial de los algoritmos evolutivos en optimización multiobjetivo fue insinuado por Rosenberg en el 1960, pero la primera implementación fue realizada a mediados de 1980 (Schaffer,1984). El primer esquema para incorporar las preferencias del usuario en un algoritmo evolutivo multi-objetivo (MOEA) fue propuesto al principio de los años 90 (Tanaka, 1992). Durante diez años, el campo permaneció prácticamente inactivo, pero comenzó a crecer a mediados de los 90, donde varias técnicas y aplicaciones fueran desarrolladas.

26 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com ALGORITMOS EVOLUTIVOS Podemos considerar, en general, dos tipos de MOEA: 1.Algoritmos que no incorporan el concepto de dominancia de Pareto en sus mecanismos de selección (ej. Aproximaciones que usan funciones de agregación lineal). 2.Algoritmos que ordenan la población basándose en la dominancia de Pareto (ej. MOGA, NSGA, NPGA, etc.).

27 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Históricamente, podemos considerar la existencia de dos generaciones Principales de MOEA: 1.- Primera Generación: Caracterizado por el uso de ordenación de Pareto. Algoritmos relativamente simples. Otras aproximaciones (más rudimentarias) fueron también desarrolladas (ej. Funciones de agregación lineal). Es también digno de mencionar VEGA, el cual es una aproximación basada en la población (no basada en Pareto). 2.- Segunda Generación: El concepto de elitismo es introducido en dos formas principalmente: usando selección (µ+λ) y usando una población secundaria externa.

28 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com VECTOR EVALUATED GENETIC ALGORITHM (VEGA) El Vector Evaluated Genetic Algorithm (VEGA) fue propuesto por David Scha ff er en 1984, como parte de su tesis doctoral titulada “Multiple Objective Optimization with Vector Evaluated Genetic Algorithms”. La descripción de VEGA se publicó en la First International Conference in Genetic Algorithms (ICGA’1985) y se aplicó fundamentalmente a problemas de aprendizaje de máquina. Usa subpoblaciones que optimizan cada objetivo separadamente. El concepto de óptimo de Pareto no es incorporado directamente en el mecanismo de selección del GA

29 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com

30 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com ALGORITMO:

31 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com VENTAJAS VS DESVENTAJAS VENTAJAS: La principal ventaja de un VEGA es que usa una idea simple y es fácil de implementar. VEGA tiene tendencia a encontrar soluciones próximas a las mejores soluciones de cada objetivo. En problemas donde tales soluciones sean deseables, VEGA puede ser una buena alternativa. DESVENTAJAS: Cada solución en un VEGA es evaluada solo en un objetivo. Así, cada solución no es evaluada en M-1 objetivos.

32 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com MULTIOBJECTIVE GENETIC ALGORITHM (MOGA) El Multi-Objective Genetic Algorithm (MOGA) fue propuesto por Carlos M. Fonseca and Peter J. Fleming en 1993. Es un algoritmo que implementa una variante de la jerarquización de Pareto propuesta por Goldberg. Algunos esfuerzos por extender MOGA lo han hibridizado con redes neuronales [Duarte, 2000] y le han agregado elitismo [Ducheyne, 2001]. A pesar de los intentos por mantenerlo activo, MOGA ha caído prácticamente en desuso, al haber sido desplazado por los algoritmos de segunda generación.

33 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com ALGORITMO:

34 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com

35 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com

36 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com

37 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Dividir el valor de aptitud asignado por el recuento del nicho. En orden a conservar la aptitud media de las soluciones en un orden igual que el de antes del sharing, estos valores de aptitud son escalados de forma que sus valores de aptitud shared promedio sea el mismo que el valor de aptitud asignado promedio. Después, selección universal estocástica, cruce en un solo punto y operador de mutación son aplicados para crear una nueva población.

38 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com VENTAJAS VS DESVENTAJAS VENTAJAS: Eficiente y relativamente fácil de implementar. Su rendimiento depende de lo apropiada de la selección del factor de sharing. DESVENTAJAS: No está a la par de los algoritmos de segunda generación

39 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com PROBLEMAS DE REDESBIOQUIMICAMAGNETISMO OPTICA

40 This presentation uses a free template provided by FPPT.com www.free-power-point-templates.com Las técnicas evolutivas no necesitan disponer de conocimiento específico sobre el problema que intentan resolver. Las técnicas de computación evolutiva se han consolidado como un conjunto de meta heurísticas efectivas y robustas como consecuencia de su alta aplicabilidad a la resolución de problemas en múltiples áreas. Tomando en cuenta los numerosos y exitosos antecedentes que refieren a la utilización de técnicas evolutivas para la resolución de problemas de optimización combinatoria, surgen como una alternativa natural para la resolución de los complejos problemas de optimización.