Maximiliano Tabacman Junio 2009. ¿Por qué se llaman así? ¿Quién los inventó? ¿Cómo reconocer uno cuando lo vemos? ¿Cómo se implementan? ¿Qué variantes.

Presentación del tema: "Maximiliano Tabacman Junio 2009. ¿Por qué se llaman así? ¿Quién los inventó? ¿Cómo reconocer uno cuando lo vemos? ¿Cómo se implementan? ¿Qué variantes."— Transcripción de la presentación:

1 Maximiliano Tabacman Junio 2009

2 ¿Por qué se llaman así? ¿Quién los inventó? ¿Cómo reconocer uno cuando lo vemos? ¿Cómo se implementan? ¿Qué variantes existen? ¿Dónde se usan? ¿Dónde podemos buscar más información?

3 Meme (R. Dawkins, 1976) “Unidad de transmisión cultural o imitación” Ejemplos clásicos: melodías, modas, ideas, dichos, metodologías Al igual que el gen, se caracteriza por: Longevidad Fecundidad Fidelidad de copiado

4 On Evolution, Search, Optimization, Genetic Algorithms and Martial Arts: Towards Memetic Algorithms (P. Moscato, 1989) Primer paper que utiliza el término “Algoritmo memético” Analiza varios papers existentes Encuentra muchos algoritmos genéticos con algo nuevo en común

5 Un algoritmo memético es la cruza de: Una búsqueda global basada en poblaciones Una heurística de búsqueda local (realizada por cada individuo) A tener en cuenta: La búsqueda global no implica necesariamente un algoritmo genético La ejecución de la búsqueda local representa el “uso/aplicación” del meme por parte del individuo

6 En la literatura, aparecen como sinónimos: Algoritmos Genéticos Híbridos Buscadores Locales Genéticos Algoritmos Genéticos Lamarckianos Algoritmos Genéticos Baldwinianos Algoritmos Meméticos

7 1. Inicialización de la población Puede ser: Aleatoria Predeterminada Aplicando alguna heurística

8 2. Cada individuo realiza una búsqueda local Analogía con Evolución Cultural  Aprendizaje Puede ser: Hasta encontrar un óptimo local Hasta lograr una mejora determinada Equivalente a la mutación en un Algoritmo Genético Diferencia: la exploración local es guiada

9 Búsqueda Local = Aprendizaje del Individuo

10 3. Los individuos interactúan entre sí Competencia Equivalente a la Selección en un Algoritmo Genético Cooperación Equivalente al Cruzamiento en un Algoritmo Genético La implementación es la misma  La literatura aún se refiere a estos pasos como selección y cruzamiento

11 Esquema Básico de Código: t = 0 Repetir hasta (criterio de parada) Calcular fitness f(p) para la población P(t) Elegir un subconjunto de P(t) de acuerdo a f(p) Guardarlo en M(t) Recombinar y variar los individuos de M(t) Guardarlos en M’(t) Mejorar los individuos de M’(t) con búsqueda local Calcular fitness f(p) para los individuos en M’(t) Generar P(t+1) con individuos elegidos de P(t) y M’(t) t = t +1 Devolver el mejor individuo de P(t-1)

12 Studies on the Theory and Design Space of Memetic Algorithms (N. Krasnogor, J.E. Smith, 2002) Resume el Estado del Arte Sugiere un Modelo Sintáctico Categoriza las Variantes Posibles Presenta un Análisis de Complejidad Propone Algoritmos Multi-Meme (Algoritmos “Verdaderamente Meméticos”)

13 Scheduler Función de alto orden Determina cómo, cuándo y con qué parámetros se aplica Búsqueda Local Puede conocer varios algoritmos de Búsqueda Local (memes)

14 Fine Grain Scheduler  f S Trabaja durante la mutación (f S M ) y el cruzamiento (f S R ) Típicamente conoce a lo sumo a 2 individuos Coarse Grain Scheduler  c S Trabaja durante la selección de padres e hijos para construir una nueva generación Conoce a todos los individuos de una generación Meta Scheduler  m S Trabaja después de la selección, usando información histórica  Memoria Evolutiva Conoce a todos los individuos desde la generación inicial

15 Número de Índice (D) Número de 4 bits Describe la arquitectura del Algoritmo Memético D = b mS b cS b fS R b fS M b i 1 si el algoritmo incluye el Scheduler i 0 si no Ejemplo: Algoritmo Genético con búsqueda local durante la mutación o cruzamiento Algoritmo Memético con D = 0011 = 3

16 Ciclo de un Algoritmo Evolutivo

17 Ciclo de un “Verdadero Algoritmo Memético”

18 Protein Folding Graph Coloring Vehicle Routing Travelling Salesman Problem Timetabling Coloreo de Grafos Ruteo de Vehículos Quadratic Assignment Problem Molecular Design Problem

19 Multi-Objective Memetic Algorithms (2009, Springer) Knapsack Problem Time-Tabling Airport Gate Assignment Feature Selection Economic Dispatch Travelling Salesman Problem Airfoil Shape

20 Libros Memética The Selfish Gene (Richard Dawkins, 1976, Oxford University Press) The Meme Machine (Susan Blackmore, 2000, Oxford University Press) Algoritmos Meméticos Recent Advances in Memetic Algorithms (Hart, Krasnogor, Smith, 2005, Studies in Fuzziness and Soft Computing, Vol. 166, Springer)

21 Internet Memetic Algorithms' Home Page (P. Moscato - desactualizada) http://www.densis.fee.unicamp.br/~moscato/memetic_ home.html Natalio Krasnogor's WebPage http://www.cs.nott.ac.uk/~nxk/index.html

22 Conferencias International Workshop on Memetic Algorithms (WOMA) http://www.ieee-ssci.org/ Genetic and Evolutionary Computation Conference (GECCO) http://www.sigevo.org/gecco-2009/ International Workshop on Nature Inspired Cooperative Strategies for Optimisation (NICSO) http://www.nicso2010.org/

23