IIC 2632 – Computación Evolutiva Presentación del Curso 1 er sem 2012 IIC 2632 – Computación Evolutiva © Rodrigo Sandoval.

Presentación del tema: "IIC 2632 – Computación Evolutiva Presentación del Curso 1 er sem 2012 IIC 2632 – Computación Evolutiva © Rodrigo Sandoval."— Transcripción de la presentación:

1 IIC 2632 – Computación Evolutiva Presentación del Curso 1 er sem 2012 IIC 2632 – Computación Evolutiva © Rodrigo Sandoval

2 Contenidos Aspectos Generales Aspectos Generales Objetivos Objetivos Contenidos Contenidos Evaluaciones y consideraciones Evaluaciones y consideraciones Bibliografía Bibliografía

3 Aspectos Generales Sigla IIC2632 – Computación Evolutiva Pre-Requisitos IIC1222 - Programación Avanzada Créditos10 Profesor Rodrigo Sandoval rsandova@ing.puc.cl / 570 8864 WebIic2632.rodrigosandoval.net Horario L-W 1 - Sala Javier Pinto (DCC) CarácterOptativo

4 Objetivos Generales Generales Entender y ser capaz de aplicar evolución en la resolución de problemas complejos de optimización. Entender y ser capaz de aplicar evolución en la resolución de problemas complejos de optimización. Específicos Específicos Adquirir reglas básicas para la modelación de datos en sistemas evolutivos. Adquirir reglas básicas para la modelación de datos en sistemas evolutivos. Seleccionar esquemas de búsqueda adecuados para un problema en particular. Seleccionar esquemas de búsqueda adecuados para un problema en particular. Conocer técnicas/herramientas para poder adaptar la solución encontrada al problema real. Conocer técnicas/herramientas para poder adaptar la solución encontrada al problema real. Conocer aplicaciones de este tipo de algoritmos en situaciones reales de la industria moderna. Conocer aplicaciones de este tipo de algoritmos en situaciones reales de la industria moderna.

5 Contenidos Introducción a la computación evolutiva Introducción a la computación evolutiva Operadores de búsqueda Operadores de búsqueda Esquemas de selección Esquemas de selección Operadores de búsqueda en representaciones arbitrarias Operadores de búsqueda en representaciones arbitrarias Optimización combinatorial adaptativa Optimización combinatorial adaptativa Niching y especiación Niching y especiación Manejo de restricciones Programación genética Optimización evolutiva multi-objetivo Clasificadores por aprendizaje Algoritmos de estimación de distribución

6 ¿Para qué sirve todo esto? Existe muchas herramientas matemáticas para resolver problemas complejos. Existe muchas herramientas matemáticas para resolver problemas complejos. ¿Pero qué sucede cuando no es posible aplicar algoritmos matemáticos definidos, ya sea por la complejidad del problema o el tamaño del espacio de búsqueda? ¿Pero qué sucede cuando no es posible aplicar algoritmos matemáticos definidos, ya sea por la complejidad del problema o el tamaño del espacio de búsqueda? Se requieren soluciones diferentes, llamadas heurísticas, que enfrentan estos problemas sin una dependencia en fórmulas matemáticas directamente. Se requieren soluciones diferentes, llamadas heurísticas, que enfrentan estos problemas sin una dependencia en fórmulas matemáticas directamente.

7 ¿Para qué sirve todo esto? La heurística de optimización sirve para contestar preguntas como: La heurística de optimización sirve para contestar preguntas como: ¿cuál es el mejor …?, ¿cuál es el mejor …?, ¿cómo se comporta …?, ¿cómo se comporta …?, ¿qué tipo de … sirve?, etc. ¿qué tipo de … sirve?, etc. Heurísticas hay varias. Los enfoques basados en la Teoría de la Evolución, o Programas Evolutivos, han demostrado éxito en una gran variedad de contextos y situaciones. Heurísticas hay varias. Los enfoques basados en la Teoría de la Evolución, o Programas Evolutivos, han demostrado éxito en una gran variedad de contextos y situaciones.

8 Evaluaciones 2012-1 3 Interrogaciones: 3 Interrogaciones: En horario de clases. En horario de clases. Se puede llevar material impreso de apoyo. Se puede llevar material impreso de apoyo. I1: Miércoles 4 Abril I1: Miércoles 4 Abril I2: Miércoles 9 Mayo I2: Miércoles 9 Mayo I3: Miércoles 6 Junio I3: Miércoles 6 Junio Tareas Tareas T1: Lunes 16 Abril T1: Lunes 16 Abril T2: Viernes 1 Junio T2: Viernes 1 Junio Examen: Martes 3 Julio Examen: Martes 3 Julio Nota Final PromedioInt*0.4 + PromedioTar*0.35 + Ex*0.25 Consideraciones: No hay eximición. La entrega de tareas es obligatoria. Se reemplazará automáticamente la peor nota (única) en prueba escrita (incluso por inasistencia) con la nota del examen si esta última es mejor. Cualquier otra inasistencia/no-entrega será calificada con 1.0 Toda acción que vicie alguna de las evaluaciones del curso tendrá como sanción un 1.1 de nota final en el curso, sin posibilidad de botarlo.

9 Bibliografía Genetic Algorithms + Data Structures = Evolution Programs Genetic Algorithms + Data Structures = Evolution Programs Zbigniew Michalewicz Zbigniew Michalewicz Tercera edición, 1999 Tercera edición, 1999 Editorial Springer Editorial Springer Multi-objective optimization using evolutionary algorithms Multi-objective optimization using evolutionary algorithms Kalyanmoy Deb Kalyanmoy Deb Foundations of Genetic Programming Foundations of Genetic Programming William B. Langdon, Ricardo Poli William B. Langdon, Ricardo Poli Primera edición, 2002 Primera edición, 2002 Editorial Springer Editorial Springer Towards an New Evolutionary Computation, Advances on Estimation of Distribution Algorithms Towards an New Evolutionary Computation, Advances on Estimation of Distribution Algorithms José A. Lozano, Pedro Larrañaga, Iñaki Inza, Endika Bengoetxea José A. Lozano, Pedro Larrañaga, Iñaki Inza, Endika Bengoetxea Primera edición, 2006 Primera edición, 2006 Editorial Springer Editorial Springer

10 Materia Disponible Online

11 El Profesor

12 Rodrigo Sandoval U. Ingeniero Civil de Industrias, mención computación, PUC. 1996 Ingeniero Civil de Industrias, mención computación, PUC. 1996 Magíster Ciencias Ingeniería. 1996 Magíster Ciencias Ingeniería. 1996 Investigación área inteligencia artificial. Investigación área inteligencia artificial. Trabajo en Laboratorio IA y Optimización. Trabajo en Laboratorio IA y Optimización. Desde Marzo 1996, profesor del DCC. Desde Marzo 1996, profesor del DCC. Actualmente Profesor Adjunto Asociado. Actualmente Profesor Adjunto Asociado. Premio excelencia docente 2002. Premio excelencia docente 2002.

13 Profesor Experiencia Laboral: Experiencia Laboral: Proyectos software desde 1996. Empresas: ORDEN (Sonda), Tata (TCS), DICTUC, y Synopsys (USA). Proyectos software desde 1996. Empresas: ORDEN (Sonda), Tata (TCS), DICTUC, y Synopsys (USA). 2006 a 2011: 2006 a 2011: Technical Lead de grupo TCAD en Synopsys Inc. Technical Lead de grupo TCAD en Synopsys Inc. Empresa EDA, basada en Mountain View, California. Empresa EDA, basada en Mountain View, California. Especialización en Optimización aplicada a la fabricación de semiconductores. Especialización en Optimización aplicada a la fabricación de semiconductores. Desde 2011, fundador de R:Solver, empresa de software focalizada en sistemas expertos. Desde 2011, fundador de R:Solver, empresa de software focalizada en sistemas expertos.

14 Optimización aplicada a EDA Calibración de procesos Calibración de procesos Encontrar configuración de parámetros del proceso de fabricación que satisfaga condiciones. Encontrar configuración de parámetros del proceso de fabricación que satisfaga condiciones. Cada cambio de tecnología plantea diferentes obstáculos, que requieren ajustes en la “optimización”. Cada cambio de tecnología plantea diferentes obstáculos, que requieren ajustes en la “optimización”.

15 Sentaurus TCAD Integrated Flow Applications Applications Design, analyze and optimize semiconductor technologies and devices Design, analyze and optimize semiconductor technologies and devices Semiconductor physics modeling Gate oxide 3 nm Poly gate deposition Gate formation 100 nm gate length Halo implant BF 2, 40 keV, 8e12, 35 deg, quad S/D extension As, 5 keV, 5e14, 0 deg S/D extension anneal 1050 degC, 3 s ….. Vth, Ion, Ioff…….. Process Device

16 Slow Parts Good Parts High Leakage Parts Power Frequency Application: Controlling Process Variability Gate oxide Gate CDHalo implant S/D XT implant RTA temp I off I on Nominal Spec limit Measure Slow Parts Good Parts High Leakage Parts Power Frequency Controlled Uncontrolled slowgoodleaking Number of Parts Uncontrolled Controlled Control