COMPUTACION EVOLUTIVA

1
COMPUTACION EVOLUTIVA

• Introducción

2

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

3
Contexto

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

4
Clasificación de procedimientos de optimización

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

5
Clasificación de procedimientos de optimización

• 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)
• 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
• ESTOCÁSTICAS (orientadas la componente
  determinista orienta la dirección de búsqueda, y
  la aleatoria se encarga de la búsqueda local )

6
Clasificación de procedimientos de optimización

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

7
Teoría moderna de optimización

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

8

• Las técnicas clásicas de búsqueda determinística
  y analítica no suelen ser de gran utilidad
• Esto obliga a desarrollar nuevos paradigmas
• Menos analíticos
• Más sintéticos

LA BÚSQUEDA DE ANALOGÍAS CON LA NATURALEZA ES MÁS
UNA NECESIDAD QUE UNA PREFERENCIA ESTÉTICA
9

• No se persigue una simulación de los procesos
  naturales
• 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

10
Estructura genérica de los AEs

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

11

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

12
TRANSFORMACIÓN
GENERACION
SELECCIÓN
13
Estructura

• 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)

14
Herramientas para poder emular un proceso de
evolución de un AE

• Individuos población de posibles soluciones
  debidamente representadas
• Selección procedimiento basado en la APTITUD de
  los individuos
• Transformación construcción de nuevas soluciones
  a partir de las disponibles

15
Implantación sobre este esquema

• BeginAlgorithm (EvolutionAlgorithm)
• P0InitPop()
  Población Inicial
• FitP0EvalPop(P0)
  Aptitudes iniciales
• for (t0 tltMaxNumGen t)
• QtSelectBreedersFrom(Pt)
  Selección de reproductores
• QtTransform(Qt)
  Reproducción
• FitQtEvalPop(Qt)
• PtSelSurv( Pt,Qt,FitPt,FitQt)
• FitPtEvalPop(Pt) Evaluación
  de la nueva población
• if( ChkTermCond(Pt,FitPt) )
  Condición de terminación
• return
• End algorithm

16
Paradigmas fundamentales

• ALGORITMOS GENÉTICOS
• Se hace evolucionar una población de enteros
  binarios sometiéndolos a transformaciones
  unitarias y binarias genéricas y a un proceso de
  selección
• PROGRAMAS EVOLUTIVOS
• Se hace evolucionar una población de estructuras
  de datos sometiéndolas a una serie de
  transformaciones específicas y a un proceso de
  selección
• 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.
• PROGRAMACIÓN EVOLUTIVA
• Se hace evolucionar una población de máquinas de
  estados finitos sometiéndolas a transformaciones
  unitarias