Algoritmos Genéticos Y Optimización Heurística - Universidad ...
Algoritmos Genéticos Y Optimización Heurística - Universidad ...
Algoritmos Genéticos Y Optimización Heurística - Universidad ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
<strong>Algoritmos</strong> <strong>Genéticos</strong> Gen ticos<br />
Y<br />
<strong>Optimización</strong> Optimizaci n <strong>Heurística</strong><br />
Heur stica<br />
Dr. Adrian Will<br />
Grupo de Aplicaciones de Inteligencia Artificial<br />
<strong>Universidad</strong> Nacional de Tucumán Tucum<br />
awill@herrera.unt.edu.ar
<strong>Optimización</strong> Optimizaci n Tradicional
Problemas Reales
Problemas Reales – Función Funci n de Rastrigin
Medición Medici n en Fábrica F brica -<br />
2003
Modelo Matemático Fábrica - 2003
<strong>Algoritmos</strong> Determinísticos<br />
Determin sticos<br />
Requieren fuertes hipótesis hip tesis sobre la función, funci , en<br />
general globales (continuidad, existencia de<br />
derivadas, convexidad, etc.) etc.) <br />
Convergencia a un óptimo ptimo garantizada, garantizada,<br />
pero en<br />
general es un óptimo ptimo local, y no es posible<br />
comprobar si es un óptimo ptimo global sin hipótesis hip tesis sobre<br />
la función funci<br />
Tiempo máximo m ximo y tiempo promedio de convergencia<br />
conocidos<br />
Repetir el algoritmo, algoritmo,<br />
con la misma función, funci n, y<br />
partiendo de las mismas condiciones iniciales,<br />
produce siempre el mismo resultado
Random Search Heuristics<br />
No requieren hipótesis hip tesis sobre la función. funci . Funcionan<br />
bien incluso en el caso en que no sea función funci n sino<br />
sólo lo simulación simulaci n (Genetic ( Genetic Programming)<br />
Programming <br />
Funcionan bien y producen buenas soluciones en<br />
casos muy complejos (NP-Hard (NP Hard, , problemas con gran<br />
cantidad de optimos locales) locales) <br />
Convergen al óptimo ptimo global o cerca de él l (“Near Near<br />
optimal solutions” solutions - <strong>Algoritmos</strong> <strong>Genéticos</strong>) Gen ticos) <br />
Tiempo Máximo M ximo y Velocidad de convergencia,<br />
convergencia,<br />
en<br />
general no conocidos
Aplicaciones<br />
Problemas de Job Scheduling o Timetables (reorganizar<br />
tareas de una fábrica, f brica, oficina, etc., de modo de minimizar<br />
algo, normalmente tiempo o costo) costo) <br />
Problemas de Diseño Dise o Automático Autom tico o Asistido (diseño (dise o de<br />
hélices lices de barcos, Turbinas para motores de avión, avi n,<br />
antenas para naves espaciales, reactores nucleares) nucleares) <br />
Problemas Financieros (<strong>Optimización</strong> (Optimizaci n de Inversiones,<br />
Predicción Predicci n (GP)) (GP)) <br />
<strong>Optimización</strong> Optimizaci n de Redes Eléctricas El ctricas o de Telecomunicaciones<br />
(Transformadores, Celulares, etc.) etc.) <br />
Diseño Dise o de Semiconductores y Compiladores<br />
Biología Biolog a Molecular (Protein ( Protein Folding, Folding,<br />
Descubrimiento de<br />
Genes y marcadores relevantes para Cáncer, C ncer, etc.) etc.)
Ejemplo - Travelling Salesman<br />
Problem<br />
1<br />
2<br />
5<br />
3<br />
4
Ejemplo - Travelling Salesman<br />
Problem<br />
1<br />
Solución (1 2 5 3 4)<br />
2<br />
5<br />
3<br />
4
Ejemplo – Travelling Salesman Problem<br />
“Dado Dado un grafo completo con pesos, encontrar un ciclo<br />
Hamiltoniano de costo mínimo m nimo”<br />
Total de Soluciones: (n-1)!/2. (n 1)!/2. Para 60 ciudades, 0.5*59! ~<br />
10 80<br />
NP-Hard NP Hard Problem<br />
Fijar matriz de costos D, y c real, y preguntar si Existe una<br />
ruta de costo total menor que c NP Completo<br />
Gran cantidad de variantes de interés inter s práctico pr ctico (Simétrico, (Sim trico,<br />
Asimétrico, Asim trico, TSP with Time Windows, Travelling Polititian<br />
Problem, Problem,<br />
cantidad de vendedores fijos, problemas de<br />
transporte con restricciones de entregas, etc.) etc.) <br />
Caso Grafo No existen todas las rutas<br />
Caso Euclídeo Eucl deo Plano, existen todas las rutas, NP-Hard NP Hard<br />
aunque se elimine la condición condici n “recorrer recorrer cada ciudad solo<br />
una vez”, vez , por la desigualdad triangular
Travelling Salesman Problem - <strong>Algoritmos</strong><br />
Determinísticos<br />
Determin sticos<br />
Branch and Bound<br />
Programación Programaci n Lineal<br />
Heurísticos Heur sticos<br />
Nearest Neighbour<br />
2-opt opt, , 3-opt 3 opt, , Variable-opt<br />
Variable opt (Lin Lin-Kernighan Kernighan-Johnson Johnson) ) –<br />
Mutation operator and EA<br />
<strong>Algoritmos</strong> Aleatorios (cadenas de Markov, Markov,<br />
operadores de inversión) inversi n) <br />
<strong>Algoritmos</strong> <strong>Genéticos</strong>, Gen ticos, Simulated Annealing, Annealing,<br />
Colonias<br />
de Hormigas
Travelling Salesman Problem - AG
Travelling Salesman Problem - AG
Travelling Salesman Problem - AG
Travelling Salesman Problem - AG
Travelling Salesman Problem - AG
Travelling Salesman Problem - ACO
Travelling Salesman Problem - ACO
Travelling Salesman Problem - ACO
Travelling Salesman Problem - ACO
Travelling Salesman Problem - ACO
Travelling Salesman Problem -<br />
TSPLib
Travelling Salesman Problem -<br />
TSPLib
Travelling Salesman Problem -<br />
TSPLib
Travelling Salesman Problem -<br />
TSPLib
Travelling Salesman Problem -<br />
TSPLib
No Free Lunch Theorem<br />
The “No No Free Lunch” Lunch theorems for search and optimization apply to<br />
finite spaces and algorithms that do not resample points. points.<br />
All<br />
algorithms that search for an extremum of a cost function<br />
perform exactly the same when averaged over all possible cost<br />
functions. functions.<br />
So, for any search/optimization algorithm, any<br />
elevated performance over one class of problems is exactly paid<br />
for in performance over another class. [Wolpert [ Wolpert and Macready, Macready,<br />
1997].<br />
“An An Algorithmicist looks at no free lunch” lunch (Culberson 1996) 1996)
No Free Lunch Theorem<br />
No hay un Algoritmo Perfecto, que resuelva bien todos los<br />
problemas.<br />
Para cada problema o clase de problemas, se debe diseñar dise ar<br />
un algoritmo específico espec fico. . Mientras más m s limitado el problema<br />
y más m s conocimiento sobre el problema particular<br />
(“Problem Problem-Specific Specific Knowledge”) Knowledge ) se incorpore al algoritmo,<br />
mejor será ser el rendimiento del algoritmo en la clase de<br />
problemas planteado.<br />
Sólo lo se utilizará utilizar un algoritmo general, sin incorporar<br />
conocimiento del problema, cuando no exista otra solución soluci n<br />
(por problemas de tiempo por ejemplo) ejemplo)
Cuando Aplicar métodos m todos Heurísticos Heur sticos<br />
Cuando no se pueda aplicar otro método m todo, , en general<br />
por falta de hipótesis hip tesis para aplicar algoritmos<br />
determinísticos<br />
determin sticos (funciones no derivables o no<br />
continuas, o que no son funciones, etc.) etc.) <br />
Problemas ruidosos o mal condicionados (los<br />
algoritmos heurísticos heur sticos o aleatorios tienden a ser<br />
robustos y poco sensibles a la presencia de ruido) ruido) <br />
Existencia de gran cantidad de óptimos ptimos locales<br />
(donde los algoritmos tradicionales basados en<br />
derivadas quedan atrapados) atrapados) <br />
Problemas reales de gran complejidad, complejidad,<br />
donde es<br />
suficiente con encontrar una buena solución soluci n al<br />
problema, aunque no sea necesariamente el óptimo ptimo<br />
global