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 SELECCIÓN GENERACION

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) P[0]=InitPop(); Población Inicial FitP[0]=EvalPop(P[0]); Aptitudes iniciales for (t=0; t<MaxNumGen; t++) { Q[t]=SelectBreedersFrom(P[t]); Selección de reproductores Q[t]=Transform(Q[t]); Reproducción FitQ[t]=EvalPop(Q[t]); P[t]=SelSurv( P[t],Q[t],FitP[t],FitQ[t]); FitP[t]=EvalPop(P[t]); Evaluación de la nueva población if( ChkTermCond(P[t],FitP[t]) ) 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