Download CURSO : COMPUTACIÓN EVOLUTIVA SIGLA : IIC2632 CRÉDITOS
Document related concepts
Transcript
CURSO SIGLA CRÉDITOS MÓDULOS REQUISITOS CARÁCTER I. : : : : : : COMPUTACIÓN EVOLUTIVA IIC2632 10 02 IIC1122 OPTATIVO DE PROFUNDIZACIÓN DESCRIPCIÓN La matemática ha generado, históricamente, importantes herramientas para la resolución de problemas de optimización, pero ¿qué sucede cuando un problema no es atacable con algoritmos matemáticos definidos, ya sea por la alta complejidad del problema, o por el tamaño del espacio de búsqueda? Este curso analizará una estrategia para poder enfrentar estos problemas, logrando centrar la búsqueda desde una solución puramente aleatoria, hacia una solución suficientemente buena en tiempos razonables. II. OBJETIVOS Generales 1. Entender y ser capaz de aplicar evolución en la solución de problemas complejos de optimización. Específicos 1. Adquirir reglas básicas para la modelación de datos en problemas evolutivos. 2. Seleccionar esquemas de búsqueda para un problema en particular. 3. Adquirir herramientas para poder adaptar la solución encontrada al problema real. III. CONTENIDOS 1. Introducción a la computación evolutiva. 1.1. Evolución biológica y artificial. 1.2. Computación evolutiva e IA. 1.3. Clasificaciones de la computación evolutiva. 1.4. Un algoritmo evolutivo simple. 2. Operadores de búsqueda. 2.1. Teoría de la recombinación y mutación. 2.2. Recombinación y mutación sobre vectores. 2.3. Recombinación y mutación sobre valores reales. 2.4. Parámetros de recombinación y mutación. 3. Esquemas de selección. 3.1. Funciones de fitness. 3.2. Selección proporcional al fitness. 3.3. Fitness scaling. 3.4. Ranking. 3.5. Torneo. 3.6. Presión en la selección. 4. Operadores de búsqueda en representaciones arbitrarias. 4.1. La importancia de la representación. 4.2. Mezcla de diferentes operadores de búsqueda. 4.3. Representaciones adaptativas. 4.4. Anomalía de mutaciones auto-adaptativas. 5. Optimización combinatorial evolutiva. 6. Co-evolución. 6.1. 6.2. 7. IV. Manejo de restricciones. 9. Programación genética. 9.1. Grandes pasos en la programación genética. 9.2. Árboles como representación. 9.3. Operadores de búsqueda sobre árboles. 9.4. Problemas en la programación genética. 10. Optimización evolutiva multiobjetivo. 10.1. Optimalidad de Pareto. 10.2. Algoritmos evolutivos multiobjetivo. 11. Clasificadores por aprendizaje. 12. Análisis teórico de los algoritmos genéticos. METODOLOGÍA Clases expositivas. Desarrollo de un proyecto en equipo. EVALUACIÓN - VI. Niching y Especiación. 7.1. Fitness compartido. 7.2. Hacinamiento. 8. V. Cooperativa. Competitiva. 3 interrogaciones escritas. Proyecto del curso. Examen escrito (posible de eximir). BIBLIOGRAFÍA Back, Thomas Fogel, David B. y Zbigniew Michalewicz Handbook of Evolutionary Computation. IOS Press, 1997 Z. Michalewicz Genetic Algorithms +Data Structures =Evolution Programs. Springer-Verlag, 1996 (3ª edición).