Download CURSO : COMPUTACIÓN EVOLUTIVA SIGLA : IIC2632 CRÉDITOS

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).