Download Algoritmos Genéticos Locales

M. Lozano, D. Molina, A.M. Sánchez, F. Herrera
Sesión Especial basada en la
Special Session on Real-Parameter
Optimization at CEC-05,
Edinburgh, UK, 2-5 Sept. 2005
MAEBs para Optimización
Continua
• Algoritmos genéticos con codificación real.
• Estrategias de evolución.
• Programación evolutiva.
• PSO y ACO.
• Algoritmos meméticos.
• Metaheurísticas clasicas:
– Enfriamiento simulado.
– ILS y VNS.
– Búsqueda tabú.
Evolución (CMA-ES)
Completely derandomized self-adaptation in evolution strategies
Hansen N, Ostermeier A
EVOLUTIONARY COMPUTATION 9(2), 159-195, 2001.
Evolución (AGs Cod. Real)
Tackling real-coded genetic algorithms: Operators and tools for behavioural analysis
Herrera F, Lozano M, Verdegay JL
ARTIFICIAL INTELLIGENCE REVIEW 12(4) , 265-319, 1998.
Objetivos
Posibilitar un foro de encuentro entre
investigadores con el objetivo de:
• Comparar distintos modelos de MAEBs
para optimización continua.
–Seguir un marco experimental común.
• Compartir ideas para avanzar hacia la
obtención de mejores MAEBs.
Precedentes
Special Session on Real-Parameter Optimization at CEC2005,
Edinburgh, UK, 2-5 Sept. 2005.
F. Herrera, M. Lozano (Eds.) (2005). Special Issue on Real
Coded Genetic Algorithms: Foundations, Models and Operators.
Soft Computing 9:4.
Sesión Invitada en MAEB'03: Algoritmos Evolutivos con
Codificación Real: Modelos y Operadores. Organizadores: F. Herrera y
M. Lozano.
Black-Box Optimization Benchmarking (BBOB) 2009.
A GECCO Workshop for Real-Parameter Optimization
Marco Experimental
• Sesión Especial de Optimización Continua
del CEC’2005:
Suganthan, P.N., Hansen, N., Liang, J.J., Deb, K.,
Chen, Y.P., Auger, A., Tiwari, S. (2005). Problem
definitions and evaluation criteria for the CEC
2005 Special Session on Real Parameter
Optimization.
Technical Report. Nanyang Technological University.
Marco Experimental
• Problemas de prueba: Funciones F6-25.
• Número de ejecuciones: 25 veces.
• Medida de calidad: Media del error del mejor individuo de la
población.
E(X) = f(X) − f(X*), donde X* es el optimo de la función.
• Dos estudios:
– D=10 y 100.000 evaluaciones.
– D=30 y 300.000 evaluaciones.
• Condición de parada: Error obtenido es menor que 10-8, o cuando
se alcanza el número máximo de evaluaciones.
Problemas de Prueba
Dejamos fuera f1-f5
9
Problemas de Prueba
10
Problemas de Prueba
11
Algoritmos para Comparación
12
Contribuciones
Sesión 1. Miércoles 11-02-2009,
10:00 – 11:30
AGs con Codificación Real
T1. Domingo Ortiz, A. de Haro-García, R. del Castillo-Gomariz
Aprendizaje por reforzamiento aplicado al operador de cruce en algoritmos genéticos con
codificación real
T2. A.M. Sánchez, M. Lozano, F. Herrera
Algoritmos Genéticos para Codificación Real con Operador de Cruce Híbrido con Múltiples
Descendientes: 2BLX0.5-2FR0.5-2PNX3-2SBX0.01
Algoritmos Distribuidos
T3. I.Robles, J.M. Benitez, M. Lozano, F. Herrera
Implementación de un algoritmo genético distribuido para optimización de problemas reales
T4. S. Muelas, J.M. Peña, A. La Torre y V. Robles
Algoritmos Distribuidos Heterogéneos para problemas de Optimización Continua
Contribuciones
Sesión 2. Miércoles 11-02-2009,
12:00 – 13:30
PSO, DE, DMO, AEF
T5. José García-Nieto, Javier Apolloni y Enrique Alba
Algoritmo Basado en Cúmulos de Partículas y Evolución Diferencial para la Resolución de
Problemas de Optimización Continua
T6. Amilkar Yudier Puri, Rafael Bello,
Optimización basada en Mallas Dinámicas Su aplicación en la solución de problemas de
optimización continuos
T7. Silvia Alonso, Juan I. Jiménez, Himar Carmona, Blas Galván, Gabriel Winter, Begoña
González
Comportamiento de un Algoritmo Evolutivo Flexible Para Problemas de Optimización continua
T8. La Torre, J. M. Peña, J. Fernández, y S. Muelas
MOS como Herramienta para la Hibridación de Algoritmos Evolutivos
Contribuciones
Sesión 3. Miércoles 11-02-2009,
15:00 – 16:30
Modelos Híbridos
T9. C. Blum, P. Cardoso, F. Herrera
ACOR híbrido con múltiples colonias para problemas de optimización continua
T10. Abraham Duarte, Rafael Marti, Fred Glover
Adaptive Memory Programming for Global Optimization
T11. D. Molina, M. Lozano, F. Herrera
Algoritmo Memético Basado en Encadenamiento de Búsquedas Locales para Problemas de
Optimización Continua
Análisis y Debate
Presentación de un análisis global de resultados:
F. Herrera
(5 Minutos)
Debate: Nuevos retos en el desarrollo de
modelos MAEB para optimización continua
(20 minutos)