Download Uso de técnicas para generar soluciones no dominadas y acelerar
Document related concepts
no text concepts found
Transcript
Uso de técnicas para generar soluciones no dominadas y acelerar la convergencia en optimización evolutiva multiobjetivo Tesista: Alan Dı́az Manrı́quez. Asesor: Dr.Gregorio Toscano Pulido Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional Laboratorio de Tecnologı́as de Información, Tamaulipas, México 14 de Septiembre de 2011 Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 1 / 29 Índice 1 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. 2 Mejorar la eficiencia en EAs 3 Técnicas para completar el frente de Pareto 4 Motivación, objetivo y plan de trabajo Motivación Preguntas de Investigación Hipótesis Objetivos Metodologı́a 5 Conclusiones Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 2 / 29 Introducción, antecedentes y conceptos básicos Índice 1 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. 2 Mejorar la eficiencia en EAs 3 Técnicas para completar el frente de Pareto 4 Motivación, objetivo y plan de trabajo Motivación Preguntas de Investigación Hipótesis Objetivos Metodologı́a 5 Conclusiones Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 3 / 29 Introducción, antecedentes y conceptos básicos Introducción La mayorı́a de los problemas del mundo real usualmente involucran dos o más objetivos a ser optimizado simultáneamente. Cuando un problema requiere de optimizar simultáneamente un conjunto de funciones objetivo se denomina: problema de optimización multiobjetivo (MOP). Los problemas de optimización multiobjetivo yacen en diversas áreas de investigación. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 4 / 29 Introducción, antecedentes y conceptos básicos Optimización multiobjetivo Un problema de optimización multiobjetivo (MOP) puede ser definido como: Encontrar el vector ~x ∗ = [x1∗ , x2∗ , ..., xn∗ ]T que satisfaga las m restricciones de desigualdad: gi (~x ) ≤ 0 i = 1, 2, ..., m (1) j = 1, 2, ..., p (2) y p restricciones de igualdad: hj (~x ) = 0 que optimice la función vectorial: ~f (~x ) = [f1 (~x ), f2 (~x ), ..., fk (~x )]T (3) donde ~x = [x1 , x2 , ..., xn ]T es el vector de variables de decisión; ~f es el conjunto de objetivos a ser minimizados ó maximizados. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 5 / 29 Introducción, antecedentes y conceptos básicos La comunidad de investigación de operaciones desarrolló una gran cantidad de trabajos relacionados con la resolución de MOPs, dando origen a más de 30 técnicas de programación matemática diseñadas explı́citamente para la resolución de problemas multiobjetivo. Desventajas Presuponen que el frente de Pareto es convexo. Usualmente dependen de un punto inicial de búsqueda. En funciones multimodales es común que queden estancadas en regiones donde existen óptimos locales. Las funciones objetivo deben ser diferenciables. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 6 / 29 Introducción, antecedentes y conceptos básicos Algoritmos Evolutivos (EAs) hacen referencia a un conjunto algoritmos inspirados en el Neo-Darwinismo que son especialmente apropiados para lidiar con este tipo de problemas. Ventajas Son técnicas poblacionales que realizan implı́citamente una búsqueda multidimensional y pueden encontrar más de una solución por ejecución. Históricamente han mostrado flexibilidad, adaptabilidad y un buen desempeño. Han demostrado ser técnicas útiles para resolver problemas de alta dimensionalidad, con funciones objetivo que incorporan ruido, espacios de búsqueda accidentados y de gran tamaño. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 7 / 29 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. En la actualidad se han propuesto diversos algoritmos evolutivos para la solución de problemas multiobjetivo. Sin embargo, a pesar de la eficacia de estos algoritmos, cuando la función aptitud es computacionalmente costosa de evaluar, se necesitan nuevos esquemas de optimización que permitan disminuir el número de evaluaciones de la función objetivo pero manteniendo la calidad de las soluciones (mejorar la eficiencia). Mejorar eficiencia Por mejorar la eficiencia se entiende el obtener los mismos resultados que otros algoritmos (en nuestro caso, un MOEA) usando un número menor de instrucciones (evaluaciones de la función objetivo). Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 8 / 29 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. Ejemplo En optimización de diseños aerodinámicos es común evaluar el rendimiento de una estructura mediante simulaciones de mecánica de fluidos computacional (CFD). Una simulación CFD es usualmente costosa, especialmente si se simula en 3 dimensiones (toma aproximadamente 10 horas en una computadora de alto rendimiento). Si se utilizara un algoritmo que requiriera 1000 evaluaciones de la función objetivo, tomarı́a aproximadamente un año para completar el proceso de optimización. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 9 / 29 Mejorar la eficiencia en EAs Índice 1 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. 2 Mejorar la eficiencia en EAs 3 Técnicas para completar el frente de Pareto 4 Motivación, objetivo y plan de trabajo Motivación Preguntas de Investigación Hipótesis Objetivos Metodologı́a 5 Conclusiones Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 10 / 29 Mejorar la eficiencia en EAs Metaheurı́sticas y optimización global Diversos autores decidieron modificar diferentes EAs y otras meta-heurı́sticas que habı́an sido exitosamente utilizadas para resolver problemas de optimización monobjetivo y que tenı́an como caracterı́stica principal su velocidad de convergencia, habilitándolos para resolver MOPs con el objetivo de crear enfoques más eficientes (p.ej. evolución diferencial, recocido simulado, optimización mediante cúmulos de partı́culas, etcétera). Exitosos Mucho trabajo al respecto A la vez existen técnicas que han sido utilizadas exitosamente en optimización global y algoritmos evolutivos que aun no han sido aplicadas a problemas de optimización multiobjetivo. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 11 / 29 Mejorar la eficiencia en EAs Modelos de aproximación Se han sido utilizados modelos de aproximación en EAs de diversas maneras: Migración Inicialización y para guiar la búsqueda Reemplazan la función objetivo Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 12 / 29 Mejorar la eficiencia en EAs Operadores Inteligentes Recientemente han aparecido operadores de variación que intentan crear nuevas soluciones de manera más inteligente: Hacen uso de la información adquirida durante el proceso de búsqueda Realizan un mejor muestreo del espacio de búsqueda, con la finalidad de crear soluciones más prometedoras que los operadores tradicionales Existen trabajos que han sido exitosos (algoritmos culturales) Trabajo escaso Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 13 / 29 Mejorar la eficiencia en EAs Algoritmos hı́bridos Surgieron nuevos desarrollos de algoritmos hı́bridos que hacen referencia a: Reducir el número de evaluaciones necesarias para resolver el problema multiobjetivo. Mejorar la calidad de las soluciones finales. En estos desarrollos se han combinado EAs que funcionan como motores de búsqueda de grano grueso y métodos de búsqueda local (p.ej., programación matemática, métodos estocásticos de búsqueda local, entre otros), con la finalidad de combinar adecuadamente la capacidad explorativa de los EAs con el poder de explotación de la búsqueda local. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 14 / 29 Técnicas para completar el frente de Pareto Índice 1 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. 2 Mejorar la eficiencia en EAs 3 Técnicas para completar el frente de Pareto 4 Motivación, objetivo y plan de trabajo Motivación Preguntas de Investigación Hipótesis Objetivos Metodologı́a 5 Conclusiones Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 15 / 29 Técnicas para completar el frente de Pareto Técnicas para completar el frente de Pareto Recientemente han surgido técnicas para completar el frente de Pareto a partir de algunas soluciones que se encuentren sobre el mismo, de tal manera, que sea posible producir un subconjunto representativo del verdadero frente de Pareto a partir de algunas cuantas soluciones que pertenezcan al mismo. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 16 / 29 Técnicas para completar el frente de Pareto Técnicas para completar el frente de Pareto Recientemente han surgido técnicas para completar el frente de Pareto a partir de algunas soluciones que se encuentren sobre el mismo, de tal manera, que sea posible producir un subconjunto representativo del verdadero frente de Pareto a partir de algunas cuantas soluciones que pertenezcan al mismo. Problema de optimización multiobjetivo Obtener un conjunto disperso de soluciones que se encuentren lo más cerca posible al frente de Pareto ⇓ Encontrar únicamente algunas soluciones pertenecientes al frente de Pareto en una primera fase, y como segunda fase, utilizar estas técnicas para obtener un subconjunto representativo del frente de Pareto. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 16 / 29 Motivación, objetivo y plan de trabajo Índice 1 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. 2 Mejorar la eficiencia en EAs 3 Técnicas para completar el frente de Pareto 4 Motivación, objetivo y plan de trabajo Motivación Preguntas de Investigación Hipótesis Objetivos Metodologı́a 5 Conclusiones Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 17 / 29 Motivación, objetivo y plan de trabajo Motivación Motivación Los enfoques anteriormente descritos han sido utilizados por separado. Sin embargo, los trabajos que realizan una mezcla de estas técnicas para incrementar la velocidad de convergencia son escasos. Suponemos que es posible realizar el desarrollo de un algoritmo con énfasis en eficiencia que incorpore un diseño dividido en dos fases: Fase 1 Utilizar un EA o alguna técnica de programación matemática para encontrar las áreas más prometedoras del espacio de búsqueda. Explorarlas haciendo uso de algún mecanismo que nos permita acelerar la convergencia. No se tomará en cuenta ni la cantidad de soluciones no dominadas, ni su dispersión (presuponemos que es más difı́cil converger mientras se mantiene una buena dispersión de las soluciones). Fase 2 Utilizar un mecanismo que permita producir un conjunto representativo (con buena dispersión) de las soluciones no dominadas, a partir de las soluciones obtenidas por la primera fase. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 18 / 29 Motivación, objetivo y plan de trabajo Preguntas de Investigación Preguntas de Investigación ¿Cómo unir exitosamente diversas técnicas para acelerar la convergencia que permitan mejorar la eficiencia en los algoritmos evolutivos? ¿Cómo crear soluciones no dominadas a partir de un pequeño subconjunto de ellas? Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 19 / 29 Motivación, objetivo y plan de trabajo Hipótesis Hipótesis Hipótesis Es posible que la combinación de diversas técnicas para acelerar convergencia permitan desarrollar algoritmos evolutivos que puedan resolver problemas de optimización multiobjetivo con un menor número de evaluaciones que las necesitadas por aquellos enfoques representativos del área. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 20 / 29 Motivación, objetivo y plan de trabajo Objetivos Objetivo General El objetivo general de este trabajo es contribuir al conocimiento de los algoritmos evolutivos multiobjetivo mediante la investigación de: Técnicas para acelerar la convergencia en algoritmos evolutivos multiobjetivo Algoritmos para completar el frente de Pareto Esta investigación realizará contribuciones tanto a las Ciencias de la Computación como a la Investigación de Operaciones, en las áreas de algoritmos evolutivos y optimización multiobjetivo. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 21 / 29 Motivación, objetivo y plan de trabajo Objetivos Objetivos particulares Realizar un estudio comparativo de técnicas para acelerar convergencia que sirva como base para el desarrollo de nuevos algoritmos evolutivos multiobjetivo Contribuir con el estado del arte mediante el desarrollo de al menos un mecanismo para acelerar la convergencia en algoritmos evolutivos multiobjetivo. Contribuir con el estado del arte mediante el desarrollo de al menos una nueva técnica para completar el frente de Pareto a partir de algunas soluciones. Aportar al estado del arte al menos un nuevo algoritmo hı́brido que utilice las ventajas del mecanismo de aceleración de la velocidad de convergencia. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 22 / 29 Motivación, objetivo y plan de trabajo Metodologı́a Metodologı́a Etapa 1 Estudiar los mecanismos existentes para acelerar convergencia (tentativamente los relacionados con la creación de metamodelos) Diseñar al menos un nuevo mecanismo para acelerar convergencia en MOEAs (tentativamente se usarán técnicas de aprendizaje máquina para generar conocimiento nuevo, que a su vez se utilizará el conocimiento obtenido para crear un operador inteligente que sea capaz de guiar la búsqueda de manera exitosa). Validar estadı́sticamente el nuevo mecanismo Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 23 / 29 Motivación, objetivo y plan de trabajo Metodologı́a Etapa 2 Estudiar métodos de búsqueda local y otros mecanismos propuestos para completar el frente de Pareto a partir de algunas soluciones. Diseñar una nueva técnica para completar el frente de Pareto Validar estadı́sticamente la técnica propuesta y compararla con respecto a las representativas del estado del arte. Etapa 3 Diseñar un nuevo algoritmo que explote las caracterı́sticas de todos los elementos estudiados durante las dos primeras etapas. Validar estadı́sticamente el nuevo algoritmo propuesto con respecto a los MOEAs multiobjetivo representativos del estado del arte utilizando problemas de prueba y medidas de desempeño estándar, de acuerdo con la literatura especializada. Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 24 / 29 Motivación, objetivo y plan de trabajo Metodologı́a Metodologı́a METODOLOGIA Aclerar Convergencia AE - AG - Surrogados - Operadores Inteligentes - Hibridos Diseno MOEA - PSO - ED MOEA Final Completado - Rough Sets - Busqueda dispersa - Metodos de continuacion Alan Dı́az Manrı́quez (CINVESTAV) Diseno de una nueva tecnica Seminario de Investigación Septiembre, 2011 25 / 29 Motivación, objetivo y plan de trabajo Metodologı́a Actividades Actividad Estudio literario. MOEA con aceleración de convergencia (Alg. 1) Técnica para completar el frente de Pareto (Alg. 2) MOEA que combine (Alg. 1 y Alg. 2) Cursos Publicaciones Examen predoctoral Redacción del documento de tesis Primer Año P1 P2 P3 X X X X X Segundo Año P1 P2 P3 X X X X X X X X Alan Dı́az Manrı́quez (CINVESTAV) X X X X X X X Tercer Año P1 P2 P3 X X X X X X X X Cuarto Año P1 P2 P3 X X X X X X Seminario de Investigación X Septiembre, 2011 X X 26 / 29 Conclusiones Índice 1 Introducción, antecedentes y conceptos básicos Optimización evolutiva con múltiples objetivos. 2 Mejorar la eficiencia en EAs 3 Técnicas para completar el frente de Pareto 4 Motivación, objetivo y plan de trabajo Motivación Preguntas de Investigación Hipótesis Objetivos Metodologı́a 5 Conclusiones Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 27 / 29 Conclusiones Conclusiones Problema multiobjetivo Programación matemática vs Algoritmos Evolutivos Funciones costosas de evaluar Tecnicas para acelerar la convergencia Hipótesis, objetivos y metodologı́a de la investigación. Se espera obtener al menos un nuevo algoritmo evolutivo multiobjetivo que use técnicas para acelerar su convergencia y para completar el frente de Pareto con el objetivo utilizar un menor número de evaluaciones de la función objetivo que aquellos algoritmos más representativos del estado del arte Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 28 / 29 Conclusiones GRACIAS Alan Dı́az Manrı́quez (CINVESTAV) Seminario de Investigación Septiembre, 2011 29 / 29