Optimización global en espacios restringidos mediante el sistema inmune artificial.

(1)

Optimización global en espacios

restringidos mediante el sistema

inmune artificial.

Tesista: Daniel Trejo P´erez

[email protected]

Director de tesis: Dr. Carlos Artemio Coello Coello

CINVESTAV-IPN

(2)

Secciones

Introducción

Objetivos del proyecto Productos esperados

Calendario de actividades Trabajo realizado

Referencias

(3)

(4)

Para recordar

(5)

Sistema inmune artifical.

Sistemas adaptativos. Inspirados en la teoría inmunológica.

Es aplicado para resolver problemas. Tiene cuatro modelos principales.

(6)

Sistema inmune artifical.

Sistemas adaptativos.

Inspirados en la teoría inmunológica. Es aplicado para resolver problemas.

Tiene cuatro modelos principales.

(7)

Sistema inmune artifical.

Inspirados en la teoría inmunológica. Es aplicado para resolver problemas. Tiene cuatro modelos principales.

(8)

Sistema inmune artifical.

Inspirados en la teoría inmunológica. Es aplicado para resolver problemas. Tiene cuatro modelos principales.

(9)

Conceptos básicos.

Anticuerpo: Encargado de detectar agentes extraños. Antígeno: Agente extraño que intenta invadir.

1

0

1

1 ₀

0

1

0 ₁

0

(10)

Operaciones básicas(1).

Afinidad. 1 1 0 1 0 1 1 1 1 0 1 1 Mutación. 1 1 0 1 0 1 1 1 1 1 0 1

(11)

Operaciones básicas(2).

Clonación. 1 1 0 1 0 1 1 1 0 1 0 1 Búsquedas locales Redes. 1 1 0 1 0 1 1 1 0 1 1 0

(12)

Anticuerpo y Antígenos.

(13)

Modelos de medula espinal.

Utilizado para la generación de células y moléculas.

1A 1B 1C 1D 1E 1F 2A 2B 2C 2D 2E 2F 3A 3B 3C 3D 3E 3F

1C 2B 3F Anticuerpo

(14)

Modelo selección positiva y negativa.

Utilizado para generar repertorios de células y moléculas capaces de reconocer elementos externos.

(15)

Modelo de selección clonal.

Usados para controlar como los componentes del sistema inmune interactuan con los antigenos.

(16)

Modelos de red inmune.

Se usan para simular la estructura y dinámica de la red inmune que es básicamente las relaciones entre

anticuerpos tanto en presencia como en ausencia de antigenos.

(17)

Aplicaciones.

Reconocimiento de patrones. Aprendizaje de máquina. Optimización. Seguridad. Robotica. Scheduling.

(18)

Aplicaciones.

(19)

Aplicaciones.

(20)

Aplicaciones.

(21)

Aplicaciones.

(22)

Aplicaciones.

(23)

¿Por qué es importante?.

¿Puede desarrollarse un algoritmo, basado en algún modelo de sistema inmune artificial, que sea capaz de obtener resultados competitivos en optimización global con restricciones?

¿Qué elementos del modelo de sistema inmune permiten que el algoritmo funcione como buen optimizador?

Es importante contestar estas preguntas porque nos permiten definir al sistema inmune artificial como un optimizador global para problemas con

(24)

¿Por qué es importante?.

Es importante contestar estas preguntas porque nos permiten definir al sistema inmune artificial como un optimizador global para problemas con

restricciones.

(25)

¿Por qué es importante?.

Es importante contestar estas preguntas porque nos permiten definir al sistema inmune artificial como un optimizador global para problemas con restricciones.

(26)

Objetivo general

Desarrollar un algoritmo basado en algún esquema del sistema inmune artificial que sea competitivo en proble-mas de optimización global con restricciones.

(27)

Objetivos particulares

Estudiar los modelos del sistema inmune artificial y definir cual de ellos puede convertirse en buen optimizador.

Establecer que componentes del esquema elegido pueden funcionar para el algoritmo a desarrollar.

Estudiar y elegir un mecanismo de manejo de restricciones para adaptarlo al algoritmo.

(28)

Objetivos particulares

Llevar acabo la comparación y estudio del algoritmo.

(29)

Objetivos particulares

(30)

Objetivos particulares

Llevar acabo la comparación y estudio del algoritmo.

(31)

Productos esperados

Un algoritmo competitivo en optimización global con restricciones.

Un estudio del sistema inmune como optimizador para problemas con restricciones.

(32)

Productos esperados

Un algoritmo competitivo en optimización global con restricciones.

Un estudio del sistema inmune como optimizador para problemas con restricciones.

(33)

(34)

Trabajos relacionados.

Hajela y Lee: Optimización a través de dos

algoritmos genéticos simulando el sistema inmune artificial.

Coello y Cruz: Basado en el anterior pero con mejoras significativas.

(35)

Trabajos relacionados.

Hajela y Lee: Optimización a través de dos

algoritmos genéticos simulando el sistema inmune artificial.

Coello y Cruz: Basado en el anterior pero con mejoras significativas.

(36)

Trabajos realizado.

Estudio de los esquemas. Implementación de un sistema inmune bajo el

principio de selección clonal con un esquema de restricciones básico.

Implementación de las funciones de prueba propuestas por Michalewicz.

Análisis del algoritmo con respecto a las funciones.

(37)

Trabajos realizado.

Estudio de los esquemas.

Implementación de un sistema inmune bajo el principio de selección clonal con un esquema de restricciones básico.

(38)

Trabajos realizado.

Análisis del algoritmo con respecto a las funciones.

(39)

Trabajos realizado.

(40)

Referencias

[1] Carlos A. Coello Coello. “Theoretical and numerical constraint-handling techniques used with evolutionary algorithms: A survey of the state of the art”. Computer Methods in Applied

Mechanics and Engineering, 191(11-12):1245 1287, Enero 2002.

[2] Carlos A. Coello Coello y Nareli Cruz Cortés, “Hybridizing a Genetic Algorithm with an

Artificial Immune System for Global Optimization”, Engineering Optimization, Vol. 36, No. 5, pp. 607–634, October 2004

[3] Nareli Cruz Cortés y Carlos A. Coello Coello. "Multiobjective Optimization using the Clonal Selection Principle", in Genetic and Evolutionary Computation Conference (GECCO’2003), Chicago, Illinois, USA, July 2003

[4] Nareli Cruz Cortés y Carlos A. Coello Coello.Üsing artificial immune systems to solve

optimization problems", in Genetic and Evolutionary Computation Conference GECCO’2003, Chicago, Illinois, USA, July 2003.

[5] David Corne, Marco Dorigo y Fred Glover. New ideas in optimization. McGraw Hill Publishing Company. 1999.

(41)

Referencias

[1] Z.Ji and D.Dasgupta. Artificial Immune System (AIS) Research in the Last Five Years. Published in the proceedings of the Congress on Evolutionary Computation Conference (CEC) Canberra, Australia December 8-12 2003.

[2] Leandro N. de Castro y Jonathan Timmis. Artificial Immune Systems: A new Computational Intelligence Approach. Springer. 2002.

[3] L. N. de Castro y F. J. Von Zuben. .aiNet: An Artificial Immune Network for Data Analysis", Book Chapter in Data Mining: A Heuristic Approach. H. A. Abbass, R. A. Sarker, and C. S. Newton (eds.), Idea Group Publishing, USA, Chapter XII, pp. 231-259. 2001.

[4] L. N. de Castro y F. J. Von Zuben. "Learning and Optimization Using the Clonal Selection

Principle", IEEE Transactions on Evolutionary Computation, Special Issue on Artificial Immune Systems, 6(3), pp. 239-251. 2001.

(42)

Referencias

[1] Zbigniew Michalewicz. “A Survey of Constraint Handling Techniques in Evolutionary

Computation Methods”. In J. R. McDonnell, R. G. Reynolds and D. B. Fogel (Eds.), Proceedings of the 4th Annual Conference on Evolutionary Programming, pages 135-155, the MIT Press, Cambridge, Massachusetts, 1995.

[2] Singuresu S. Rao Engineering optimization: Theory and Practice. Wiley Inter-Science. 1996