Algoritmos Evolutivos Paralelos

Top PDF Algoritmos Evolutivos Paralelos:

Algoritmos evolutivos paralelos: implementaciones sobre un modelo unificado

Algoritmos evolutivos paralelos: implementaciones sobre un modelo unificado

Este trabajo presenta una breve revisión de los algoritmos evolutivos paralelos. Además, realiza un análisis comparativo del comportamiento de estos algoritmos con su versión secuencial, a fin de identificar cuáles son sus aciertos y debilidades. El paquete de software utilizado responde a un modelo unificado desarrollado en la Universidad de Málaga. La evaluación de los algoritmos se realiza analizando los resultados obtenidos para dos problemas de optimización bien conocidos como lo son: OneMax y Mochila Binaria.

11 Read more

Algoritmos evolutivos paralelos distribuidos para resolver problemas de optimización

Algoritmos evolutivos paralelos distribuidos para resolver problemas de optimización

La aplicación de Algoritmos Evolutivos (AEs) a problemas de optimización ha sido muy importante durante los últimos años [5]. Es posible encontrar este tipo de algoritmos para buscar soluciones a problemas complejos tales como tareas de optimización con restricciones, con ruido o con elevada epístasis y/o multimodalidad, para los cuales otras técnicas pueden insumir mucho tiempo y que, por lo general, proveen una única solución óptima. Normalmente la mayoría de los AEs utilizan una única población (panmícticos), aunque también existe una cierta tradición en el uso de poblaciones estructuradas, especialmente en el caso de implementaciones paralelas. La inclusión del paralelismo, distribución de tareas en varios procesadores, en el diseño de los AEs ha sido muy importante dando lugar a mecanismos de búsqueda y optimización mejorados: algoritmos evolutivos paralelos (AEPs). Entre los AEPs más conocidos figuran los distribuidos y los celulares [3]. En el primer caso la población se divide en conjuntos de subpoblaciones o islas en las que se ejecutan AEs aislados. Entre estas islas se producen intercambios de individuos esporádicamente para introducir diversidad en cada una de ellas y guiar la búsqueda hacia las porciones más prometedoras del espacio. Este proceso es conocido como migración. La especificación de un AEP distribuido define el tamaño y el número de islas, la topología de conexión entre ellas, el porcentaje de migración (la fracción de la población que migra), la frecuencia de migraciones y la política para seleccionar emigrantes y reemplazar individuos existentes con inmigrantes, políticas de migración y reemplazo.
Show more

12 Read more

Algoritmos evolutivos paralelos : análisis de diversidad

Algoritmos evolutivos paralelos : análisis de diversidad

Tener una alta diversidad dentro de una poblaci´ on no significa que ´ esta vaya a converger a la soluci´ on ´ optima global del problema, pero definitivamente ayuda a evadir sub´ optimos del espacio de b´ usqueda, por lo que mantener una diversidad relativamente alta a lo largo de la ejecuci´ on de un algoritmo gen´ etico tiende a mejorar la calidad de los resultados obtenidos, puesto que se realiza una mejor exploraci´ on del espacio de b´ usqueda. Un punto importante a considerar cuando se tiene una alta diversidad en un algoritmo gen´ etico es el incremento en el tiempo de convergencia, lo cual puede no ser favorable en t´ erminos computacionales. Es importante hacer notar que para lograr una implementaci´ on exitosa de un algoritmo gen´ etico, se necesitan tener diferencias en la diversidad de la poblaci´ on en diferentes momentos, ya que se necesita una diversidad alta en las partes iniciales del algoritmo para evitar sub´ optimos, pero tambi´ en se necesita de una disminuci´ on de la diversidad para poder converger a una soluci´ on ´ optima en la parte final. Esto convierte a la diversidad en un elemento din´ amico de los algoritmos gen´ eticos, pues varios factores interfieren entre s´ı, dificultando el poder implementar de forma eficiente un algoritmo gen´ etico [20]. Gran parte de esta complejidad es inherente al problema que se quiera tratar, pues cada problema presenta un espacio de b´ usqueda diferente, los par´ ametros de tama˜ no de poblaci´ on y n´ umero de generaciones necesarias para obtener un resultado aceptable tambi´ en son diferentes, as´ı como los operadores y en algunos casos los m´ etodos de selecci´ on, seg´ un sean necesarios, y una mala elecci´ on en cualquiera de estos elementos se puede ver reflejada en una r´ apida p´ erdida de diversidad y un desempe˜ no pobre del algoritmo.
Show more

105 Read more

Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción

Método de reducción de incertidumbre basado en algoritmos evolutivos paralelos orientado a procesos de predicción

El proyecto se encuentra en ejecución desde enero de 2014 en el LICPaD (Laboratorio de Investigación en Cómputo Paralelo/Distribuido) en la UTN-FRM, y forma parte de la continuación de los proyectos PID UTN1194 (de la UTN) y PIP 11220090100709 (del CONICET), en los cuales se desarrolló el método ESS (Evolutionary-Statistical System) [1]. Dicho método involucra algoritmos evolutivos [2] y se basa en un esquema de única población con evaluación paralela de la aptitud [3]. En contraste, el método propuesto en el proyecto que aquí se trata está enfocado en la utilización del mismo esquema evolutivo, pero potenciando la utilización de los recursos paralelos, a partir de la operación sobre múltiples poblaciones y utilización de un esquema de migración (conocido como Modelo de Islas) [4].
Show more

5 Read more

Análisis y diseño de algoritmos genéticos paralelos distribuidos

Análisis y diseño de algoritmos genéticos paralelos distribuidos

Más adelante presentaremos la evolución y los tipos de algoritmos evolutivos paralelos para encuadrar nuestra propuesta. Por el momento debemos centrar nuestra atención en los aspectos que son susceptibles de paralelizar. De esta forma, encontramos que los operadores que no usan panmixia pueden ejecutarse a la vez sobre diferentes porciones de la población. Por otro lado, las operaciones de evaluación de la adecuación de los descendientes pueden ser igualmente paralelizadas sin provocar ningún cambio en el modelo secuencial básico. Con estos dos tipos de paralelización, y manteniendo una selección centralizada, damos lugar a un algoritmo más rápido en tiempo real pero con las mismas características de búsqueda que si no estuviese trabajando en paralelo. A los modelos resultantes se les denomina de paralelización global (Figura 1.1, tipo 2) [Cant97b]. Cuando la paralelización no la establece el usuario sino que ocurre a nivel de compilación de las instrucciones del programa se le denomina automática (Figura 1.1, tipo 1).
Show more

205 Read more

Algoritmos evolutivos . Estudio de escalabilidad sobre el problema 3-SAT

Algoritmos evolutivos . Estudio de escalabilidad sobre el problema 3-SAT

cos. De acuerdo a la compilaci´on que realizase Jun Gu et al. [GPFW96] varios de los algoritmos dan una respuesta definitiva a la pregunta inicialmente planteada, si cada instancia del pro- blema es satisfecha o no, pero tiene una complejidad exponencial al peor caso, a menos que P = N P . Los algoritmos heur´ısticos pueden encontrar soluciones para instancias satisfechas r´apidamente, pero ellos no pueden garantizar el dar una respuesta para todas las instancias del problema.

5 Read more

Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast

Comparación de algoritmos evolutivos multi-objetivos en un ambiente multicast

El resto del documento se encuentra organizado de la siguiente manera. Una definición general de un problema de optimización multi-objetivo es presentada en la Sección 2. La formulación del problema y las funciones objetivo son dadas en la Sección 3. Una breve introducción a los algoritmos evolutivos y la codificación utilizada se presenta en la Sección 4. En la Sección 5, una breve descripción de cada uno de los algoritmos. Pruebas y resultados experimentales de los algoritmos son mostrados en la Sección 6. Finalmente, la conclusión y los trabajos futuros son expuestos en la Sección 7.
Show more

12 Read more

Sintonización de un PID Siemens® utilizando algoritmos evolutivos

Sintonización de un PID Siemens® utilizando algoritmos evolutivos

Resumen: Este artículo muestra el desarrollo de una aplicación para la sintonización de un controlador PID, utilizando una estrategia basada en algoritmos evolutivos. Dicha estrategia, al pasar 50 generaciones (las cuales tardan 60 minutos en establecerse), encuentra un valor aceptable para sintonizar el controlador. Se realizó una simulación del proceso teniendo en cuenta el modelo discreto del proceso a controlar, la cual permite evaluar el desempeño de cada generación, con el fin de establecer y comprobar los mejores valores de las constantes Proporcional, Integral y Derivativa que mantienen el sistema en un estado estable. Las constantes halladas usando este método fueron probadas en un PLC Siemens® S7-300, realizando un acople a un sistema de control proceso, en el cual se controla la variable de proceso “caudal” a través de una válvula proporcional y un transmisor de flujo. Este sistema permite la sintonización de un controlador sin tener un conocimiento experto a diferencia de los métodos convencionales de ensayo y error (Zieger Nichols, Cohen y Coon, entre otros).
Show more

6 Read more

Algoritmos evolutivos aplicados a problemas de diseño de redes confiables

Algoritmos evolutivos aplicados a problemas de diseño de redes confiables

En este capítulo se han desarrollado algunos tópicos importantes que involucran los algoritmos evolutivos, se destacaron sus características y ventajas sobre otros métodos para la resolución de problemas como el planteado en esta tesis. Estos algoritmos tienen las ventajas de su robustez, su tiempo de ejecución acotado, la posibilidad de explorar varias regiones del espacio de búsqueda al mismo tiempo y una paralelización intrínseca. Como desventaja de los AE estriba en el hecho de no garantizar la obtención de un óptimo global. Sin embargo los problemas combinatorios, cuando se consideran instancias de tamaño considerable, tiene asociados espacios de búsquedas muy grandes donde los métodos determinísticos colapsan y los AE permiten encarar estos espacios de búsqueda completos constituido por todas las posibles combinaciones topológicas desde un enfoque exhaustivo, mucho más apropiado para abordar este tipo de problemas, lo cual justifica la utilización de los AE a pesar de la desventaja mencionada.
Show more

136 Read more

Algoritmos evolutivos aplicados al diseño inteligente de parques eólicos

Algoritmos evolutivos aplicados al diseño inteligente de parques eólicos

Resumen En este documento se muestran dos tipos de algoritmos metaheur´ısti- cos aplicados al dise˜no inteligente de un parque e´olico, la idea b´asica es utilizar CHC y algoritmos gen´eticos para obtener una buena configuraci´on de molinos dentro del parque de tal manera que maximicen la energ´ıa total producida y mini- micen la cantidad de molinos utilizados. En este trabajo analizaremos dos casos de estudios con una distribuci´on real de vientos de la patagonia argentina, un terreno irregular con restricciones y aplicaremos ambos algoritmos para final- mente mostrar las configuraciones obtenidas, la energ´ıa generada, la eficiencia del parque en su conjunto y los tiempos de ejecuci´on de cada algoritmo.
Show more

10 Read more

Sistemas Exaptivos: Retención y Reutilización de Conocimiento en Algoritmos Evolutivos

Sistemas Exaptivos: Retención y Reutilización de Conocimiento en Algoritmos Evolutivos

mecanismos de aprendizaje que utilizan algoritmos evolutivos ya que se quiere involucrar a la exaptación en los mecanismos de aprendizaje. La exaptación tiene una relación con el aprendizaje por analogía; por lo cual también puede brindar una guía para la implantación de un sistema con capacidades exaptivas. La exaptación se divide en dos procedimientos, el primero es la reutilización de soluciones, el segundo es la retención. Para el primer procedimiento se analizan técnicas para modificar soluciones e insertarlas en la población inicial de un algoritmo genético u otro algoritmo evolutivo. Para el segundo procedimiento se analizan algunos algoritmos evolutivos que mantienen la diversidad en la población y se utilizan mecanismos de memoria junto con algunas
Show more

131 Read more

Analizando el desempeño de distintas topologías en algoritmos evolutivos distribuidos

Analizando el desempeño de distintas topologías en algoritmos evolutivos distribuidos

El speedup fuerte (I) compara el tiempo que tarda en correr un algoritmo paralelo contra el mejor de todos los algoritmos secuenciales. Ésta es la definición más exacta del speedup, pero debido a la dificultad que presenta encontrar el mejor de todos los algoritmos secuenciales, no es muy utilizado por los diseñadores de algoritmos paralelos. El speedup débil (II) compara el algoritmo paralelo desarrollado por el investigador contra su propia mejor versión serial. En este caso existen dos criterios para que se detenga el algoritmo: por la calidad de la solución o por esfuerzo máximo. Este último es descartado por Alba y Troya [1], ya que los algoritmos paralelos deben ser comparados corriéndolos hasta encontrar una solución de la misma calidad para todos y no hasta que se complete el mismo número de pasos para todos los algoritmos. Por tal motivo se proponen dos variantes del speedup débil con parada por solución: La primera sería comparar el algoritmo paralelo contra la versión secuencial canoníca (II.a.i), que serían dos algoritmos diferentes. La segunda sería comparar el tiempo de corrida del algoritmo paralelo en un procesador contra el tiempo de corrida del mismo algoritmo en m procesadores (II.a.ii).
Show more

12 Read more

Algoritmos evolutivos distribuidos para mantener diversidad poblacional

Algoritmos evolutivos distribuidos para mantener diversidad poblacional

Con esta línea de investigación se pretende encontrar AEPs heterogéneos que brinden una situación de mayor equilibrio entre diversidad poblacional y la obtención de buenas soluciones finales. Es de esperar que estos algoritmos logren combinar las características beneficiosas presentes en cada configuración; de modo de obtener una cooperación entre las islas al propagar las buenas soluciones y recuperar el material genético perdido.

3 Read more

Modelado de la distribución de espacios físicos mediante algoritmos evolutivos

Modelado de la distribución de espacios físicos mediante algoritmos evolutivos

Estamos evaluando dos alternativas, una de ellas es la generación clásica de una población inicial, es decir, totalmente aleatoria; como se- gunda opción se considera iniciar desde una asignación existente creada con una técnica tradicional (manual), buscando la optimiza- ción de dicha asignación. Para respetar la es- cencia de los algoritmos genéticos, la creacion de la poblacion inicial se realiza de forma alea- torea realizando un sorteo de las aulas entre las asignaturas a cubrir, si la celda sorteada se en- cuentra ocupada se sortea nuevamente.

5 Read more

Una comparación de algoritmos evolutivos para la optimización de funciones multimodales

Una comparación de algoritmos evolutivos para la optimización de funciones multimodales

La necesidad de incorporar conocimientos específicos de un problema dentro del algoritmo ha llevado a obtener variantes que se especializan en problemas particulares, en algunas bibliografías estos algoritmos se denominan híbridos. Principalmente se trata de utilizar, para la representación de los individuos, una estructura de datos y operadores genéticos mas naturales, acordes al problema a resolver. Es claro que mientras más conocimiento del problema es introducido dentro del algoritmo, más eficiente será su funcionamiento, pero como contrapartida, se verá limitada la aplicabilidad del algoritmo a otros problemas. Esta observación, evidencia las ventajas y desventajas de un AG puro respecto de uno híbrido y viceversa.
Show more

11 Read more

Un sistema para la evaluación del desempeño de algoritmos evolutivos

Un sistema para la evaluación del desempeño de algoritmos evolutivos

La Computación Evolutiva ha sido reconocida recientemente como un campo de investigación que estudia un nuevo tipo de algoritmos: los algoritmos evolutivos. Opuestamente a los enfoques tradicionales que mejoran una única solución, estos algoritmos procesan poblaciones de soluciones y poseen las siguientes características comunes: reproducción, variación aleatoria, competición y selección de individuos.

7 Read more

Algoritmos evolutivos y arte genético

Algoritmos evolutivos y arte genético

Los Algoritmos Genéticos se representan como una cadena de números binarios (bits) denominada cro- mosoma, donde cada posición de la cadena es un gen y el valor que se corresponde con esa posición es el alelo. Estas cadenas de bits, llamadas individuos, configuran las soluciones candidatas del problema de optimiza- ción que, tras ser evaluadas a partir de su función de aptitud, pasan a un proceso de selección que escoge a los individuos mejor adaptados para reproducirse. Este proceso de cruza (la reproducción sexual es el opera- dor genético principal) y mutación produce una nueva generación de individuos, con nuevas características genéticas, que recomenzará el ciclo.
Show more

14 Read more

Generación de árboles Filogenéticos por Medio de Algoritmos Genéticos de Función Objetivo Híbrido

Generación de árboles Filogenéticos por Medio de Algoritmos Genéticos de Función Objetivo Híbrido

Existen varios sistemas que utilizan heurísticas para generar árboles filogenéticos, pero el más representativo, fue creado por Clare Bates Cogdon, quien propuso una aplicación basada en algoritmos genéticos para construcción de filogenias, que es un acercamiento utilizado por los biólogos para estudiar la relación evolutiva entre los organismo y lo llamó “Gaphyl: An Evolutionary Algorithms Approach for the Study of Natural Evolution” [BATES,2000],. La diferencia entre los métodos de construcción de filogenias anteriores y Gaphyl radica en que a diferencia de los métodos tradicionales de construcción de filogenias que buscan de manera exhaustiva el mejor modelo evolutivo, Gaphyl lo realiza por medio de búsquedas heurísticas para buscar la mejor hipótesis de evolución, debido a que con el método de búsqueda exhaustiva el problema se vuelve poco práctico. Es de esta manera que Gaphyl puede producir buenos resultados en mucho menor tiempo que por métodos tradicionales. Gaphyl se basó en dos paquetes computacionales utilizados ampliamente que son “PHYLIP” y “Genesis”, el primer paquete es un sistema que agrupa varias herramientas para la evaluación de filogenias, mientras que el segundo es un sistema que apoya a la realización de experimientos utilizando algoritmos genéticos, Bates fusionó ambos métodos utilizando algoritmos genéticos para generar los árboles y la evaluación de Phylip del paquete de Parsimonia para evaluar dichos árboles.
Show more

85 Read more

Tendencias en arquitecturas y algoritmos paralelos

Tendencias en arquitecturas y algoritmos paralelos

- Sintonización dinámica de aplicaciones. La información que proporciona la PMU (Unidad de Monitorización de Performance) de los procesadores puede ser utilizada para modificar el comportamiento o tomar decisiones en tiempo de ejecución. Esto permite construir algoritmos dinámicos de gran precisión, que se ajustan a los eventos que ocurren en el hardware, como por ejemplo algoritmos de planificación o balance de carga. En esta línea se está desarrollando una tesis de doctorado sobre optimización de herramientas de detección de errores de concurrencia [FRA2011] [FRA2012A] [FRA2012B], centrada en activar/desactivar herramientas de monitorización en función de los eventos que genera el protocolo de coherencia cache de los procesadores actuales.
Show more

5 Read more

Extracción de contornos mediante algoritmos evolutivos

Extracción de contornos mediante algoritmos evolutivos

La extracci¶ on de contornos es indispensable para una gran cantidad de tareas aso- ciadas con el reconocimiento e identi¯caci¶ on de patrones en im¶ agenes digitales y la visi¶ on computacional. La mayor¶³a de las t¶ecnicas de segmentaci¶ on de contor- nos se basa en la detecci¶on de gradientes locales, por lo que con im¶agenes ruidosas estos m¶etodos se vuelven inestables y poco con¯ables. Por lo tanto se requieren me- canismos globales que permitan sobreponerse adecuadamente a los m¶³nimos locales generados por el ruido. En este trabajo proponemos el uso de algoritmos evolutivos como mecanismo heur¶³stico para la extracci¶ on de contornos en im¶ agenes con ruido. Los algoritmos evolutivos exploran el espacio combinatorio de posibles soluciones por medio de un proceso de selecci¶on de mejores soluciones (generadas por mutaci¶on y cruzamiento) seguidas por la evaluaci¶ on de la adecuaci¶on de las nuevas soluciones (¯tness) y la selecci¶on de un nuevo conjunto de soluciones. Cada posible soluci¶on es un contorno, cuyo ¯tness es una medida de la diferencia de intensidades acumulada a lo largo del mismo. Este proceso se repite iterativamente a partir de una primera aproximaci¶ on (la poblaci¶on inicial), ya sea un cierto n¶ umero de generaciones o bien hasta alcanzar alg¶ un criterio conveniente de detenci¶on, por ejemplo encontrar un contorno cuyo ¯tness es adecuadamente bajo. La exploraci¶ on uniforme del espacio de soluciones y el no estancamiento en m¶³nimos locales (principalmente por efecto de la operaci¶on de mutaci¶on) inducen a una mejora gradual de los resultados con la evoluci¶on de las poblaciones.
Show more

12 Read more

Show all 2157 documents...