Computación Evolutiva: Técnicas de Selección

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Computación Evolutiva: Técnicas de Selección"

Transcripción

1 Computación Evolutiva: Técnicas de Selección Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del IPN Cinvestav-Tamaulipas Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 1 / 60

2 Plan de la presentación 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 2 / 60

3 Outline Técnicas de selección 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 3 / 60

4 Técnicas de Selección Técnicas de selección Clasificación 1 Selección Proporcional 2 Selección Mediante Torneo 3 Selección de Estado Uniforme Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 4 / 60

5 Técnicas de selección Selección Proporcional Selección proporcional Este nombre describe a un grupo de esquemas de selección originalmente propuestos por Holland que eligen individuos de acuerdo a su contribución de aptitud con respecto al total de la población. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 5 / 60

6 Técnicas de selección Selección Proporcional Selección proporcional Técnicas: 1 La Ruleta 2 Sobrante Estocástico 3 Universal Estocástica 4 Muestreo Determinístico Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 6 / 60

7 La Ruleta Técnicas de selección Selección proporcional Técnica propuesta por DeJong (1975), fue el método más comúnmente usado en los orígenes de los AGs. El algoritmo es simple, pero ineficiente: O(n 2 ). El individuo menos apto puede ser seleccionado más de una vez. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 7 / 60

8 La Ruleta Técnicas de selección Selección proporcional Implementación de DeJong: Calcular la suma de valores esperados T Repetir N veces (N es el tamaño de la población): Generar un número aleatorio r entre 0.0 y T Ciclar a través de los individuos de la población sumando los valores esperados hasta que la suma sea mayor o igual a r El individuo que haga que esta suma exceda el ĺımite es el seleccionado Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 8 / 60

9 Sobrante Estocástico Técnicas de selección Selección proporcional Propuesta por Booker (1982) y Brindle (1981) para acercarse más a los valores esperados de cada individuo. Asignar determinísticamente las partes enteras de los valores esperados para cada individuo. Reduce los problemas de la ruleta, pero puede causar convergencia prematura. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 9 / 60

10 Sobrante Estocástico Técnicas de selección Selección proporcional Hay 2 variantes que difieren en qué hacer con las partes decimales de los valores esperados: 1 Sin Reemplazo: Usar flip con las partes decimales para elegir los padres restantes. 2 Con Reemplazo: Construir una ruleta con las partes decimales y usarla para seleccionar los padres faltantes. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 10 / 60

11 Sobrante Estocástico Técnicas de selección Selección proporcional Complejidad: La versión con reemplazo es O(n 2 ) La versión sin reemplazo es O(n) La más popular es la versión sin reemplazo, la cual parece ser superior a la ruleta (Booker, 1982). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 11 / 60

12 Universal Estocástica Técnicas de selección Selección proporcional Propuesta por Baker (1987). Objetivo: minimizar la mala distribución de los individuos en la población en función de sus valores esperados. El algoritmo es: O(n) Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 12 / 60

13 Universal Estocástica Técnicas de selección Selección proporcional Algoritmo: ptr=rand( ); { Regresa un aleatorio en el rango [0,1] } for sum = 0, i = 1; i n; i + + do for sum+ = Valesp(i, t); sum > ptr; ptr + + do Seleccionar (i); end for end for Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 13 / 60

14 Universal Estocástica Técnicas de selección Selección proporcional Problemas: Puede ocasionar convergencia prematura. Hace que los individuos más aptos se multipliquen muy rápidamente. No resuelve el problema más serio de la selección proporcional. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 14 / 60

15 Técnicas de selección Muestreo Determinístico Selección proporcional Algoritmo: Calcular P select = f i / f Calcular Valesp i = p select n Asignar determinísticamente la parte entera de Valesp i Ordenar la población de acuerdo a las partes decimales (de mayor a menor) Obtener los padres faltantes de la parte superior de la lista. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 15 / 60

16 Técnicas de selección Muestreo Determinístico Selección proporcional El algoritmo es O(n) para la asignación determinística y es O(nlogn) para la ordenación. Padece de los mismos problemas que el sobrante estocástico. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 16 / 60

17 Técnicas de selección Selección Proporcional Selección proporcional Aditamentos: 1 Escalamiento Sigma 2 Jerarquías 3 Selección de Boltzmann Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 17 / 60

18 Escalamiento Sigma Técnicas de selección Selección proporcional Es una técnica ideada para mapear la aptitud original de un individuo con su valor esperado, de manera que el AG sea menos susceptible a la convergencia prematura. La idea es mantener más o menos constante la presión de selección a lo largo del proceso evolutivo. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 18 / 60

19 Escalamiento Sigma Técnicas de selección Selección proporcional Usando esta técnica, el valor esperado de un individuo está en función de su aptitud, la media de la población y la desviación estándar de la población: Valesp(i, t) = { 1 + f (i) f (t) 2σ(t) si σ(t) si σ(t) = 0 Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 19 / 60

20 Escalamiento Sigma Técnicas de selección Selección proporcional Al inicio de una corrida, el valor alto de la desviación estándar impedirá que los mejores individuos obtengan los segmentos más grandes de la ruleta. Hacia el final, la desviación estándar será más baja y los individuos más aptos podrán multiplicarse más fácilmente. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 20 / 60

21 Técnicas de selección Selección por Jerarquías Selección proporcional Propuesta por Baker (1985) para evitar la convergencia prematura. No requiere escalamiento de las aptitudes. Alenta sobremanera la convergencia del AG. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 21 / 60

22 Técnicas de selección Selección por Jerarquías Selección proporcional Algoritmo: 1: Ordenar (o jerarquizar) la población con base en su aptitud, de 1 a N (donde 1 representa al menos apto). 2: Elegir Max(1 Max 2) 3: Calcular Min = 2 Max Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 22 / 60

23 Técnicas de selección Selección por Jerarquías Selección proporcional Algoritmo: El valor esperado de cada individuo será: Valesp(i, t) = Min + (Max Min) jerarquia(i,t) 1 N 1 Usar selección proporcional aplicando los valores esperados obtenidos. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 23 / 60

24 Técnicas de selección Selección por Jerarquías Selección proporcional Útil cuando la función tiene ruido (por ejemplo, cuando hay una variable aleatoria). Existen otros métodos de asignación de jerarquías además del lineal (p.ej. exponencial). Su complejidad es O(nlogn)+ tiempo de selección. Diluye la presión de selección, por lo que causa convergencia lenta. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 24 / 60

25 Técnicas de selección Selección de Boltzmann Selección proporcional Basada en el recocido simulado: usar una función de variación de temperatura que controle la presión de selección. Se usa un valor alto de temperatura al principio, lo cual hace que la presión de selección sea baja. Con el paso de las generaciones, la temperatura disminuye, lo que aumenta la presión de selección. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 25 / 60

26 Técnicas de selección Selección de Boltzmann Selección proporcional Típicamente, se usa la siguiente expresión para calcular el valor esperado de un individuo: e f (i)/t Valesp(i, t) = < e f (i)/t > t donde: T es la temperatura y <> t denota el promedio de la población en la generación t. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 26 / 60

27 Técnicas de selección Selección de Boltzmann Selección proporcional Se ha utilizado más para optimización multimodal y multiobjetivo (formación de nichos). Existen pruebas de convergencia de la técnica hacia el óptimo global. Tiene el inconveniente de requerir la definición de la función de variación de temperatura. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 27 / 60

28 Técnicas de selección Selección proporcional Métodos de Selección Proporcional Los métodos de selección proporcional requieren de 2 pasos por generación del AG: 1) Calcular la aptitud media (y, la desviación estándar si se usa escalamiento sigma). 2) Calcular el valor esperado de cada individuo. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 28 / 60

29 Técnicas de selección Selección proporcional Métodos de Selección Proporcional El uso de jerarquías requiere que se ordene toda la población (una operación cuyo costo puede volverse significativo en poblaciones grandes). La selección mediante torneo es similar al uso de jerarquías en términos de la presión de selección, pero es computacionalmente más eficiente y más fácil de paralelizarse. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 29 / 60

30 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Propuesta por Wetzel y estudiada en la tesis doctoral de Brindle (1981). La idea básica del método es seleccionar con base en comparaciones directas de los individuos. Hay 2 versiones: 1 Determinística 2 Probabiĺıstica Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 30 / 60

31 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Algoritmo (versión determinística): Barajar los individuos de la población Escoger un número P de individuos (típicamente 2) Compararlos con base en su aptitud El ganador del torneo es el individuo más apto Se debe barajar la población un total de P veces para seleccionar N padres. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 31 / 60

32 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Algoritmo (versión probabiĺıstica): La versión probabiĺıstica es idéntica excepto por el paso en el que se escoge al ganador. En vez de seleccionar siempre al individuo con aptitud más alta, se aplica flip(p) y si el resultado es cierto, se selecciona al más apto. De lo contrario, se selecciona al menos apto. La probabilidad p permanece fija durante todo el proceso evolutivo y se escoge de manera que: 0.5 p 1 Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 32 / 60

33 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Análisis: La versión determinística garantiza que el mejor individuo será seleccionado P veces. Cada competencia requiere la selección aleatoria de un número constante de individuos de la población. La comparación entre estos individuos puede realizarse en tiempo constante. Se requieren n competencias de este tipo para completar una generación. Por tanto, el algoritmo es O(n). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 33 / 60

34 Técnicas de selección Selección Mediante Torneo Selección mediante Torneo Análisis: Técnica eficiente y fácil de implementar. No requiere escalamiento de la función de aptitud (usa comparaciones directas). Puede introducir una presión de selección muy alta porque a los individuos menos aptos no se les da oportunidad de sobrevivir. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 34 / 60

35 Técnicas de selección Selección mediante Torneo Selección mediante Torneo Si se usa t torneo = 1, se produce una caminata aleatoria con una presión de selección muy baja. Si se usa t torneo =, la selección se vuelve completamente determinística. Si se usa t torneo 10, la selección se considera dura. Si se usa 2 t torneo 5, la selección se considera blanda. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 35 / 60

36 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Propuesta por Whitley (1989). Se usa en AGs no generacionales, en los cuales sólo unos cuantos individuos son reemplazados en cada generación (los menos aptos). Esta técnica suele usarse cuando se evolucionan sistemas basados en reglas (p.ej., sistemas de clasificadores) en los que el aprendizaje es incremental. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 36 / 60

37 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Esta técnica es útil cuando los miembros de la población resuelven colectivamente (y no de manera individual) un problema. Asimismo, los AGs no generacionales se usan cuando es importante recordar lo que se ha aprendido antes. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 37 / 60

38 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Algoritmo: Seleccionar de G (población original) R individuos (1 R M) de entre los más aptos. Normalmente, R = 1, o R = 2. Efectuar cruza y mutación a los R individuos seleccionados. Llamaremos H a sus hijos. Elegir al mejor individuo en H (o a los S mejores). Reemplazar los S peores individuos de G por los S mejores individuos de H. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 38 / 60

39 Técnicas de selección Selección de Estado Uniforme Selección de estado uniforme Análisis: Técnica especializada de selección. Su complejidad (en la variante incluida en GENITOR) es O(n log n) Los AGs no generacionales no son muy comunes en aplicaciones de optimización, aunque sí pueden utilizarse. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 39 / 60

40 Selección más (+) Técnicas de selección Selección más Es también posible en un algoritmo genético usar una selección más (+) como en las estrategias evolutivas. Esta selección consiste en unir la población de padres con la de hijos y seleccionar la mejor mitad de ellos. Este tipo de selección resulta particularmente útil para resolver problemas de optimización global. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 40 / 60

41 Outline Brecha generacional 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 41 / 60

42 Brecha Generacional Brecha generacional Brecha generacional Muy ligada a la selección de estado uniforme se encuentra el concepto de brecha generacional (generation gap). Es importante reconocer en primer término que las poblaciones pueden ser no traslapables (nonoverlapping) o traslapables (overlapping). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 42 / 60

43 Brecha Generacional Brecha generacional Brecha generacional end Una población no traslapable es aquella en la que los padres nunca compiten contra sus hijos. Es decir, toda la población de padres es siempre reemplazada por la población de hijos. En una población traslapable, los padres compiten contra sus hijos. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 43 / 60

44 Brecha Generacional Brecha generacional Brecha generacional Se denomina brecha generacional a la cantidad de traslape existente entre padres e hijos. Una brecha generacional grande implica poco (o ningún) traslape poblacional. Históricamente, la programación evolutiva y las estrategias evolutivas han usado poblaciones traslapables, mientras que los AGs han usado poblaciones no traslapables. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 44 / 60

45 Brecha Generacional Brecha generacional Brecha generacional De Jong (1975) parece haber sido el primero en estudiar AGs con poblaciones traslapables. De Jong sugirió que las ventajas de las poblaciones traslapables se diluían debido a los efectos negativos del desvío genético. Más tarde, Grefenstette (1986) confirmaría que una brecha generacional mayor parecía mejorar el desempeño del AG. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 45 / 60

46 Brecha Generacional Brecha generacional Brecha generacional Los primeros experimentos con los sistemas de clasificadores, confirmarían, sin embargo, un comportamiento exactamente opuesto (Holland & Reitman, 1978). En los sistemas de clasificadores, el desempeño del AG parecía degradarse conforme se aumentaba la brecha generacional. Algunos investigadores atribuyen los resultados de De Jong y Grefenstette al uso de poblaciones pequeñas. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 46 / 60

47 Brecha Generacional Brecha generacional Brecha generacional Los AGs tradicionales siguen usando, sin embargo, poblaciones no traslapables. Los algoritmos evolutivos de estado uniforme son aquellos en los que la población es traslapable. Normalmente, sólo uno o dos hijos se producen en cada iteración de un AE de estado uniforme. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 47 / 60

48 Brecha generacional Otras Técnicas de Selección Otras Técnicas de Selección Otras Técnicas de Selección: Disruptiva Jerarquías no lineales Competitiva Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 48 / 60

49 Selección Disruptiva Brecha generacional Otras Técnicas de Selección Sugerida por Kuo y Wuang (1993) para normalizar aptitudes con respecto a un cierto valor moderado (en vez de usar valores extremos). Suele usarse: f i (x) = f i(x) f (t) Valesp i = f i (x) f (t), donde (f (t)) se refiere a la aptitud media de la población. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 49 / 60

50 Selección Disruptiva Brecha generacional Otras Técnicas de Selección Motivación: distribuir más los esfuerzos de la búsqueda hacia las soluciones extremadamente buenas y extremadamente malas. Los individuos cercanos a la media son desechados. La utilidad de este método es altamente dependiente en la aplicación. Suele usarse con funciones de aptitud dinámicas. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 50 / 60

51 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Propuesta por Michalewicz (1996). Se usa: prob i = q(1 q) jerarquia i 1 donde: prob i es la probabilidad de que el individuo i sea seleccionado. q [0,... 1] es el factor de presión de selección, jerarquia i es la jerarquía del individuo i. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 51 / 60

52 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Al igual que con las jerarquías lineales, se asigna la jerarquía más baja al peor individuo y la más alta al mejor. Una vez que se conoce la probabilidad de que un individuo sea seleccionado, podemos calcular su valor esperado multiplicando dicho valor por n (tamaño de la población). Posteriormente, podemos aplicar cualquier técnica de selección proporcional. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 52 / 60

53 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Thomas Bäck advirtió que las probabilidades obtenidas con este método no suman uno. También notó que la técnica puede hacerse prácticamente idéntica al torneo, dependiendo del valor de q que se use. Valores grandes de q implican una mayor presión de selección. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 53 / 60

54 Jerarquías no Lineales Brecha generacional Otras Técnicas de Selección Michalewicz (1996) advierte que la suma de probabilidades puede hacerse igual a 1 si usamos: prob i = c q(1 q) jerarquia i 1 donde: 1 c = y M es el tamaño de la población. 1 (1 q) M Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 54 / 60

55 Selección Competitiva Brecha generacional Otras Técnicas de Selección La aptitud de un individuo se determina mediante sus interacciones con otros miembros de la población, o con otros miembros de una población separada que evoluciona concurrentemente. Usada por Hillis (1992), Angeline & Pollack (1993) y Sebald & Schlenzig (1994). Puede verse como un esquema co-evolutivo: las aptitudes de dos individuos dependen mutuamente entre sí. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 55 / 60

56 Outline Clasificaciones de técnicas de Selección 1 Técnicas de selección Clasificación Selección proporcional La Ruleta Sobrante Estocástico Universal Estocástica Muestreo Determinístico Aditamentos a la Selección Proporcional Resumen de los Métodos de Selección Proporcional Selección mediante Torneo Selección de estado uniforme Selección más 2 Brecha generacional Brecha generacional Otras Técnicas de Selección Selección Disruptiva Jerarquías no Lineales Selección competitiva 3 Clasificaciones de técnicas de Selección Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 56 / 60

57 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección Bäck y Hoffmeister (1991) distinguen entre: 1 Métodos Estáticos: Requieren que las probabilidades de selección permanezcan constantes entre generaciones. Ejemplo: jerarquías lineales. 2 Métodos Dinámicos: No se requiere que las probabilidades de selección permanezcan constantes. Ejemplo: selección proporcional Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 57 / 60

58 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección Otros investigadores distinguen entre: 1 Selección Preservativa: Requiere una probabilidad de selección distinta de cero para cada individuo. 2 Selección Extintiva: Puede asignar una probabilidad de selección de cero a algún individuo. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 58 / 60

59 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección A su vez, las técnicas extintivas se dividen en: 1 Selección Izquierda: Se impide a los mejores individuos reproducirse a fin de evitar convergencia prematura. 2 Selección Derecha: No se tiene control expĺıcito sobre la capacidad reproductiva de los individuos más aptos. Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 59 / 60

60 Clasificaciones de técnicas de Selección Clasificaciones de técnicas de Selección Clasificaciones de Técnicas de Selección Adicionalmente, algunas técnicas de selección son puras en el sentido de que a los padres se les permite reproducirse solamente en una generación (es decir, el tiempo de vida de cada individuo está limitado a sólo una generación, independientemente de su aptitud). Dr. Gregorio Toscano Pulido (Cinvestav-Tamaulipas) CE - Selección Cinvestav-LTI 60 / 60

Introducción a la Computación Evolutiva

Introducción a la Computación Evolutiva Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello

Más detalles

Algoritmos Genéticos

Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos

Algoritmos Genéticos. Algoritmos Genéticos. Introducción a la Computación Evolutiva. Tercera Clase: Algoritmos Genéticos Introducción a la Computación Evolutiva Tercera Clase: Algoritmos Genéticos Algoritmos Genéticos Desarrollados en USA durante los años 70 Autores principales: J. Holland, K. DeJong, D. Goldberg Aplicados

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores

Más detalles

Algoritmos Genéticos.

Algoritmos Genéticos. Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es 15-19 de Octubre de 2011

Más detalles

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS Arranz de la Peña, Jorge Universidad Carlos III 100025106@alumnos.uc3m.es ALGORITMOS GENÉTICOS Parra Truyol, Antonio Universidad Carlos III 100023822@alumnos.uc3m.es En este documento se pretende analizar

Más detalles

Algoritmos Genéticos. Introduccion a la Robótica Inteligente

Algoritmos Genéticos. Introduccion a la Robótica Inteligente Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)

Más detalles

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones

Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Computación Evolutiva - Mutación: Cruza, Inversión y Mutación para Permutaciones Dr. Gregorio Toscano Pulido Laboratorio de Tecnologías de Información Centro de Investigación y de Estudios Avanzados del

Más detalles

Capítulo IV ALGORITMOS GENÉTICOS

Capítulo IV ALGORITMOS GENÉTICOS Capítulo IV ALGORITMOS GENÉTICOS 4.1. INTRODUCCIÓN La estructura de un algoritmo genético simple se corresponde con la estructura de cualquier programa evolutivo (ver figura 1.1). Durante la iteración

Más detalles

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos

Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos MT 6 Desarrollo de un sistema capaz de optimizar rutas de entrega utilizando algoritmos genéticos Rosario Baltazar 1 Judith Esquivel Vázquez 2 Andrea Rada 3 Claudia Díaz 4 Resumen Durante los últimos 15

Más detalles

? 50 30 20 20 emplear NA 0,788 0,367879 se queda s a 150 275 70-125 se pone s en s a 15 58 200-43 se pone s en s a

? 50 30 20 20 emplear NA 0,788 0,367879 se queda s a 150 275 70-125 se pone s en s a 15 58 200-43 se pone s en s a 350 MR Versión 1 1 Prueba Parcial 1/5 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA: INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Computación Evolutiva CÓDIGO: 350 MOMENTO: Primera Parcial VERSIÓN:

Más detalles

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales

Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Algoritmos genéticos como métodos de aproximación analítica y búsqueda de óptimos locales Jorge Salas Chacón A03804 Rubén Jiménez Goñi A93212 Juan Camilo Carrillo Casas A91369 Marco Vinicio Artavia Quesada

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Operadores de Mutación El operador

Más detalles

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09

Introducción a los Algoritmos Genéticos. Tomás Arredondo Vidal 17/4/09 Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal 17/4/09 Esta charla trata de lo siguiente: Introducción a algunos aspectos de los algoritmos genéticos. Introducción a algunas aplicaciones

Más detalles

Selección usando Algoritmos

Selección usando Algoritmos Capítulo 3 Selección usando Algoritmos Genéticos 3.1. Introducción En esta sección se aborda el uso de Algoritmos Genéticos (GA del inglés Genetic Algorithms) para selección de características. Así como

Más detalles

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada.

Representación, Codificación en un AG Población Inicial. Aptitud. Estrategia de Selección. Cruce, Mutación, Reemplazo. Condición de Parada. Computación n Evolutiva: Algoritmos Genéticos 1.- Metaheurísticos. Computación Evolutiva: Algoritmos Genéticos 2.- Conceptos principales de un Algoritmo Genético 3.- Estructura de un Algoritmo Genético

Más detalles

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS]

[ Guía para recién llegados a los ALGORITMOS GENÉTICOS] UVa Dpto. de Organización de Empresas Escuela de Ingenierías Industriales Elena Pérez www.eis.uva.es/elena [ Guía para recién llegados a los ALGORITMOS GENÉTICOS] El propósito de esta guía es dar soporte

Más detalles

Universidad Veracruzana Facultad de Física e Inteligencia Articial

Universidad Veracruzana Facultad de Física e Inteligencia Articial Universidad Veracruzana Facultad de Física e Inteligencia Articial Estudio Empírico de Operadores de Cruza en Algoritmos Genéticos para resolver Problemas de Optimización con Restricciones Documento de

Más detalles

UTgeNes - Framework para Implementación y Estudio de Algoritmos

UTgeNes - Framework para Implementación y Estudio de Algoritmos UTgeNes - Framework para Implementación y Estudio de Algoritmos Genéticos Abstract UTgeNes es un framework para la implementación y estudio de algoritmos genéticos propuesto para la realización de trabajos

Más detalles

Propuesta de un algoritmo evolutivo aplicado a problemas de optimización

Propuesta de un algoritmo evolutivo aplicado a problemas de optimización Propuesta de un algoritmo evolutivo aplicado a problemas de optimización Javier Izetta Riera 1 y Nilda M. Pérez Otero 1 1 Grupo de Investigación y Desarrollo en Informática Aplicada, Facultad de Ingeniería,

Más detalles

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN

&$3Ì78/2 $/*25,7026 (92/87,926 $9$1=$'26 3$5$ 763 6.1. INTRODUCCIÓN &$3Ì78/2 6.1. INTRODUCCIÓN Los primeros avances para solucionar el TSP, por medio de Algoritmos Evolutivos han sido introducidos por Goldberg y Lingle en [68] y Grefenstette en [72]. En éste área muchos

Más detalles

Introducción a los Algoritmos Genéticos

Introducción a los Algoritmos Genéticos Marcos Gestal Pose Depto. Tecnologías de la Información y las Comunicaciones Universidade da Coruña http://sabia.tic.udc.es/ mgestal mgestal@udc.es Índice 1. Introducción 2 2. Orígenes 2 3. Bases Biológicas

Más detalles

Introducción a los Algoritmos Genéticos y la Programación Genética

Introducción a los Algoritmos Genéticos y la Programación Genética Introducción a los Algoritmos Genéticos y la Programación Genética Marcos Gestal Daniel Rivero Juan Ramón Rabuñal Julián Dorado Alejandro Pazos + X + - + % * 6.21 4.73-1.68 % X * 5.67-3.85 Y + Y X 0.23

Más detalles

Algoritmos Genéticos

Algoritmos Genéticos Algoritmos Genéticos AG un vistazo rápido Desarrollado: USA en 1970 s Primeros nombres: J. Holland, K. DeJong, D. Goldberg Típicamente aplicado a: Optimización discreta Características exhibidas: No demasiado

Más detalles

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid

Métodos evolutivos de Optimización. Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Métodos evolutivos de Optimización Prof. Cesar de Prada Dpto. Ingeneiria de Sitemas y Automática Universidad de Valladolid Indice Introducción Método de Montecarlo Algoritmos genéticos Tabú Search Simulated

Más detalles

Programación Genética

Programación Genética Programación Genética Programación Genética consiste en la evolución automática de programas usando ideas basadas en la selección natural (Darwin). No sólo se ha utilizado para generar programas, sino

Más detalles

Matemáticas Evolutivas: Algoritmos Genéticos

Matemáticas Evolutivas: Algoritmos Genéticos Matemáticas Evolutivas: Algoritmos Genéticos María Teresa Iglesias Otero Departamento de Matemáticas Universidade da Coruña Cuál es la mejor forma de...? cuál es el camino más corto a...? cuál es la más

Más detalles

OBJETIVOS. Estudiar los conceptos básicos de transmisión de señales de video y datos sobre redes de cable coaxial y fibra óptica.

OBJETIVOS. Estudiar los conceptos básicos de transmisión de señales de video y datos sobre redes de cable coaxial y fibra óptica. OBJETIVOS Estudiar los conceptos básicos de transmisión de señales de video y datos sobre redes de cable coaxial y fibra óptica. Analizar los diferentes tipos de arquitecturas utilizadas en el diseño de

Más detalles

Redes de Kohonen y la Determinación Genética de las Clases

Redes de Kohonen y la Determinación Genética de las Clases Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados

Más detalles

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de

CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.

Más detalles

SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS

SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS 62 CAPITULO 3 SISI / TS / AG / SR SIMULADOR DE SISTEMAS DE INVENTARIOS ESTOCASTICOS En este capítulo se describe de manera general lo que es SISI / TS / AG / SR y se explica cada una de las opciones que

Más detalles

13. Técnicas de simulación mediante el método de Montecarlo

13. Técnicas de simulación mediante el método de Montecarlo 13. Técnicas de simulación mediante el método de Montecarlo Qué es la simulación? Proceso de simulación Simulación de eventos discretos Números aleatorios Qué es la simulación? Simulación = técnica que

Más detalles

Simulación Monte Carlo

Simulación Monte Carlo Simulación Monte Carlo Modelado estocástico Cuando se realiza un análisis estático a un proyecto, una serie de supuestos y variables producen un resultado de valor único. Mientras que un análisis estocástico

Más detalles

Condiciones para la selección natural

Condiciones para la selección natural Curso de Evolución 2008 Facultad de Ciencias Montevideo, Uruguay http://evolucion.fcien.edu.uy/ http://eplessa.wordpress.com/ Mecanismo propuesto por Darwin en El Origen de las Especies (1859), para explicar

Más detalles

Introducción a los Algoritmos Genéticos

Introducción a los Algoritmos Genéticos Introducción a los Algoritmos Genéticos Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 Informática ribadas@uvigo.es 17 de octubre de 2005 c FJRP 2005 ccia IA Métodos de 8 < : 1 Introducción 9 =

Más detalles

ALGORITMOS GENÉTICOS

ALGORITMOS GENÉTICOS 1 Introducción ALGORITMOS GENÉTICOS Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de

Más detalles

ESCUELA POLITÉCNICA NACIONAL

ESCUELA POLITÉCNICA NACIONAL ESCUELA POLITÉCNICA NACIONAL FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA OPTIMIZACIÓN DE CONTROLADORES DIGITALES PID EN SISTEMAS DINÁMICOS USANDO ALGORITMOS GENÉTICOS PROYECTO PREVIO A LA OBTENCIÓN

Más detalles

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2

Procesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22. Algoritmos Genéticos. prb@2007 2 Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 22 prb@2007 2 1 El núcleo de cada célula humana contiene una base de datos química. Esta base de datos contiene todas las instrucciones que la

Más detalles

Implementación del algoritmo UEGO sobre el entorno Matlab como alternativa al toolbox de optimización

Implementación del algoritmo UEGO sobre el entorno Matlab como alternativa al toolbox de optimización Implementación del algoritmo UEGO sobre el entorno Matlab como alternativa al toolbox de optimización Victoria Plaza Leiva Universidad de Almería Abstract Global optimization algorithms are widely used

Más detalles

Algoritmos Evolutivos

Algoritmos Evolutivos Algoritmos Evolutivos 2003-11-20 Cristóbal Romero, Pedro González y Sebastián Ventura 1.1 Introducción En general, cualquier tarea abstracta a realizar puede considerarse como la resolución de un problema

Más detalles

Distribución Óptima de Horarios de Clases utilizando la técnica de Algoritmos Genéticos

Distribución Óptima de Horarios de Clases utilizando la técnica de Algoritmos Genéticos Distribución Óptima de Horarios de Clases utilizando la técnica de Algoritmos Genéticos Tesis Profesional Que para obtener el Título de Ingeniero en Computación Presenta CARLA LENINCA PACHECO AGÜERO Acatlima,

Más detalles

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS

PARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)

Más detalles

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS

FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS FORMULACIÓN DE UN ALGORITMO GENÉTICO PARA EL PROBLEMA DE PROGRAMACIÓN DE ÓRDENES DE TRABAJO DE UNA EMPRESA DE ARTES GRÁFICAS PROYECTO DE GRADO Javier mauricio gamboa salgado Código: 544004 John alexander

Más detalles

Capítulo 12: Indexación y asociación

Capítulo 12: Indexación y asociación Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación

Más detalles

CAPITULO II. MARCO TEÓRICO. Actualmente todas las personas que tengan un capital considerable pueden invertir en

CAPITULO II. MARCO TEÓRICO. Actualmente todas las personas que tengan un capital considerable pueden invertir en CAPITULO II. MARCO TEÓRICO II.1. Mercados Financieros II.1.1 Marco histórico Actualmente todas las personas que tengan un capital considerable pueden invertir en acciones a fin de obtener ganancias rápidas

Más detalles

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero

Fundamentos de Investigación de Operaciones Asignación y Vendedor Viajero Fundamentos de Investigación de Operaciones y Vendedor Viajero 23 de mayo de 2004 Si bien la resolución del problema de transporte mediante tableau parece ser muy expedita, existen ciertos tipos de problemas

Más detalles

Revista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia

Revista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia Revista Facultad de Ingeniería Universidad de Antioquia ISSN: 0120-6230 revista.ingenieria@udea.edu.co Universidad de Antioquia Colombia Tabares, Héctor; Hernández, Jesús Pronóstico puntos críticos de

Más detalles

Optimización de la asignación de direcciones IP

Optimización de la asignación de direcciones IP Optimización de la asignación de direcciones IP Contenido Descripción general 1 Claseless Inter-Domain Routing (CIDR) 2 Direcciones IP binarias 5 Máscaras de subred binarias 10 Asignación de direcciones

Más detalles

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD.

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD. Modelado de flujo en redes Jhon Jairo Padilla A., PhD. Conceptos básicos Demanda o volumen de Demanda: Es el tráfico que están requiriendo los usuarios de una red. Para transportar el volumen de demanda

Más detalles

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J.

Probabilidades y Estadística (Computación) Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires Ana M. Bianco y Elena J. Generación de Números Aleatorios Números elegidos al azar son útiles en diversas aplicaciones, entre las cuáles podemos mencionar: Simulación o métodos de Monte Carlo: se simula un proceso natural en forma

Más detalles

Computación Evolutiva Algoritmos Genéticos

Computación Evolutiva Algoritmos Genéticos UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Computación Evolutiva Algoritmos Genéticos Temas a tratar - Generalidades de los algoritmos de computación evolutiva.

Más detalles

TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN

TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN TÉCNICAS HEURÍSTICAS Y METAHEURÍSTICAS DE OPTIMIZACIÓN RAMÓN ALFONSO GALLEGO RENDÓN ANTONIO ESCOBAR ZULUAGA ELIANA MIRLEDY TORO OCAMPO Universidad Tecnológica de Pereira Pereira - Risaralda - Colombia

Más detalles

Metaheurísticas: una visión global *

Metaheurísticas: una visión global * Metaheurísticas: una visión global * Belén Melián, José A. Moreno Pérez, J. Marcos Moreno Vega DEIOC. Universidad de La Laguna 38271 La Laguna {mbmelian,jamoreno,jmmoreno}@ull.es Resumen Las metaheurísticas

Más detalles

Programación Lineal Entera

Programación Lineal Entera Programación Lineal Entera P.M. Mateo y David Lahoz 2 de julio de 2009 En este tema se presenta un tipo de problemas formalmente similares a los problemas de programación lineal, ya que en su descripción

Más detalles

UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS

UNIVERSIDAD AUTÓNOMA DE TAMAULIPAS UNIDAD ACADÉMICA MULTIDISCIPLINARIA REYNOSA-RODHE SIMULACIÓN DE SISTEMAS UNIDAD MÉTODOS DE MONTECARLO II 2.1 Definición Los métodos de Montecarlo abarcan una colección de técnicas que permiten obtener soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias

Más detalles

RIESGO Y PROBABILIDAD

RIESGO Y PROBABILIDAD RIESGO Y PROBABILIDAD Debido a la naturaleza del proyecto, se pueden presentar riesgos, por ejemplo actividades complejas que no se han realizado antes, nuevas tecnologías, actividades de investigación,

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 7: Análisis de la Capacidad del Proceso TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad

Más detalles

Introducción INTRODUCCIÓN

Introducción INTRODUCCIÓN Introducción INTRODUCCIÓN Las empresas de distintos sectores económicos han concebido la logística como un proceso estratégico para mantener su actividad y garantizar la eficiencia de las operaciones de

Más detalles

Organización del Computador. Prof. Angela Di Serio

Organización del Computador. Prof. Angela Di Serio Punto Flotante Muchas aplicaciones requieren trabajar con números que no son enteros. Existen varias formas de representar números no enteros. Una de ellas es usando un punto o coma fijo. Este tipo de

Más detalles

WAN y Enrutamiento WAN

WAN y Enrutamiento WAN WAN y Enrutamiento WAN El asunto clave que separa a las tecnologías WAN de las LAN es la capacidad de crecimiento, no tanto la distancia entre computadoras Para crecer, la WAN consta de dispositivos electrónicos

Más detalles

Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN 5.2. ALGORITMOS EVOLUTIVOS AVANZADOS CON MÚLTIPLES PADRES Y MÚLTIPLES CROSSOVERS

Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN 5.2. ALGORITMOS EVOLUTIVOS AVANZADOS CON MÚLTIPLES PADRES Y MÚLTIPLES CROSSOVERS Capítulo V ALGORITMOS EVOLUTIVOS AVANZADOS 5.1. INTRODUCCIÓN En este capítulo se presentan algunas modificaciones al diseño de un algoritmo evolutivo para mejorar su performance. El hecho de innovar en

Más detalles

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R.

ALGEBRA LINEAL. Héctor Jairo Martínez R. Ana María Sanabria R. ALGEBRA LINEAL Héctor Jairo Martínez R. Ana María Sanabria R. SEGUNDO SEMESTRE 8 Índice general. SISTEMAS DE ECUACIONES LINEALES.. Introducción................................................ Conceptos

Más detalles

SISTEMAS NUMERICOS Y ERRORES

SISTEMAS NUMERICOS Y ERRORES SISTEMAS NUMERICOS Y ERRORES 1. Introducción a la Computación Numérica El primer computador electrónico en base a la tecnología de tubos al vacío fue el ENIAC de la Universidad de Pensilvania, en la década

Más detalles

Comparar las siguientes ecuaciones, y hallar sus soluciones:

Comparar las siguientes ecuaciones, y hallar sus soluciones: TEMA. Iteraciones. % Hemos aprendido que para resolver una ecuación en x, se despeja la x y se evalúa la expresión que resulta. El siguiente ejemplo nos hará revisar ese esquema. Ejemplo. Comparar las

Más detalles

Desarrollo de una aplicación para la implementación de Algoritmos Genéticos

Desarrollo de una aplicación para la implementación de Algoritmos Genéticos Universidad Central de Venezuela Facultad de Ciencias Escuela de Computación Desarrollo de una aplicación para la implementación de Algoritmos Genéticos Trabajo Especial de Grado Presentado ante la Ilustre

Más detalles

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33

Búsqueda Local. cbea (LSI-FIB-UPC) Inteligencia Artificial Curso 2011/2012 1 / 33 Introducción Búsqueda Local A veces el camino para llegar a la solución no nos importa, buscamos en el espacio de soluciones Queremos la mejor de entre las soluciones posibles alcanzable en un tiempo razonable

Más detalles

Planeación de la Recolección de Datos. Planeacion de Recoleccion de Datos

Planeación de la Recolección de Datos. Planeacion de Recoleccion de Datos Planeación de la Recolección de Datos Qué Son los datos? Recolección de Datos Contenido Por Qué Es Importante la Recolección de Datos? Estrategias de Muestreo Estrategias para la Definición de Datos Base

Más detalles

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible

Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 Desarrollo de algoritmos genéticos, de recocido simulado e híbridos para la planificación de un taller flexible Sara Lumbreras

Más detalles

Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D

Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Integración de Monte Carlo Técnicas Avanzadas de Gráficos en 3D Miguel Ángel Otaduy 26 Abril 2010 Contexto Cálculo de la integral de radiancia reflejada en la ecuación de rendering Cálculo de la integral

Más detalles

APLICACIONES CON SOLVER OPCIONES DE SOLVER

APLICACIONES CON SOLVER OPCIONES DE SOLVER APLICACIONES CON SOLVER Una de las herramientas con que cuenta el Excel es el solver, que sirve para crear modelos al poderse, diseñar, construir y resolver problemas de optimización. Es una poderosa herramienta

Más detalles

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C.

Diseño de redes viales urbanas usando algoritmos genéticos. M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. Diseño de redes viales urbanas usando algoritmos genéticos M. Angélica Pinninghoff J.* Eduardo Matthews D. * Héctor Díaz C. e-mail: mapinnin@inf.udec.cl * Departamento de Ingeniería Informática y Ciencias

Más detalles

Introducción al @RISK 5.7

Introducción al @RISK 5.7 Introducción al @RISK 5.7 Javier Ordóñez, PhD Director de Soluciones Personalizadas Riesgo» Riesgo: Un escenario en donde existe una posibilidad de desviación respecto de un resultado deseado o esperado»

Más detalles

TESIS DOCTORAL. Desarrollo e implementación de una metodología para el diseño de sistemas de control mediante algoritmos evolutivos multiobjetivo

TESIS DOCTORAL. Desarrollo e implementación de una metodología para el diseño de sistemas de control mediante algoritmos evolutivos multiobjetivo UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA ETS de Ingeniería Informática Departamento de Informática y Automática TESIS DOCTORAL Desarrollo e implementación de una metodología para el diseño de sistemas

Más detalles

3FUNCIONES LOGARÍTMICAS

3FUNCIONES LOGARÍTMICAS 3FUNCIONES LOGARÍTMICAS Problema 1 Si un cierto día, la temperatura es de 28, y hay mucha humedad, es frecuente escuchar que la sensación térmica es de, por ejemplo, 32. La sensación térmica depende de

Más detalles

Capítulo 8 Teoría de la Complejidad Algorítmica

Capítulo 8 Teoría de la Complejidad Algorítmica Capítulo 8 Teoría de la Complejidad Algorítmica Seguridad Informática y Criptografía Ultima actualización del archivo: 01/03/06 Este archivo tiene: 31 diapositivas v 4.1 Material Docente de Libre Distribución

Más detalles

Sistemas, modelos y simulación

Sistemas, modelos y simulación Sistemas, modelos y simulación Introducción I Un SISTEMA es una colección de entidades (seres o máquinas) que actúan y se relacionan hacia un fin lógico. Ejemplo: Un banco con: Cajeros [comerciales] [cajas

Más detalles

Apuntes de Inteligencia Artificial

Apuntes de Inteligencia Artificial PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA Apuntes de Inteligencia Artificial Algoritmos Genéticos JORGE AGUILAR JARAMILLO Algoritmos Genéticos 8 Algoritmos Genéticos 8.1 Introducción

Más detalles

Diseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos

Diseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos TESIS DOCTORAL Diseño e Implementación de Algoritmos Genéticos Celulares para Problemas Complejos Autor Bernabé Dorronsoro Díaz Director Dr. Enrique Alba Torres Departamento Lenguajes y Ciencias de la

Más detalles

Optimización inspirada en la naturaleza

Optimización inspirada en la naturaleza Optimización inspirada en la naturaleza Efrén Mezura-Montes Laboratorio Nacional de Informática Avanzada (LANIA AC) Xalapa, Veracruz, MEXICO emezura@lania.mx http://www.lania.mx/~emezura 10ª feria de Posgrados

Más detalles

INVESTIGACION OPERATIVA INTRODUCCION. Introducción

INVESTIGACION OPERATIVA INTRODUCCION. Introducción INVESTIGACION OPERATIVA INTRODUCCION Introducción Estructura del Curso 1. Introducción y modelamiento: 2 semanas 2. Programación Lineal: 2 semanas 3. Programación Lineal Entera: 1 semana 4. Teoría de Grafos:

Más detalles

Unidad 5 Utilización de Excel para la solución de problemas de programación lineal

Unidad 5 Utilización de Excel para la solución de problemas de programación lineal Unidad 5 Utilización de Excel para la solución de problemas de programación lineal La solución del modelo de programación lineal (pl) es una adaptación de los métodos matriciales ya que el modelo tiene

Más detalles

5.4 Una flecha será ensamblada en un cojinete como se muestra a continuación.

5.4 Una flecha será ensamblada en un cojinete como se muestra a continuación. PROBLEMAS 5.1. El famoso juego 7-11, requiere que el jugador lance dos dados una v. más veces hasta tomar la decisión de que se gana o se pierde el juego. El juego se gana si en el primer lanzamiento los

Más detalles

El Método de Monte Carlo. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas

El Método de Monte Carlo. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas El Método de Monte Carlo Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas El método de Monte Carlo es una técnica numérica para calcular probabilidades y otras cantidades relacionadas, utilizando secuencias

Más detalles

Modelo de un Algoritmo Genético con Selección Discriminatoria de Individuos bajo un Esquema de Ponderación de Probabilidades de Mutación

Modelo de un Algoritmo Genético con Selección Discriminatoria de Individuos bajo un Esquema de Ponderación de Probabilidades de Mutación Modelo de un Algoritmo Genético con Selección Discriminatoria de Individuos bajo un Esquema de Ponderación de Probabilidades de Mutación Victor Manuel Arroyo Apaza Orientador: Dr. Yván Jesús Túpac Valdivia

Más detalles

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau

Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos

Más detalles

LEAN MANUFACTURING Dr. Genichi Taguchi. JAVIER MEJIA NIETO CONSULTOR EMPRESARIAL jmejia@eafit.edu.co

LEAN MANUFACTURING Dr. Genichi Taguchi. JAVIER MEJIA NIETO CONSULTOR EMPRESARIAL jmejia@eafit.edu.co Dr. Genichi Taguchi El sistema integrado de Ingeniería de Calidad del Dr. Genichi Taguchi es uno de los grandes logros en ingeniería del siglo XX. Ha sido ampliamente reconocido como líder del movimiento

Más detalles

5. PLANTEAMIENTO DEL MODELO ANÁLISIS-PLAZO

5. PLANTEAMIENTO DEL MODELO ANÁLISIS-PLAZO 5. PLATEAMIETO DEL MODELO AÁLISIS-PLAZO 5.1. COCEPTOS PREVIOS Previamente a cualquier descripción se presentan aquí una serie de definiciones aclaratorias: Simulación: Es el proceso de diseñar y desarrollar

Más detalles

Unidad II: Números pseudoalealeatorios

Unidad II: Números pseudoalealeatorios 1 Unidad II: Números pseudoalealeatorios Generación de números aleatorios Un Número Aleatorio se define como un número al azar comprendido entre cero y uno. Su característica principal es que puede suceder

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes

Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características en imágenes 1 Facultad: Ingeniería. Escuela: Biomédica Asignatura: Imágenes Médicas Realce de Características Objetivos Que el estudiante sepa aplicar las principales técnicas que sirven para resaltar características

Más detalles

CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO

CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO Objetivos del Capítulo Introducir los conceptos e ideas clave de la simulación Monte Carlo. Introducirse en las capacidades que ofrece Excel

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad 2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,

Más detalles

Belgrano. Las tesinas UNIVERSIDAD DE BELGRANO. Departamento de Investigación Abril 2003. Facultad de Ingeniería y Tecnología Informática

Belgrano. Las tesinas UNIVERSIDAD DE BELGRANO. Departamento de Investigación Abril 2003. Facultad de Ingeniería y Tecnología Informática UNIVERSIDAD DE BELGRANO Las tesinas de Belgrano Facultad de Ingeniería y Tecnología Informática Optimización evolutiva de trayectorias de plataformas robóticas Nº 72 Pablo Luis Pettis Tutor: Raimundo O.

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción Curso: Métodos de Monte Carlo. Unidad 1, Sesión 1: Introducción Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

ING. YIM APESTEGUI FLORENTINO

ING. YIM APESTEGUI FLORENTINO Sistemas Un sistema es: que interactúan para funcionar Podemos resumir en dos frases: El todo supera la suma de las partes Todo está conectado con todo La interacciones en el mundo real no son simples,

Más detalles

German Flórez Larrahondo Miguel Eduardo Torres Moreno

German Flórez Larrahondo Miguel Eduardo Torres Moreno SIMULADOR PARA LA CONSTRUCCIÓN DE CIRCUITOS COMBINACIONALES POR MEDIO DE ALGORITMOS GENÉTICOS CON APLICACIÓN A UN SUMADOR DE 3 BITS, ORIENTADO A DISPOSITIVOS REPROGRAMABLES German Flórez Larrahondo Miguel

Más detalles

Simulación Computacional. Tema 1: Generación de números aleatorios

Simulación Computacional. Tema 1: Generación de números aleatorios Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1 Contenido 1. Secuencias pseudoaleatorias

Más detalles

Framework basado en Colonias de Hormigas artificiales para la resolución de problemas de optimización

Framework basado en Colonias de Hormigas artificiales para la resolución de problemas de optimización Universidad Central de Venezuela Facultad de Ciencias Escuela de Computación Laboratorio de Inteligencia Artificial Framework basado en Colonias de Hormigas artificiales para la resolución de problemas

Más detalles

INSTITUTO TECNOLÓGICO DE LA PAZ

INSTITUTO TECNOLÓGICO DE LA PAZ SUBSECRETARÍA DE EDUCACIÓN SUPERIOR DIRECCIÓN GENERAL DE EDUCACIÓN SUPERIOR TECNOLÓGICA INSTITUTO TECNOLÓGICO DE LA PAZ INSTITUTO TECNOLÓGICO DE LA PAZ UN ALGORITMO HÍBRIDO PARA LA OPTIMIZACIÓN EN PARALELO

Más detalles