Procedimientos de búsqueda miopes aleatorizados y adaptativos (GRASP)
|
|
- Ángeles de la Cruz Fuentes
- hace 5 años
- Vistas:
Transcripción
1 Procedimientos de búsqueda miopes aleatorizados y adaptativos (GRASP) Se basan en la premisa de que soluciones iniciales diversas y de buena calidad juegan un papel importante en el éxito de métodos de búsqueda local. GRASP es un método multiarranque, cada iteración consiste en la construcción de una solución miope aleatorizada seguida de una búsqueda local sobre dicha solución. Javier Ramírez Rodríguez
2 El procedimiento se repite varias veces y la mejor solución encontrada sobre todas las iteraciones GRASP se devuelve como la solución aproximada.
3 Procedure GRASP dado: i max f* para i i max hacer x GlotAleat() x BusqLocal() si f(x) < f* entonces f* f(x) x* x fin si fin para devolver x*
4 Construcciones GRASP: En todos los mecanismos se incorpora un elemento cada vez. Un elemento que puede seleccionarse como parte de una solución parcial se llama elemento candidato.
5 Para determinar qué elemento candidato seleccionar para incluir en la solución, generalmente se hace uso de una función miope. Esta mide la contribución local de cada elemento a la solución parcial.
6 Existe varias formas de introducir aleatoriedad en este procedimiento: Una de las primeras fue el uso de una lista restringida de candidatos (LRC), que contiene un conjunto de elementos candidatos con los mejores valores de la función miope. El siguiente candidato a ser agregado a la solución se selecciona en forma aleatoria de la LRC.
7 Dicha lista puede tener un número fijo de elementos (restricción por cardinalidad) elementos con los valores de la función miope dentro de un rango dado.
8 Un POC definido por un conjunto finito base E = {1,2,,n}. En el PAV, E consta de todas las aristas que conectan las ciudades a ser visitadas.
9 Construcción por cardinalidad dados k, E, c( ), 1. x 2. C E 3. calcular c(e), e C 4. mientras C hacer 5. LRC {k elementos e C con el menor c(e)} 6. seleccionar al azar s LRC 7. x x {s} 8. actualizar el conjunto candidato C 9. fin mientras devuelve x
10 Sea c* y c, los valores mayor y menor respectivamente para los elementos candidatos y sea α tal que 0 α 1. En una lista de candidatos basada en valor, la LRC consta de los elementos candidatos e tales que c(e) c + α(c* - c ).
11 El valor de α es una especie de porcentaje de tolerancia donde se pueden aceptar no sólo al mejor, sino también a los valores más cercanos a dicho valor mínimo. Valores usuales de α son 0.1 y 0.2, lo que no impide poder usar cualquier otro valor. El glotón aleatorizado es un equilibrio entre calidad y diversidad
12 Considerar el PAV resuelto con un glotón de vecino más cercano aleatorizado, si se está en la ciudad de México y las opciones de ciudades que quedan por visitar con sus respectivas distancias son: Querétaro 200 Pachuca 80 Puebla 160 Cuernavaca 75 Morelia 320 Tulancingo 130
13 Se tiene c = 75 y c* = 320 Para α = 0.3 la cota de inclusión a la lista es de c(e) (320-75) = Lo que incluye en la lista de candidatos a Pachuca, Cuernavaca y Tulancingo y se puede incluir en el recorrido a cualquiera.
14 Construcción GRASP basado en valor Dados α, E, C( ) 1. x 2. C E 3. calcular c(e), e C 4. mientras C hacer 5. c min{c(e) e C} 6. c* max {c(e) e C} 7. LRC {e C c(e) c + α(c* - c )} 8. escoger al azar s de LRC 9. x x {s} 10. actualizar el conjunto candidatos C 11. fin mientras devuelve x
15 Se puede también mezclar una construcción al azar con una miope de la siguiente manera: Elegir al azar secuencialmente un conjunto parcial de elementos candidatos y después completar la solución usando un algoritmo miope. Otro enfoque es mediante perturbación de costos, en que éstos se perturban aleatoriamente y se aplica un algoritmo miope.
16 Construcción GRASP aleatorio-miope Dados k, E, c( ) 1. x 2. C E 3. calcular c(e), e C 4. para i = 1,2,,k hacer 5. si C entonces 6. escoger al azar un elemento e de C 7. x x {e} 8. actualizar C 1. calcular c(e), e C 2. fin si 11. fin para 12. mientras C hacer 13. e argmin {c(e) e C} 14. x x {e } 15. actualizar el conjunto candidatos C 16. calcular c(e), e C 17. fin mientras devuelve x
17 Un ejemplo de un procedimiento de construcción GRASP que es una variación de LRC basado en valor. Llamado función de sesgo, se asignan diferentes probabilidades, favoreciendo elementos bien evaluados. Los elementos de LRC se ordenan de acuerdo a la función miope.
18 La probabilidad π(r(e)) de seleccionar el elemento e es: π ( r( e) = ) s e ( sr ( eg) ) o s e ( sr ( eg) e' L R C donde r(e) es la posición del elemento e en la LRC.
19 Algunas opciones para asignar sesgos a los elementos son: - sesgo aleatorio: sesgo(r) = 1; - sesgo lineal: sesgo(r) = 1/r; - sesgo exponencial: sesgo (r) = e -r.
20 Búsqueda local (BL) Un algoritmo de BL explora repetidamente la vecindad de una solución en busca de una que la mejore. La BL juega un papel importante en GRASP ya que sirve para buscar soluciones localmente óptimas en regiones prometedoras del espacio de soluciones.
21 Aunque los algoritmos miopes pueden producir buenas soluciones, su principal desventaja como generadores de soluciones iniciales para BL s es su falta de diversidad. Aplicando repetidamente un algoritmo miope, se pueden generar muy pocas soluciones. Usar un algoritmo totalmente aleatorio produce gran cantidad de soluciones diversas.
22 Sin embargo, la calidad de estas soluciones es muy pobre y usarlas como soluciones iniciales para BL s generalmente conduce a una convergencia lenta hacia un mínimo local. Para beneficiarse de la convergencia rápida del algoritmo miope y de la gran diversidad del algoritmo aleatorio se usa un α (0,1).
23 Ya que no se sabe qué valor de α usar, una estrategia razonable es seleccionar un valor diferente en cada iteración GRASP. Esto puede hacerse usando una probabilidad uniforme o usando un esquema de GRASP reactivo.
24 En el esquema GRASP reactivo sea ψ = {α 1,, α m } el conjunto de valores posibles para α. Las probabilidades de elegir cada valor se fijan inicialmente en p i = 1/m, i = 1,,m Si z* es la mejor solución encontrada hasta el momento y A i es el valor promedio de las soluciones halladas usando α = α i ; i = 1,,m
25 Las probabilidades de selección se reevalúan periódicamente tomando p i = m q j= 1 i q j Con q i = z*/a i, i = 1,,m.
26 El valor de q i será mayor para valores de α = α i que produzcan las mejores soluciones en promedio Mayores valores de q i corresponden a valores del parámetro α más adecuados.
27 Las probabilidades asociadas con estos valores más apropiados se incrementarán cuando sean reevaluadas.
28 Reencadenamiento de trayectorias Quizás una de las principales desventajas del GRASP es su falta de estructuras de memoria. Las iteraciones GRASP son independientes y no utilizan las observaciones hechas en iteraciones previas.
29 Reencadenamiento de trayectorias fue propuesto inicialmente por Glover como una forma de explorar las trayectorias entre soluciones elite obtenidas con búsqueda tabú o búsqueda dispersa. El reencadenamiento de trayectorias para GRASP fue introducido por Laguna y Martí.
30 Ha sido usado como esquema de intensificación, en el que las soluciones generadas en cada iteración de GRASP se reencadenan con una o más soluciones de un conjunto elite o como en una fase de postoptimización donde se reencadenan pares de soluciones del conjunto elite.
31 Sean x s y x t dos soluciones en las que se aplica el reencadenamiento de trayectorias desde x s hasta x t. Procedure RT Dadas x s y x t 1. Calcular la diferencia simétrica (x s,x t ); 2. x x s ; 3. f* argmin{f(x s,x t )} 4. mientras (x s,x t ) hacer 5. m* argmin{f(x m) m (x s,x t )}; 6. (x m*,x t ) (x,x t ) \ {m*}; 7. x x m*; 8. si f(x) < f* entonces 9. f* f(x); 10. x* x; 11. fin si 12. fin mientras 13. regresa x*;
32 Donde: x m es la solución resultante de aplicar el movimiento m a la solución x. m* es el mejor movimiento. El proceso termina cuando se alcanza x t, i.e., cuando (x t,x) = φ.
33 C A B D
34 Se han propuesto varios esquemas alternativos para el reencadenamiento de trayectorias. Ya que puede ser demandante de recursos computacionales, no necesita ser aplicado después de cada iteración GRASP. Es más conveniente hacerlo periódicamente.
CAPÍTULO 4 METODOLOGÍA PROPUESTA
CAPÍTULO 4 METODOLOGÍA PROPUESTA En este capítulo, se describen los métodos utilizados en el procedimiento propuesto para obtener soluciones del PLIDMC. En la actualidad, muchos de los problemas de optimización
Más detallesCAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.
CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:
Más detallesInicio. Cálculos previos GRASP. Resultados. Fin. Figura 5.1: Diagrama de flujo del algoritmo.
5. DISEÑO FUNCIONAL En este apartado vamos a detallar los diagramas funcionales que han constituido la base para la posterior implantación informática de la metaheurística. 5.1. Diseño funcional del algoritmo
Más detallesSIMULACION. Urna 1. s(x) h(x) Urna 2. s(x) Dado. Urna /6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6 Dado 1 1/6 2 1/6 3 1/6 4 1/6 5 1/6 6 1/6
SIMULACION x p(x) x h(x) 6 4 5 2 3 Urna /6 2 /6 3 /6 4 /6 5 /6 6 /6 Dado /6 2 /6 3 /6 4 /6 5 /6 6 /6 x p(x) x h(x) s(x) 4 5 2 3 Urna 2 0.2 2 0.2 3 0.2 4 0.2 5 0.2 6 0.0 Dado /6.2 2 /6.2 3 /6.2 4 /6.2 5
Más detallesMetaheurísticas
UNIVERSIDAD DE GRANADA E.T.S.I. INFORMÁTICA Y TELECOMUNICACIÓN Departamento de Ciencias de la Computación e Inteligencia Artificial Metaheurísticas http://sci2s.ugr.es/graduatecourses/metaheuristicas https://decsai.ugr.es
Más detallesAlgoritmos basados en hormigas
Algoritmos basados en hormigas Inteligencia Artificial Avanzada 1er. Semestre 2008 1 Aspectos Generales La metáfora de los insectos sociales para resolver problemas ha sido un tema importante a partir
Más detallesHeurísticas y Metaheurísticas
Heurísticas y Metaheurísticas Laboratorio de Algoritmos y Estructuras de Datos III 1 er Cuatrimestre de 2013 Laboratorio de Algo III DC - FCEyN - UBA 1 er Cuatrimestre de 2013 1 / 20 Menú del día 1 Problemas
Más detallesALGORÍTMICA
ALGORÍTMICA 2012 2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Más detallesTema 1. Heurísticos en Optimización Combinatorial
Tema 1. Heurísticos en Optimización Combinatorial p. 1/2 Tema 1. Heurísticos en Optimización Combinatorial Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e
Más detallesOptimización Heurística
Recocido Simulado (RS) Optimización Heurística Recocido Simulado Problema de la búsqueda local: Como siempre trata de mejorar, se atora en los máximos locales Idea: Escapar de máximos locales permitiendo
Más detallesSimulated Annealing & Tabu Search
Simulated Annealing & Tabu Search Arturo Díaz Pérez Sección de Computación Departamento de Ingeniería Eléctrica CINVESTAV-IPN Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México,
Más detallesMetaheurísticas y heurísticas. Algoritmos y Estructuras de Datos III
Metaheurísticas y heurísticas Algoritmos y Estructuras de Datos III Metaheurísticas Heurísticas clásicas. Metaheurísticas o heurísticas modernas. Cuándo usarlas? Problemas para los cuales no se conocen
Más detallesMétodos Constructivos. Empiezan desde una solución vacía (a veces pequeña)
Métodos Constructivos Empiezan desde una solución vacía (a veces pequeña) En repetidas ocasiones, extienden la solución actual hasta que una solución completa se construye. Utiliza una heurística para
Más detalles7. PARAMETRIZACIÓN SOBRE LA RED DE PRUEBA
7. PARAMETRIZACIÓN SOBRE LA RED DE PRUEBA 7.1. Red de prueba Para realizar el análisis de los parámetros del problema e intentar encontrar los valores óptimos de estos se ha hecho uso de un modelo de ciudad
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Método de Marquardt Algoritmo Paso 1:
Más detallesALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Más detallesGrafos Eulerianos y Hamiltonianos. Algoritmos y Estructuras de Datos III
Grafos Eulerianos y Hamiltonianos Algoritmos y Estructuras de Datos III Grafos eulerianos Definiciones: Un circuito C en un grafo (o multigrafo) G es un circuito euleriano si C pasa por todos las aristas
Más detallesBúsqueda tabú combina búsqueda local con una heurística para evitar parar en mínimos locales y evitar entrar en ciclos.
Capítulo 5 Búsqueda Tabú 5.1 Introducción Búsqueda Tabú (Glover, 86) es una estrategia para resolver problemas de optimización combinatoria. Algo muy parecido sugierió Hansen al mismo tiempo, y que llamó
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Métodos Iterativos para Resolver Sistemas Lineales Departamento de Matemáticas ITESM Métodos Iterativos para Resolver Sistemas Lineales Álgebra Lineal - p. 1/30 En esta lectura veremos
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesBúqueda Local y Variantes
Capítulo 4 Búqueda Local y Variantes 4.1 Introducción En general existe una gran cantidad de problemas que se consideran difíciles de resolver. La dificultad de los problemas está caracterizada por la
Más detallesTema 5: SEGMENTACIÓN (II) I N G E N I E R Í A I N F O R M Á T I C A
Tema 5: SEGMENTACIÓN (II) 1 I N G E N I E R Í A I N F O R M Á T I C A Tema 5: Segmentación Los algoritmos de segmentación se basan en propiedades básicas de los valores del nivel de gris: 2 - Discontinuidad:
Más detallesMetaheurísticas. Seminario 5. Manejo de restricciones en metaheurísticas. 1. Introducción: Optimización y Restricciones
Metaheurísticas Seminario 5. Manejo de restricciones en metaheurísticas 1. Introducción: Optimización y Restricciones 2. Manejo de Restricciones en Metaheurísticas 3. Algunos Ejemplos 1 Introducción: Optimización
Más detallesobtenido de la fusión de dos rutas y la posterior asignación a un vehículo con capacidad disponible.
El problema VRP, y por tanto su variante con flota heterogénea, son problemas de optimización combinatoria complejos que caen en la categoría de NP-completo (Choi and Tcha, 2007), lo que significa que
Más detallesÁngel Luis Calvo Ortega Algoritmos y Programación Paralela Curso
Ángel Luis Calvo Ortega Algoritmos y Programación Paralela Curso 2006-2007 Página 1 Introducción Algoritmo de búsqueda Local mejorado Uso de memoria Ideado por Fred Glover Meta-heurístico Últimos movimientos
Más detallesEjercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz
Ejercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz 6 de marzo de 05. Cálculo de π con métodos Monte Carlo El objetivo de este ejercicio consiste en estimar el valor
Más detallesCAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO.
CAPITULO 6 MODELO CON TIEMPOS DE FALLA CON DISTRIBUCION DE PROBABILIDAD GENERAL Y FRECUENCIA DE MUESTREO FIJO. En este capítulo se presenta el modelo con tiempos de falla con distribución Exponencial y
Más detallesDescripción del problema:
PROBLEMA DEL AGENTE VIAJERO USANDO BÚSQUEDA TABU PROYECTO FINAL PROGRAMACIÓN CIENTIFICA ANGELES BAEZ OLVERA 4 JUNIO 2009 Descripción del problema: El problema del agente viajero o TSP como se le conoce
Más detallesINSTITUTO TECNOLÓGICO DE NUEVO LAREDO. INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia: Inteligencia Artificial. Catedrático:
INSTITUTO TECNOLÓGICO DE NUEVO LAREDO. INGENIERÍA EN SISTEMAS COMPUTACIONALES. Materia: Inteligencia Artificial. Catedrático: Ing. Bruno López Takeyas. Tema Equipo 3 : Hill Climbing. Alumnos: Alvarado
Más detallesInteligencia Computacional (IA95 021) Algoritmos Simples de Optimización Ciega
Algoritmos Simples de Optimización Ciega c M. Valenzuela 1996 2002 (17 de enero de 2006) 1. Optimización ciega 1.1. Introducción Algoritmos genéticos y recocido simulado son métodos de optimización ciega.
Más detallesA MEMETIC ALGORITHM FOR. Zhipeng Lü, Jin-Kao Hao
A MEMETIC ALGORITHM FOR GRAPH COLORING Zhipeng Lü, Jin-Kao Hao European Jornal of Operational Research Introducción Aplicaciones generales Aplicaciones prácticas Heurísticas Algoritmo propuesto: MACOL
Más detallesUniversidad Autónoma de Nuevo León
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Eficiencia de la Búsqueda Local para Instancias Diferentes del Problema de
Más detallesMetaheurísticas. Seminario 3. Problemas de optimización con técnicas basadas en poblaciones
Metaheurísticas Seminario 3. Problemas de optimización con técnicas basadas en poblaciones 1. Estructura de un Algoritmo Genético/Memético y Aspectos de Implementación 2. Problemas de Optimización con
Más detallesInteligencia Computacional (IA 013) Recocido Simulado: Algoritmo Básico
Recocido Simulado: Algoritmo Básico c M. Valenzuela 1996 2003 (19 de enero de 2004) 1. Idea básica de recocido simulado Cuando un material se somete a un calentamiento a temperatura muy alta, y después
Más detallesTema 2: Algoritmos Genéticos
Tema 2: Algoritmos Genéticos p. 1/3 Tema 2: Algoritmos Genéticos Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País
Más detallesy k k=1 k=1 n k=1 l=1 = 1 2
Muestreo. Tarea. Semestre 205-2. Profesora: Guillermina Eslava Gómez. Ayudante: Graciela Martínez Sánchez Fecha de entrega: viernes 27 de febrero en clase Resolver en equipos de a 6 alumnos. Las tareas
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El Concepto de Penalización Un método de
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesc j (x) 0 j D c j (x) = 0 j I
INTRODUCCIÓN A LA OPTIMIZACIÓN 1. Introducción 1.1. Generalidades. Dado un conjunto X y una función f : X R (la funciónobjetiva), se desea determinar x X tal que, para todo x X valga f(x) f(x ). La variable
Más detallesALGORITMOS PROBABILISTAS NUMÉRICOS SHERWOOD LAS VEGAS MONTE CARLO
ALGORITMOS PROBABILISTAS NUMÉRICOS SHERWOOD LAS VEGAS MONTE CARLO INTRODUCCIÓN Algoritmo probabilista: Deja al azar la toma de algunas decisiones. Cuando la decisión óptima llevaría mucho tiempo. Problemas
Más detallesCapítulo 13 INSTRUCCIONES DE CONTROL REPETITIVAS. Presentación resumen del libro: "EMPEZAR DE CERO A PROGRAMAR EN lenguaje C"
Presentación resumen del libro: "EMPEZAR DE CERO A PROGRAMAR EN lenguaje C" Autor: Carlos Javier Pes Rivas (correo@carlospes.com) Capítulo 13 INSTRUCCIONES DE CONTROL REPETITIVAS 1 OBJETIVOS Conocer las
Más detallesPara verificar que el sistema converge se deberán cumplir con las siguientes condiciones en las formulas con derivadas parciales: + 1
MAT 5 B Sistemas de ecuaciones no lineales EJERCICIOS RESUELTOS. Resuelva el siguiente sistema de ecuaciones no lineales, utilizando el método de punto fijo multivariable: x cos x x SOLUCIÓN x 8 x +. +
Más detallesAplicación a la Computación Distribuida
Métodos de Optimización Multiobjetivo. Aplicación a la Computación Distribuida Dr. Miguel Ángel Vega Rodríguez Grupo de Investigación ARCO (http://arco.unex.es) Universidad de Extremadura 0. Índice de
Más detallesOCW-V.Muto Métodos de interpolación Cap. XI CAPITULO XI. METODOS DE INTERPOLACION 1. EL METODO DE INTERPOLACION DE LA POSICION FALSA
CAPITULO XI. METODOS DE INTERPOLACION 1. EL METODO DE INTERPOLACION DE LA POSICION FALSA Los métodos de interpolación que vamos a discutir en el resto de este capítulo son muy útiles para determinar los
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesAsumimos que la calidad de la solución es cuantificable y comparable con cualquier otra solución y asumimos que las soluciones son finitas.
Capítulo 6 Recocido Simulado 6.1 Introducción El resolver un problema combinatorio se resume a encontrar la mejor / óptima solución dentro de un conjunto finito o contablemente infinito de alternativas.
Más detallesEl problema de selección de carteras: modelos y algoritmos
El problema de selección de carteras: modelos y algoritmos Enriqueta Vercher González Departamento de Estadística e Investigación Operativa. Universitat de València Facultad de CC. Económicas y Empresariales.
Más detallesALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Más detallesInteligencia Artificial
Inteligencia Artificial Tema 2 Búsquedas Ivan Olmos Pineda Contenido Estructura General de un PSA Formulación de un PSA Algoritmos de Búsqueda de Soluciones Aplicaciones BUAP Inteligencia Artificial 2
Más detallesSon una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Más detallesApuntes de Teórico de Programación 3. Apuntes de Teórico PROGRAMACIÓN 3. Greedy. Versión 1.1
Apuntes de Teórico PROGRAMACIÓN 3 Greedy Versión 1.1 1 Índice Índice... Introducción... 3 Ejemplo 1 (problema de las monedas)... 3 Ejemplo (problema de la mochila)... 4 Aplicaciones del método Greedy a
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesBÚSQUEDA TABÚ (Tabu Search TS)
BÚSQUEDA TABÚ (Tabu Search TS) Oscar Lozano Búsqueda Tabú Metaheurístico que usa búsqueda agresiva del óptimo del problema. Agresiva = evitar que la búsqueda quede "atrapada" en un óptimo local que no
Más detallesClase No. 13: Factorización QR MAT 251. Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) / 16
Clase No 13: Factorización QR MAT 251 Joaquín Peña (CIMAT) Métodos Numéricos (MAT 251) 03102011 1 / 16 Factorización QR Sea A R m n con m n La factorización QR de A es A = QR = [Q 1 Q 2 ] R1 = Q 0 1 R
Más detallesEste tercer capítulo explica todo lo referente a la heurísticas su definición, su uso, la
CAPÍTULO III 3 METODOLOGÍA Este tercer capítulo explica todo lo referente a la heurísticas su definición, su uso, la heurística Búsqueda Tabú, su historia, los pasos a seguir en esta heurística. 3.1 Explicación
Más detallesAlgoritmos genéticos
Algoritmos genéticos Introducción 2 Esquema básico 3 El problema de la mochila 7 Asignación de recursos 0 El problema del viajante 3 Variantes del esquema básico 5 Por qué funciona? 9 Observaciones finales
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA
Mosaicos Matemáticos No. 11 Diciembre, 23. Nivel Superior ALGORITMOS GENÉTICOS: ALGUNOS RESULTADOS DE CONVERGENCIA Mario Alberto Villalobos Arias Departamento de Matemáticas Centro de Investigación y de
Más detallesMejoras computacionales en descomposición anidada estocástica de Benders. Andrés Ramos Santiago Cerisola
Mejoras computacionales en descomposición anidada estocástica de Benders Andrés Ramos Santiago Cerisola Modelo de coordinación hidrotérmica Determina la producción óptima de los generadores térmicos e
Más detallesEl método simplex 1. 1 Forma estándar y cambios en el modelo. 2 Definiciones. 3 Puntos extremos y soluciones factibles básicas. 4 El método simplex.
El método simplex Forma estándar y cambios en el modelo. Definiciones. Puntos extremos y soluciones factibles básicas. 4 El método simplex. Definiciones y notación. Teoremas. Solución factible básica inicial.
Más detallesTutorías: 10:00 a 14:00 de lunes a viernes en el L (Solicitud mediante )
1 José María Font Fernández jm.font@upm.es Tutorías: 10:00 a 14:00 de lunes a viernes en el L-3101. (Solicitud mediante email) http://dl.dropbox.com/u/1074349/computacionevolutiva.pdf 2 o La Computación
Más detallesALN - Curso 2007 Gradiente Conjugado
ALN - Curso 27 Gradiente Conjugado Cecilia González Pérez Junio 27 Métodos Iterativos Pueden ser: Métodos estacionarios Métodos no estacionarios Métodos no estacionarios hacen uso de información, evaluada
Más detallesMÉTODOS NUMÉRICOS. Curso o. B Resolución de ecuaciones I (ecuaciones generales f (x) = 0)
MÉTODOS NUMÉRICOS. Curso 06-07. 1 o. B Resolución de ecuaciones I (ecuaciones generales f (x = 0 1. Utiliza el método de bisección para calcular con una precisión de 10 las soluciones de x 3 7x + 14x 6
Más detallesInteligencia Artificial
Inteligencia Artificial Tema 2 Búsquedas Dr. Jesús Antonio González Bernal Contenido Estructura General de un PSA (Problem Solving Agent) Formulación de un PSA Algoritmos de Búsqueda de Sl Soluciones Aplicaciones
Más detallesBúsqueda de similitud en BD
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 4 de junio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) 4 de junio del 2013 1 / 37 1 Introducción Requerimientos para búsqueda en BD FASTA Comparación
Más detallesMinería de Datos Web. Cursada 2018
Minería de Datos Web Cursada 2018 Proceso de Minería de Texto Clustering de Documentos Clasificación de Documentos Es un método supervisado para dividir documentos en base a categorías predefinidas Los
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx El método de Nelder-Mead que vimos antes
Más detallesGráficos de Probabilidad
Gráficos de Probabilidad Resumen El procedimiento Gráficos de Probabilidad grafica los datos de una sola columna numérica en gráficas con una escala específica tal que, si los datos provienen de una distribución
Más detallesOCW-V.Muto Análisis de los errores Cap. II CAPITULO II. ANALISIS DE LOS ERRORES 1. ESQUEMA DE RESOLUCION NUMERICA DE UN PROBLEMA
CAPITULO II. ANALISIS DE LOS ERRORES 1. ESQUEMA DE RESOLUCION NUMERICA DE UN PROBLEMA Si se desea resolver un problema físico B, lo primero que se suele hacer es traducirlo al lenguaje matemático para
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesParte 5. Métodos iterativos para la resolución de sistemas de ecuaciones no lineales
Parte 5. Métodos iterativos para la resolución de sistemas de ecuaciones no lineales Gustavo Montero Escuela Técnica Superior de Ingenieros Industriales Universidad de Las Palmas de Gran Canaria Curso
Más detallesMejoras a algoritmos genéticos. Inteligencia Computacional Blanca A. Vargas Govea Sep 25, 2012
Mejoras a algoritmos genéticos Inteligencia Computacional Blanca A. Vargas Govea vargasgovea@itesm.mx Sep 25, 2012 Conocer las mejoras usuales a algoritmos genéticos 2 1. Diseñar una representación 2.
Más detallesAPROXIMACIÓN NUMÉRICA Y ERRORES
Análisis numérico APROXIMACIÓN NUMÉRICA Y ERRORES Antecedentes En 1947 se crea en la universidad de California el INSITITUTO DE ANÁLISIS NUMÉRICO. El análisis numérico es la rama de las matemáticas, cuyos
Más detallesNUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH
NUEVO METODO DE OPTIMIZACION: BIG BANG BIG CRUNCH OSMAN K. EROL IBRAHIM EKSIN Istanbul Technical University GABRIEL LEIVA FRANCISCO ORTIZ SERGIO FERNANDEZ 1 OBJETIVO DE LA INVESTIGACIÓN Mejorar el criterio
Más detallesALGORÍTMICA
ALGORÍTMICA 2012 2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Más detallesClasificación Clasific NO SUPERV SUPER ISAD IS A AD AGRUPAMIENTO
Clasificación NO SUPERVISADA AGRUPAMIENTO Clasificación No Supervisada Se trata de construir clasificadores sin información a priori, o sea, a partir de conjuntos de patrones no etiquetados Objetivo: Descubrir
Más detallesLas raíces del polinomio característico P (λ) = λ 2 + 4λ + 3 son
Tiempo total: 2 horas 4 minutos Problema 1 [2 puntos]. Colgamos una masa m de un muelle vertical cuya constante de Hooke es λ. El medio ofrece una resistencia igual a µ veces la velocidad instantánea.
Más detallesII Unidad EL ALGORITMO GENETICO BINARIO. Rafael Vazquez Perez
II Unidad EL ALGORITMO GENETICO BINARIO Rafael Vazquez Perez Contenido 2.1.- Algoritmos Genéticos: La Selección Natural en una Computadora 2.2.- Componentes de un Algoritmo Genético 2.2.1.- Selección de
Más detallesMétodo de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. CONTENIDO
Método de árbol de cubos para resolver problemas de optimización discreta en la toma de decisiones. 1 CONTENIDO Introducción Marco teórico Métodos de optimización Método de árbol de cubos Problema de optimización
Más detallesCÁLCULO NUMÉRICO I (Tema 2 - Relación 1)
CÁLCULO NUMÉRICO I (Tema - Relación 1) 1 Cuáles de los siguientes algoritmos son finitos? a) Cálculo del producto de dos números enteros. b) Cálculo de la división de dos números enteros. c) Cálculo de
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesIngeniería en Sistemas Computacionales. Inteligencia Artificial. Ing. Bruno López Takeyas. Algoritmo Hill Climbing
Ingeniería en Sistemas Computacionales Inteligencia Artificial Ing. Bruno López Takeyas Algoritmo Hill Climbing Alumnos Ylliana Samantha Anderson Benavides 01100161 Pablo Saúl Hernández Ribota 01100230
Más detallesHeurísticas y Metaheurísticas
Heurísticas y Metaheurísticas Laboratorio de Algoritmos y Estructuras de Datos III 2 do Cuatrimestre de 2013 Laboratorio de Algo III DC - FCEyN - UBA 2 do Cuatrimestre de 2013 1 / 24 Menú del día 1 Problemas
Más detallesBúsqueda en espacio de estados
Búsqueda en espacio de estados Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial CCIA, US Búsqueda en espacio de estados IA 1 / 35 Metodología
Más detallesNP-Completeness: Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas
Universidad Autónoma de Nuevo León Facultad de Ingeniería Mecánica y Eléctrica División de Posgrado en Ingeniería de Sistemas Complejidad del problema de la Mochila NP-Completeness: (Knapsack problem)
Más detallesOptimización en Ingeniería
Optimización en Ingeniería Departamento de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx Búsqueda Exhaustiva El primer método de
Más detallesMANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Más detallesAlgoritmos Cuánticos
Algoritmos Cuánticos Alfonsa García, Francisco García 1 y Jesús García 1 1 Grupo de investigación en Información y Computación Cuántica (GIICC) Algoritmos cuánticos 1. Introducción 2. Primeros algoritmos
Más detallesAlgoritmos Elementales de Grafos DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Análisis álii y Diseño de Algoritmos Algoritmos Elementales de Grafos DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Introducción Buscar en un grafo significa sistemáticamente seguir las aristas
Más detallesProgramación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13
Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación
Más detallesEXPOSICIÓN UNIDAD II
SIMULACIÓN EQUIPO: 4 2.1 MÉTODOS DE GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS 2.2 PRUEBAS ESTADÍSTICAS DE ALEATORIEDAD CABRERA HERNÁNDEZ TERESA ELIZABETH 1 DE MARZO DEL 2011 2.1 GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS
Más detallesPráctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut
Práctica N o 8 Desigualdades Válidas - Algoritmos de Planos de Corte - Algoritmos Branch & Cut 8.1 Para cada uno de los siguientes conjuntos, encontrar una desigualdad válida que agregada a la formulación
Más detallesTema 5: Búsqueda local y algoritmos genéticos
Tema 5: Búsqueda local y algoritmos genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial
Más detallesAnálisis de algoritmos
Tema 10: Algoritmos ávidos M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom 1 Contenido Introducción Algoritmos ávidos Forma general de un
Más detalles