Mejoras a algoritmos genéticos. Inteligencia Computacional Blanca A. Vargas Govea Sep 25, 2012
|
|
- Laura Naranjo Contreras
- hace 5 años
- Vistas:
Transcripción
1 Mejoras a algoritmos genéticos Inteligencia Computacional Blanca A. Vargas Govea vargasgovea@itesm.mx Sep 25, 2012
2 Conocer las mejoras usuales a algoritmos genéticos 2
3 1. Diseñar una representación 2. Inicializar la población 3. Evaluar al individuo 4. Diseñar mecanismos de selección 5. Diseñar mecanismos de cruce 6. Diseñar mecanismos de mutación 3
4 Sea t = 0 Inicializar aleatoriamente la población P(t) Repetir Evaluar a los individuos de P(t) Seleccionar de P(t) Sea P (t) el conjunto de individuos seleccionados Aplicar cruce en P (t) Aplicar mutación en P (t) t = t + 1 Hasta cumplir criterio de paro 4
5 Criterio de paro El estado óptimo es conocido Establecer un umbral de aceptación El estado óptimo es desconocido 1. Alcanzar un número de generaciones 2. Alcanzar un número de evaluaciones de aptitud 3. Alcanzar un límite en recursos 4. No existe mejora de aptitud 5. La diversidad de la población decae 5
6 Debe adecuarse al problema y consumir la menor cantidad de recursos. Para un problema pueden existir múltiples representaciones. 6
7 Binaria Representación Entera Real Permutación 7
8 Es la más común Puede tener distintos significados. Gen Cromosoma 1 para elementos seleccionados, 0 para elementos no seleccionados. 1 para elementos de un conjunto, 0 para elementos de otro conjunto. 8
9 Para representar números reales Este número puede transformarse a un número real en un intervalo dado. Si queremos tener la representación real entre [-1,1] aplicamos la fórmula nr = min + (x/max) (max min), donde Max = 256 (2 8 ), min = -1 y max = 1. Así, -1 + (210/256)(1-(-1)) =
10 Se utiliza frecuentemente para funciones de optimización con valores reales
11 Para algunos casos, la representación binaria o real puede no ser adecuada. Ejemplo: el problema del coloreado de mapas en el cual, dado un conjunto de n países y un conjunto de k colores, el objetivo es colorear cada país con un color de tal manera que ningún país vecino tenga el mismo color y el número de colores sea mínimo. Si suponemos n = 10 y k = 6, un individuo puede representarse de la siguiente forma:
12 Los individuos se representan como permutaciones. Este tipo de representación se usa generalmente para problemas de ordenamiento y secuencia El agente viajero. A cada ciudad se le asigna un número ( 1 a n). Una solución es una permutación de los números 1,2,,n representando el orden en el cual el agente visita las ciudades. 12
13 Generación aleatoria de una población de acuerdo a su representación. R. binaria: Inicializar con valores de 0 o 1 con probabilidad de 0.5. R. real: Inicializar con valores aleatorios reales dentro del dominio dado. R. de permutación. Inicializar ordenamientos aleatorios. 13
14 Torneo Aptitud proporcional Selección Ruleta Muestreo estocástico Ranking 14
15 Uno de los esquemas de selección más simples. Adecuado cuando la población es grande y no es práctico comparar todos los individuos. Torneo binario: se seleccionan dos individuos aleatoriamente, el mejor se almacena. Se repite hasta tener el número de individuos requeridos. k-torneo: generalización del binario, se seleccionan aleatoriamente k individuos, se almacena el mejor. Se repite el número de veces necesario. 15
16 La probabilidad de que un individuo sea seleccionado depende de cuatro factores: 1. Su ranking en la población. 2. El tamaño de k: a mayor k, mayor oportunidad de que se seleccionen individuos con aptitud sobre el promedio. 3. La probabilidad de que el mejor miembro del torneo sea seleccionado. Generalmente es 1 (torneo determinístico) pero hay versiones estocásticas. 4. Si los individuos se escogen con o sin reemplazo. Con reemplazo siempre es posible que aun el menos apto sea seleccionado. 16
17 La probabilidad de selección depende de la aptitud del individuo comparado con la aptitud del resto de la población. Sea f i la aptitud del individuo i-ésimo en la población y N el tamaño de la población. La probabilidad p i de que un individuo i sea seleccionado es dada por: p i = f i N i=1 f i Desventajas: Individuos mejores que el resto absorben rápidamente a la población lo que lleva a una convergencia prematura. Si los valores de aptitud son muy cercanos, prácticamente no es significativo. 17
18 Se conoce también como muestreo estocástico con reemplazo. 1. Los individuos se mapean a segmentos contiguos de tal forma que cada segmento es equivalente a su aptitud. 2. Se genera un número aleatorio y se selecciona el individuo cuyo segmento abarca el número aleatorio. 3. El proceso se repite hasta obtener el número deseado de individuos. La técnica es análoga a una ruleta en la que cada porción es proporcional a su aptitud. 18
19 19
20 Por ejemplo, si se generan los siguientes números aleatorios: 0.61, 0.33, 0.95, 0.11, 0.45, los individuos seleccionados son 4, 2, 8, 1, 3. 20
21 Como en la ruleta, los individuos se mapean a segmentos contiguos equivalentes a su aptitud. 1. Se colocan marcas equidistantes en cantidad igual al número de individuos a elegir. 2. Si N es el número de individuos a elegir, la distancia entre marcas será 1/N. 3. La distancia de la primer marca se obtiene aleatoriamente en el rango [0,1/N]. 21
22 Para 5 individuos, la distancia entre marcas es 1/5 = 0.2. La figura muestra la selección para el ejemplo para la marca aleatoria de inicio en el punto 0.1. Para los números aleatorios 0.61, 0.33, 0.95, 0.11, 0.45, los individuos seleccionados son: 1,2,3,5,7. 22
23 La población se ordena de acuerdo a su aptitud. Se asigna una clasificación numérica con base en la posición del individuo. El peor tendrá un ranking de 1 y el mejor tendrá un ranking de N, donde N es el tamaño de la población. Si el mejor individuo abarca un gran porcentaje de la ruleta, es muy difícil que los individuos restantes sean seleccionados. Así, la aptitud basada en ranking es más robusta que la asignación proporcional de aptitud. 23
24 Consiste en copiar el mejor, o los mejores cromosomas a la nueva población. 24
25 Para el problema del agente viajero diseña: 1. Representación de la población. 2. Evaluación. 3. Selección. F A 1 5 B C 1 E D 1 25
26 Goldberg, David E. (David Edward), 1953-, Genetic algorithms in search, optimization, and machine learning : Addison- Wesley Pub. Co., Massachusetts, 1989 Grosan C., y Abraham A. (2011) Intelligent Systems: A Modern Approach. Intelligent Systems Reference Library, Volume 17. Springer. 26
Por qué funcionan? -> Teorema de esquemas I. Inteligencia Computacional Blanca A. Vargas Govea Sep 18, 2012
Por qué funcionan? -> Teorema de esquemas I Inteligencia Computacional Blanca A. Vargas Govea vargasgovea@itesm.mx Sep 18, 2012 1950s Modelo de mecanismos de la evolución en computadora 2 1960s Modelos
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS 1. ALGORITMOS GENÉTICOS. INTRODUCCIÓN 2. CÓMO SE CONSTRUYE? 3. SOBRE SU UTILIZACIÓN 4. ALGUNAS CUESTIONES: DIVERSIDAD, EXPLORACIÓN vs EXPLOTACIÓN 5. MODELOS: GENERACIONAL vs ESTACIONARIO
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 detallesInteligencia Computacional
Inteligencia Computacional Recocido simulado http://blancavg.com/tc3023/ Blanca A. Vargas Govea * vargasgovea@itesm.mx * Agosto 28, 2012 Monte Carlo John von Neumann, S. Ulam, N. Metrópolis (40s) Kirkpatrick
Más detallesInteligencia Computacional
Inteligencia Computacional Recocido simulado: recomendaciones http://blancavg.com/tc0/ Blanca A. Vargas Govea * vargasgovea@itesm.mx * Agosto, 0 Fecha examen- Martes Sep N. Metrópolis De la teoría a los
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 detallesALGORITMOS GENÉTICOS. En lugar de envidiar la naturaleza debemos emularla Holland
ALGORITMOS GENÉTICOS En lugar de envidiar la naturaleza debemos emularla Holland Algoritmos genéticos Algoritmos basados en los principios de la evolución natural Se utilizan en problemas donde no se pueden
Más detallesTema 5: Algoritmos Genéticos
Tema 5: Algoritmos Genéticos José Luis Ruiz Reina Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial Búsqueda
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
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 detallesALGORITMOS GENÉTICOS Oscar Cordón, Universidad de Granada
ALGORITMOS GENÉTICOS Oscar Cordón, Universidad de Granada 1. ALGORITMOS GENÉTICOS. INTRODUCCIÓN 2. CÓMO SE CONSTRUYE? 3. SOBRE SU UTILIZACIÓN 4. ALGUNAS CUESTIONES: DIVERSIDAD, EXPLORACIÓN vs EXPLOTACIÓN
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 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
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 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 detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesAlgoritmos Genéticos. Héctor Alejandro Montes
Algoritmos Genéticos hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes Evaluación del curso Ordinaria Tareas Examenes parciales Proyecto final Extraordinaria y a Título de Suficiencia Examen teórico Examen
Más detallesCOMPUTACIÓN BIOLÓGICA
COMPUTACIÓN BIOLÓGICA Pedro Isasi 1 1 Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid). Spain email: isasi@ia.uc3m.es Presentación TEMARIO
Más detallesMinería de datos (Algoritmos evolutivos)
Minería de datos (Algoritmos evolutivos) M. en C. Sergio Luis Pérez Pérez UAM CUAJIMALPA, MÉXICO, D. F. Trimestre 14-I. Sergio Luis Pérez (UAM CUAJIMALPA) Curso de minería de datos 1 / 23 Extracción de
Más detallesALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL
ALGORITMOS GENÉTICOS EN EL CÁLCULO DIFERENCIAL Palabras claves: optimización, algoritmos genéticos, robustez. Resumen Amador, Niño Jairo* Este documento presenta una introducción a los algoritmos genéticos
Más detallesTema 1(parte 2): Introducción a la Estadística 1.1-1
1 Tema 1(parte 2): Introducción a la Estadística 1.1-1 Muestreo Muestra Es un subconjunto de la población. Objetivo del muestreo: El objetivo del muestreo es obtener la mayor cantidad de información posible
Más detallesALGORITMOS GENÉTICOS
ALGORITMOS GENÉTICOS Autor: Miguel Ángel Muñoz Pérez. Primera versión: Noviembre, 1997. Última modificación: Abril, 2005. ADVERTENCIA Si ya sabes lo que es un algoritmo genético y esperas hallar algo novedoso
Más detallesTEMA 3: Áreas de la IA: Ejemplos de investigación actual.
Tema 3: Áreas de la IA: Ejemplos de investigación actual pp. 1 TEMA 3: Áreas de la IA: Ejemplos de investigación actual. Algoritmos Genéticos 1 Introducción 2.1 Operadores Bibliografía Bibliografía S.
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 detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
Más detallesOPERADORES GENETICOS SOBRE PERMUTACIONES APLICADOS A LA RESOLUCIÓN DEL SUDOKU
OPERADORES GENETICOS SOBRE PERMUTACIONES APLICADOS A LA RESOLUCIÓN DEL SUDOKU Carlos Cervigón Rückauer Departamento de Ingeniería del Software e Inteligencia artificial Universidad Complutense de Madrid
Más detallesOPTIMIZACIÓN DE MODELOS
OPTIMIZACIÓN DE MODELOS SISTEMA DECIMAL Sistema numérico que utiliza al 10 como base y requiere 10 números. 156.7 1x10 2 + 5x10 1 + 6x10 0 + 7x10-1 = 100 + 50 + 6 +0.7 = 156.7 SISTEMA BINARIO Sistema que
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
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 detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesLÓGICA DIFUSA. Conjuntos difusos Blanca A. Vargas Govea Noviembre 2, 2012 Inteligencia Computacional
LÓGICA DIFUSA Conjuntos difusos Blanca A. Vargas Govea vargasgovea@itesm.mx Noviembre 2, 2012 Inteligencia Computacional Sistemas de inferencia difusa 2 Observacio nes Inferencia difusa Fusificación Definir
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 detallesInteligencia Computacional
Inteligencia Computacional Búsqueda local: hill-climbing http://blancavg.com/tc0/ Blanca A. Vargas Govea * blanca.vg@gmail.com * Agosto, 0 La solución es una secuencia de acciones A-I-G-H A B I C G D E
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T4: Algoritmos Genéticos {jdiez, juanjo} @ aic.uniovi.es La idea es Qué pretende la IA? Producir agentes inteligentes Cuál es el mejor ejemplo de agente inteligente? El Hombre Cómo
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento 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 detallesCAPITULO 2: MARCO TEÓRICO. En el desarrollo de este capítulo se presentan descripciones generales,
CAPITULO 2: MARCO TEÓRICO En el desarrollo de este capítulo se presentan descripciones generales, definiciones y métodos, que nos pueden ayudar a entender con claridad el método que desarrolló en esta
Más detallesSISTEMA DE GESTIÓN DE LA ENERGÍA PARA MICROREDES. Ander Martin Villate/CEIT-IK4
SISTEMA DE GESTIÓN DE LA ENERGÍA PARA MICROREDES Ander Martin Villate/CEIT-IK4 Índice Introducción Microrred i-sare Descripción del Sistema de Gestión de la Energía Simulación y Resultados Conclusiones
Más detallesMODELO DE ASIGNACIÓN DE CARGA ACADÉMICA USANDO ALGORITMOS GENÉTICOS
MODELO DE ASIGNACIÓN DE CARGA ACADÉMICA USANDO ALGORITMOS GENÉTICOS Bruno López Takeyas 1 Jaime David Johnston Barrientos 2 Instituto Tecnológico de Nuevo Laredo Reforma Sur 2007, C.P. 88250, Nuevo Laredo,
Más detallesAplicación de Algoritmos Genéticos en la Fragmentación Vertical y asignación simultanea en Bases de Datos Distribuidas
Aplicación de Algoritmos Genéticos en la Fragmentación Vertical y asignación simultanea en Bases de Datos Distribuidas Rodrigo Peralta González Alumno Ingeniería Civil Informática Universidad Católica
Más detallesModelo poblacional con algoritmos genéticos RESUMEN
Modelo poblacional con algoritmos genéticos Eduardo Véliz Quintero 1, Luis Rodríguez Ojeda 2. RESUMEN Para el desarrollo de este trabajo, MODELO POBLACIONAL CON ALGORITMOS GENÉTICOS, he investigado la
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 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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA PROGRAMA DE LA ASIGNATURA DE: INTELIGENCIA ARTIFICIAL II IDENTIFICACIÓN
Más detallesRevista Aristas Ciencia Básica y Aplicada
Contenido disponible en http://fcqi.tij.uabc.mx/usuarios/revistaaristas/ Revista Aristas Ciencia Básica y Aplicada SOFTWARE DIDÁCTICO EN LA IMPLEMENTACIÓN DE UN ALGORITMO GENÉTICO CANÓNICO. Charles Walter
Más detalles1. Historial de la asignatura.
Nombre de la asignatura: PROGRAMACIÓN HEURÍSTICA Línea de investigación: Optimización Inteligente Horas teóricas - Horas prácticas - Horas trabajo adicional - Horas totales Créditos 32 16 64 112-7 1. Historial
Más detallesTema 6: Búsqueda local y algoritmos genéticos
Tema 6: Búsqueda local y algoritmos genéticos José Luis Ruiz Reina Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Inteligencia Artificial I, 2012 Índice Problemas
Más detalles3. Algoritmo genético
3. Algoritmo genético 3.1 Antecedentes El algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución de Darwin. Se presentarán aquí los conceptos básicos más importantes para entender
Más detallesY ELECTRÓNICA División Departamento Carrera. Área del Conocimiento. Asignatura: Horas/semana: Horas/semestre: Obligatoria Teóricas 4.0 Teóricas 64.
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO HERRAMIENTAS COMPUTACIONALES PARA LA OPTIMACIÓN DE SISTEMAS ENERGÉTICOS INGENIERÍA ELÉCTRICA 9 8 Asignatura Clave Semestre
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 detallesEjemplo del problema del agente viajero(ejecutable) Ejemplo del problema del agente viajero(codigo) Articulo copleto (formato pdf)
Tema: ALGORITMOS GENÉTICOS Autores: Katherine Viteri Christian Salazar Carlos Paredes José Luis Muñoz Abstract Los algoritmos genéticos son parte de la computación evolutiva, es un área creciente de la
Más detallesLÓGICA DIFUSA. Inferencia: defusificación Blanca A. Vargas Govea Noviembre 13, 2012 Inteligencia Computacional
LÓGICA DIFUSA Inferencia: defusificación Blanca A. Vargas Govea vargasgovea@itesm.mx Noviembre 13, 2012 Inteligencia Computacional Sistemas de inferencia difusa 2 Observacio nes Inferencia difusa Fusificación
Más detallesEl tiempo estimado para realizar la prueba es de 3 horas y media
Departamento de Informática Universidad Carlos III de Madrid Open Course Ware Ingeniería Informática Computación Biológica Prueba de conocimiento El tiempo estimado para realizar la prueba es de 3 horas
Más detallesAlgunas ventajas asociados comúnmente a ellos son:
CAPITULO 3 ALGORITMOS GENÉTICOS Charles Darwin construyó la Teoría de la Evolución, en la cual afirma que las especies naturales van evolucionando para adaptarse al medio en que viven. Aquellos individuos
Más detallesIntroducción a la Computación Evolutiva. Variantes de representación y selección
Introducción a la Computación Evolutiva Dr. Carlos Artemio Coello Coello Tarea No. 3 11 de junio de 2014 Variantes de representación y selección 1. El objetivo de esta tarea es que experimente con técnicas
Más detallesAlgoritmos Genéticos y sus Aplicaciones
Algoritmos Genéticos y sus Aplicaciones Angel Kuri M. Centro de Investigación en Computación Instituto Politécnico Nacional oct. 2000 Computación Evolutiva 1 Computación Evolutiva» Algoritmos Genéticos
Más detallesBIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
Más detallesSINTONIZACION DE UN CONTROLADOR PID PARA FUNCION DE TRANSFERENCIA DE SEGUNDO ORDEN USANDO ALGORITMOS GENETICOS BASADO EN TOOLBOX DE MATLAB.
1 SINTONIZACION DE UN CONTROLADOR PID PARA FUNCION DE TRANSFERENCIA DE SEGUNDO ORDEN USANDO ALGORITMOS GENETICOS BASADO EN TOOLBOX DE MATLAB. Fredy Alexander Guasmayan Guasmayan Cedula: 14 590 212 Universidad
Más detallesTema 7: Búsqueda local y algoritmos genéticos
Inteligencia Artificial I Curso 2009 200 Tema 7: Búsqueda local y algoritmos genéticos José L. Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IA-I 2009
Más detallesSist. de Prog. no convencional de Robots PLANIFICACIONES Actualización: 1ºC/2018. Planificaciones
Planificaciones 7570 - Sist. de Prog. no convencional de Robots Docente responsable: MERLINO HERNAN DANIEL 1 de 6 OBJETIVOS Familiarizar al alumno con los modelos de aprendizaje automático simbólico y
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 detallesteóricos: 3/2 prácticos: 1.5/1.5 CURSO: 3º CUATRIMESTRE: 2º CICLO: 1º
FICHA DE ASIGNATURAS DE INGENIERÍA TÉCNICA EN INFORMÁTICA DE SISTEMAS PARA GUÍA DOCENTE. EXPERIENCIA PILOTO DE CRÉDITOS EUROPEOS. UNIVERSIDADES ANDALUZAS DATOS BÁSICOS DE LA ASIGNATURA NOMBRE: Modelos
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 detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 22
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 22 prb@2007 2 El núcleo de cada célula humana contiene una base de datos química. Esta base de datos contiene todas las instrucciones que la célula
Más detallesRESUMEN. Palabras clave: Planificación, Producción y Distribución conjunta, Algoritmo Genético, Ventana temporal.
ƒ Índice Algoritmo genético para la planificación conjunta de la producción y distribución de pedidos desde múltiples plantas y ventanas temporales de entrega J. M. García 1, M. Calle 2, G. Villa 3 1 Ingeniero
Más detallesAsignación Dinámica de Aulas Utilizando Algoritmos Genéticos
Asignación Dinámica de Aulas Utilizando Algoritmos Genéticos Marcelo J. Karanik marcelo@frre.utn.edu.ar Grupo de Investigación Sobre Inteligencia Artificial Universidad Tecnológica Nacional Facultad Regional
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 genéticos: Aplicación al problema de la mochila.
Algoritmos genéticos: Aplicación al problema de la mochila. Javier Hidalgo Sánchez Universidad Carlos III de Madrid Coria, Cáceres, España 00056426@alumnos.uc3m.es Jesús Ignacio Turrado Martínez Universidad
Más detallesCarlos J. Zapata G Carlos A. Ramirez V
Carlos J. Zapata G Carlos A. Ramirez V Introducción Los AG provienen de la familia de modelos computacionales basados en la evolución Holland fue el primero quien le dio un formalismo y el nombre a los
Más detallesTema 1. Heurísticos en Optimización Combinatorial
Tema 1. Heurísticos en Optimización Combinatorial Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal
Más detallesPosibles trabajos HIA
Posibles trabajos HIA Posibles trabajos Comparar otras herramientas de Minería de Datos con Weka Estudiar la influencia del ruido en bagging y boosting Estudiar la influencia del parámetro de poda en J48
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesOrdenamiento en Tiempo Lineal - Medianas y Ordenes sticas
Ordenamiento en Tiempo Lineal - Medianas y Ordenes Estadísticas sticas CLASIFICACIÓN EN TIEMPO LINEAL. 1.- Cota Inferior para Ordenamiento por comparaciones. -árbol de decisión. - limite inferior para
Más detallesAlgoritmos genéticos. Inteligencia Computacional TC3023
Algoritmos genéticos Inteligencia Computacional TC3023 Cromosoma Algoritmos Genéticos 2 Revisión 200913 El Cromosoma En la naturaleza, los organismos tienen ciertas características que influencian su habilidad
Más detallesIntroducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Departamento 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 detallesRepresentación, 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 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 detallesIntroducción 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 detallesGRADUADO EN INGENIERÍA DE COMPUTADORES Guía de Aprendizaje. Información al estudiante
GRADUADO EN INGENIERÍA DE COMPUTADORES Guía de Aprendizaje DATOS DESCRIPTIVOS Información al estudiante ASIGNATURA: Sistemas Inteligentes Nombre en inglés: Intelligent Systems MATERIA: Sistemas Inteligentes
Más detallesMétodos de muestreo de variables con distribuciones continuas Dr. Ing. JORGE E. NÚÑEZ MC LEOD
Métodos de muestreo de variables con distribuciones continuas Dr. Ing. JORGE E. NÚÑEZ MC LEOD 1. MÉTODO DE LA TRANSFORMADA INVERSA (Simulación Montecarlo) Se desean obtener muestras aleatorias de una variable
Más detallesAlgoritmos 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 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 detallesALGORITMOS GENÉTICOS: QUÉ SON Y CÓMO FUNCIONAN
ALGORITMOS GENÉTICOS: QUÉ SON Y CÓMO FUNCIONAN NESTOR MANUEL GARZÓN TORRES 1 LUIS CARLOS TORRES SOLER 2 Resumen El ensayo siguiente muestra cómo los algoritmos genéticos (GA) toman un papel muy importante
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 detallesModelado de la Distribución de Espacios Físicos mediante Algoritmos Evolutivos
Modelado de la Distribución de Espacios Físicos mediante Algoritmos Evolutivos Paula A. Millado, Guillermo R. Coronado, M. Laura Ivanissevich Universidad Nacional de la Patgonia Austral Lisandro de la
Más detallesHerramienta Informática para la Aplicación de Técnicas Metaheurísticas a la Programación de la Producción de Sistemas Job-Shop
II Conferencia de Ingeniería de Organización Vigo, 5-6 Septiembre 2002 Herramienta Informática para la Aplicación de Técnicas Metaheurísticas a la Programación de la Producción de Sistemas Job-Shop Álvaro
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 detallesUniversidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO
Universidad Nacional de San Agustín VICE RECTORADO ACADÉMICO SILABO CODIGO DEL CURSO: CS360 1 Datos Generales FACULTAD : Ingeniería de Producción y Servicios DEPARTAMENTO :Ingeniería de Sistemas e Informática
Más detallesCOMPUTACIÓN BIOLÓGICA
COMPUTACIÓN BIOLÓGICA Pedro Isasi 1 1 Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid). Spain email: isasi@ia.uc3m.es Presentación TEMARIO
Más detallesHéctor Tabares Ospina * Jesus Hernandez Riveros **
PRONÓSTICO PUNTOS CRÍTICOS DE LA SERIE TEMPORAL CONSUMO DE ENERGÍA ELÉCTRICA DEL SECTOR INDUSTRIAL EN LA CIUDAD DE MEDELLÍN, USANDO ALGORITMOS GENÉTICOS. RESUMEN Héctor Tabares Ospina * Jesus Hernandez
Más detallesSIMULACION SCD NUMEROS PSEUDO ALEATORIOS. los números pseudo aleatorios
SIMULACION SCD- 1022 1.- NUMEROS PSEUDO ALEATORIOS los números pseudo aleatorios para poder realizar una simulación que incluya variabilidad dentro de sus eventos, es preciso generar una serie de números
Más detallesGRADUADO EN INGENIERÍA DE COMPUTADORES Guía de Aprendizaje. Información al estudiante
GRADUADO EN INGENIERÍA DE COMPUTADORES Guía de Aprendizaje DATOS DESCRIPTIVOS Información al estudiante ASIGNATURA: Sistemas Inteligentes Nombre en inglés: Intelligent Systems MATERIA: Sistemas Inteligentes
Más detallesSesión 7: Campos de Markov
Sesión 7: Campos de Markov Campos de Markov Introducción Modelo de Ising Representación Tipos de Modelos Redes de Markov Vecindades Algoritmos ICM, Metrópolis, Recocido Simulado Aplicaciones Visión L.E.
Más detallesIntroducción 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 detallesSelección de Atributos. Dr. Jesús Ariel Carrasco Ochoa Oficina 8311
Selección de Atributos Dr. Jesús Ariel Carrasco Ochoa ariel@inaoep.mx Oficina 8311 Contenido Introducción Estrategias de selección Técnicas filter Técnicas wrapper Técnicas híbridas Selección de atributos
Más detallesAlgoritmos Culturales en Manejo de Restricciones
en Algoritmos Evolutivos Algoritmos Culturales en Manejo de Restricciones por Ricardo Landa abril de 2003 1 Algoritmos Culturales Los algoritmos culturales fueron desarrollados por Robert G. Reynolds,
Más detalles