Algoritmos Genéticos.
|
|
- José Carlos Rubio Ortíz
- hace 8 años
- Vistas:
Transcripción
1 Algoritmos Genéticos. Miguel Cárdenas Montes, Antonio Gómez Iglesias Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es de Octubre de 2011
2 Temario del Curso Temario a la Computación Evolutiva. Aplicaciones a Problemas Científicos y Tecnológicos. Algoritmos Genéticos. Algoritmos Basados en Evolución Diferencial. Algoritmos Evolutivos para Problemas Multiobjetivo. RND y EA Modelos Basados en Adaptación Social: abejas, hormigas y enjambres.
3 Tabla de Contenidos 1 Tabla de Contenidos 2 3 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada 4 5 Exploración - Explotación Evitar la convergencia prematura 6
4
5 I Los algoritmos genéticos: Son algoritmos de optimización que usan la búsqueda y el aprendizaje. Están inspirados en los procesos de evolución natural y evolución genética Los algoritmos genéticos no son: La solución a todos los problemas de optimización
6 II Los algoritmos genéticos: Se inspiran en la evolucion biológica Hacen evolucionar poblaciones Modificaciones aleatorias de las características de los individuos Selección de los mejores individuos Modelo iterativo
7 Componentes Los algoritmos genéticos: Población Selección Reproducción Reemplazo
8 Componentes
9 Modelos Modelo Generacional En cada iteración se crea una población completa nueva La nueva población reemplaza a la anterior
10 Modelos Modelo estacionario En cada iteración, se seleccionan dos o más padres y se aplican los operadores genéticos sobre ellos Los nuevos individuos reemplazan a uno o varios (pero no a todos) de los padres Es un modelo elitista (los mejores individuos se suelen mantener de una iteración a otra) que puede tener una convergencia alta
11 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Modelos Pasos para construir un AG Diseñar una representación Decidir cómo inicializar una población Diseñar una forma de evaluar un individuo Diseñar un operador de mutación adecuado Diseñar un operador de cruce adecuado Decidir cómo seleccionar los individuos para ser padres Decidir cómo reemplazar a los individuos Decidir la condición de parada
12 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Modelos Requisitos Debe permitir representar todo el espacio de búsqueda No debería permitir representar soluciones infactibles Debe estar ajustada al problema que representa (pequeños cambios en el individuo deben producir pequeños cambios en la solución) Debe ser fácil de decodificar Una vez que se ha decidido la codificación, se puede comenzar a definir el operador que se usará
13 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Representación Binaria La representación de un individuo se puede hacer mediante una codificación discreta, y en particular binaria
14 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Representación Real Una forma natural de codificar una solución es utilizando valores reales Muchas aplicaciones tienen esta forma natural de codificación
15 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Inicialización Aleatoria Debe ser uniforme sobre el espacio de búsqueda: Cadena binaria: 0 o 1 con probabilidad 0.5 Representación real: uniforme sobre un intervalo dado
16 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Inicialización desde una población anterior También se puede elegir la población a partir de los resultados de una heurística previa
17 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Inicialización desde una población anterior Este es el paso más costoso para una aplicación real Puede ser una subrutina, un simulador, o cualquier proceso externo Se pueden utilizar funciones aproximadas para reducir el coste de la evaluación Cuando hay restricciones, éstas se pueden introducir en el coste como penalización Con múltiples objetivos se busca una solución de compromiso
18 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Diseño de la función Procedimiento desarrollado íntegramente Uso de una aplicación ya desarrollada con anterioridad Conjunto de aplicaciones
19 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Selección Objetivo: Simular el proceso de selección natural en base a la calidad Requisitos Los individuos más aptos deben tener mayor probabilidad de ser elegidos Los individuos menos aptos deben tener oportunidad de ser elegidos Presión Selectiva: se utiliza para mejorar la convergencia. Ocurren cuando se utilizan métodos basados en el fitness
20 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Selección Aleatoria (RS) Tipos de Selección Selección por Torneo (TS): escoge al individuo de mejor fitness de entre N individuos seleccionados aleatoriamente (N = 2, 3,... ) Orden Lineal (LR): la población se ordena en función de su fitness y se asocia una probabilidad de selección a cada individuo que depende de su orden Emparejamiento Variado Inverso (NAM): escoge un padre aleatoriamente. Para el otro selecciona N padres y escoge el más lejano al primero (N = 3, 5,... ) Selección por Ruleta: asigna una probabilidad de selección proporcional al valor del fitness del individuo
21 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Selección por torneo Para cada padre a seleccionar: Escoger aleatoriamente N individuos Seleccionar el mejor de ellos N es el tamaño del torneo. A mayor N, mayor presión selectiva y viceversa
22 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Emparejamiento Variado Inverso en Binario Cruzar A con más de lejano: BCDE A B diferencias C diferencias D diferencias E diferencias
23 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce
24 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce Podríamos tener uno o más operadores de cruce para nuestra representación Algunos aspectos importantes a tener en cuenta son: Los hijos deberían heredar algunas características de cada padre. Si éste no es el caso, entonces estamos ante un operador de mutación Se debe diseñar de acuerdo a la representación La recombinación debe producir cromosomas válidos Se utiliza con una probabilidad alta de actuación sobre cada pareja de padres a cruzar (entre 0.6 y 0.9)
25 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en binario Cruce en un punto en binario
26 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en un punto en binario Cruce en binario Cruce en dos puntos en binario
27 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en codificación real Ejemplo de operador de cruce
28 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en codificación real Tanto el operador de cruce como el de mutación debe estar adaptado al problema que se está optimizando. Puede haber múltiples de ambos en un mismo código. Se puede hacer variar ambos operadores a lo largo de las generaciones. Se puede hacer un método de prueba y error hasta encontrar los más idóneos al problema.
29 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Cruce en codificación real Ejemplos: Blend crossover (BLX) Confidence interval based crossover (CIXL1, CIXL2) Partially Matched Crossover (PMX) Cycle Crossover (CX)
30 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada BLX-a 1 select two parents X (t) and Y (t) from a parent pool 2 create two offspring X (t+1) and Y (t+1) as follows: 3 for i = 1 to n do: 1 d i = x (t) i y (t) i 2 choose a uniform random real number u from interval < min(x (t) i,y (t) i ) a d i,max(x (t) i,y (t) i ) + a d i > 3 x (t+1) = u i 4 choose a uniform random real number u from interval < min(x (t) i,y (t) i ) a d i,max(x (t) i,y (t) i ) + a d i > = u 5 y (t+1) i 4 end do where: a - positive real parameter
31 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Mutación Podemos tener uno o más operadores de mutación para nuestra representación Algunos aspectos importantes a tener en cuenta son: Debe permitir alcanzar cualquier parte del espacio de búsqueda El tamaño de la mutación debe ser controlado Debe producir cromosomas e individuos válidos
32 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Mutación en codificación binaria
33 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Mutación en codificación real Propuesta Se suele utilizar la desviación estandard de cada cromosoma en la población (o en los mejores individuos)
34 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Reemplazamiento La presión selectiva se ve también afectada por la forma en que los cromosomas de la población son reemplazados por los nuevos descendientes Existen métodos de reemplazamiento aleatorios y determinísticos Podemos decidir no reemplazar al mejor individuo de la población: Elitismo Un modelo con alto grado de elitismo consiste en utilizar una población intermedia con todos los padres N y todos los descendientes y seleccionar los N mejores
35 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Estrategias En modelos estacionarios existen diferentes opciones: Reemplazar al peor de la población (RW): genera alta presión selectiva Torneo Restringido (RTS): se reemplaza al más parecido de entre N (N = 3,... ). Mantiene una cierta diversidad Peor entre semejantes (WAMS): se reemplaza el peor cromosoma del conjunto de los N (N = 3,... ) padres más parecidos al descendiente generado (seleccionados de toda la población). Busca equilibrio entre diversidad y presión selectiva Algoritmo de Crowding Determinístico (DC): el hijo (si mejora) reemplaza a su padre más parecido. Mantiene diversidad
36 Representación Inicialización Evaluación Selección Cruce y mutación Reemplazamiento Criterio de Parada Criterio de Parada Cuando se alcanza el óptimo Recursos limitados de CPU: fijar el máximo número de evaluaciones Límite sobre la paciencia del usuario: Después de algunas iteraciones sin mejora
37 cod. binaria I Problema de optimización: minimizar f (x) = x. i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B C D
38 cod. binaria II Cruce i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B AB A 1 B C D CD 0 1 C 0 D
39 cod. binaria III Eliminación de los peores padres. i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B C D
40 cod. binaria IV Mutación. i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A A B B C D
41 cod. binaria V i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x A B C D
42 cod. binaria VI i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x B C BC B 1 C D A DA 0 1 D 0 A
43 cod. binaria VII i x 6 x 5 x 4 x 3 x 2 x 1 f (x) = x B C A D
44 cod. real I Minimizar f (x, y) = x 2 + y 2 ; x,y [-10,10]. i x y f (x) A B C D
45 cod. real II Cruce (a+b)/2 i x y f (x) A B AB C D CD
46 cod. real III Se eliminan los peores padres i x y f (x) A B C D
47 cod. real IV No mutación, segunda generación i x y f (x) A C AC B D BD
48 cod. real V No mutación, segunda generación i x y f (x) A C B D
49 cod. real VI Tercera generación i x y f (x) A D AD C B CB
50 cod. real VII Tercera generación i x y f (x) A D C B
51 Exploración - Explotación Evitar la convergencia prematura Exploración y Explotación Todo algoritmo de búsqueda necesita establecer un equilibrio entre dos factores aparentemente opuestos: exploración del espacio de soluciones, para realizar una búsqueda en amplitud, localizando así zonas prometedoras explotación del espacio de búsqueda, para hacer una búsqueda en profundidad en dichas zonas, obteniendo así las mejores soluciones Los algoritmos genéticos son algoritmos de búsqueda de propósito general, cuyos operadores pueden establecer un equilibrio adecuado entre exploración y explotación
52 Exploración - Explotación Evitar la convergencia prematura Convergencia y Diversidad Convergencia Centrar la búsqueda en regiones prometedoras mediante la presión selectiva La presión selectiva permite que los mejores individuos sean seleccionados para reproducirse. Es necesaria para que el proceso de búsqueda no sea aleatorio Diversidad Evitar la convergencia prematura (rápida convergencia hacia zonas que no contienen el óptimo global)
53 Exploración - Explotación Evitar la convergencia prematura Controlar la diversidad La diversidad está asociada a las diferencias entre los cromosomas en la población Falta de diversidad genética: todos los individuos en la población son parecidos Falta de diversidad convergencia prematura a óptimos locales En la práctica es irreversible. Soluciones: Inclusión de mecanismos de diversidad en la evolución Reinicialización cuando se produce convergencia prematura
54 Exploración - Explotación Evitar la convergencia prematura Evitar la convergencia prematura Propuestas Diversidad con la Mutación Diversidad con el Cruce Separación Espacial Adaptación, Auto-adaptación, Metaevolución Estrategias de Reemplazamiento
55 Exploración - Explotación Evitar la convergencia prematura Diversidad con la mutación Una alta probabilidad de mutación no soluciona la convergencia prematura Se usa una probabilidad adaptativa: Comenzar con una probabilidad alta al principio del algoritmo e ir reduciéndola conforme avanzan los ciclos. Aplicar una probabilidad alta sobre las peores soluciones y baja sobre las mejores.
56 Exploración - Explotación Evitar la convergencia prematura Diversidad con el cruce Técnicas de emparejamiento Los padres se pueden seleccionar de forma que se mantenga la diversidad de la población Prohibición de cruce basada en ascendencia. Un individuo no puede emparejarse con él mismo, ni con sus padres, ni con sus hijos, ni con sus hermanos Prohibición de incesto. Dos padres se cruzan si su distancia Hamming está por encima de cierto umbral Emparejamiento variado. Un individuo se cruza con otro que es bastante diferente
57 Exploración - Explotación Evitar la convergencia prematura (Distancia Hamming) La distancia Hamming entre y es 2. La distancia Hamming entre y es 3. La distancia Hamming entre tener y reses es 3.
58 Exploración - Explotación Evitar la convergencia prematura Separación espacial Separación espacial Los métodos de preservación de la diversidad basados en separación espacial han sido propuestos para evitar la convergencia prematura. Los más representativos son los AGs distribuidos y los AGs celulares
59 Exploración - Explotación Evitar la convergencia prematura Adaptación, Auto-adaptación, Metaevolución Adaptación Consiste en la adaptación de determinados elementos de los AGs a lo largo de la ejecución en función de su estado o información disponible sobre el espacio de búsqueda. Se utilizan diferentes herramientas para su aplicación: Funciones sobre parámetros, por ejemplo una función lineal asociada a las iteraciones para disminuir la probabilidad de mutación Sistemas de control basados en reglas difusas Coevolución de sistemas de control basados en reglas difusas,...
60 Exploración - Explotación Evitar la convergencia prematura Adaptación, Auto-adaptación, Metaevolución Auto-adaptación Evolución de los parámetros de acuerdo al comportamiento del algoritmo Metaevolución Considera la búsqueda del mejor AG para resolver un problema como un problema de optimización y se utiliza otro AG para resolverlo Un AG-metanivel opera sobre una población de AGs (cada AG es un individuo) que intentan resolver el problema en cuestión
61 Exploración - Explotación Evitar la convergencia prematura Estrategias de Reemplazamiento Objetivo Introducir mayor diversidad o convergencia en la población en función del mecanismo de reemplazamiento. Son de interés en los modelos estacionarios o cuando se introducen mecanismos de competición entre padres o hijos. Alternativas Métodos de multitud, se basan en la similitud genotípica y reemplazan al individuo más similar al generado (Modelo Estacionario) Métodos de competición entre descendientes y los padres u otros individuos de la población
62 - Resumen basados en una metáfora biológica: evolución gran potencialidad de aplicación muy populares en muchos campos muy potentes en diversas aplicaciones altas prestaciones a bajo costo
63
64 Gracias Gracias Preguntas? Más preguntas?
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 detallesAlgoritmos 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 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 detallesProgramación 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 detallesCAPITULO 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 detallesCapítulo 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 detallesAlgoritmos 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 detallesAlgoritmos 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 detallesAlgoritmos 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 detallesComputación 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 detallesAlgoritmos 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 detallesBúsqueda 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 detallesALGORITMOS 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 detallesUn 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 detallesIntroducción 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&$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 detallesSISI / 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 detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS
ETSIINGENIO 2009 DIBUJO DE GRAFOS MEDIANTE ALGORITMOS GENÉTICOS EtsiIngenio Inteligencia Artificial 1 Raposo López Alejandro Sánchez Palacios Manuel Resumen dibujo de grafos mediante algoritmos genéticos
Más detallesRedes 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 detallesAmpliación de Estructuras de Datos
Ampliación de Estructuras de Datos Amalia Duch Barcelona, marzo de 2007 Índice 1. Diccionarios implementados con árboles binarios de búsqueda 1 2. TAD Cola de Prioridad 4 3. Heapsort 8 1. Diccionarios
Más detalles7. Conclusiones. 7.1 Resultados
7. Conclusiones Una de las preguntas iniciales de este proyecto fue : Cuál es la importancia de resolver problemas NP-Completos?. Puede concluirse que el PAV como problema NP- Completo permite comprobar
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesCiclo de vida y Metodologías para el desarrollo de SW Definición de la metodología
Ciclo de vida y Metodologías para el desarrollo de SW Definición de la metodología La metodología para el desarrollo de software es un modo sistemático de realizar, gestionar y administrar un proyecto
Más detallesDesarrollo 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 detallesComputación Evolutiva: Técnicas de Selección
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
Más detallesSÍNTESIS Y PERSPECTIVAS
SÍNTESIS Y PERSPECTIVAS Los invitamos a observar, a identificar problemas, pero al mismo tiempo a buscar oportunidades de mejoras en sus empresas. REVISIÓN DE CONCEPTOS. Esta es la última clase del curso.
Más detallesTEMA 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 detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T11: Métodos Kernel: Máquinas de vectores soporte {jdiez, juanjo} @ aic.uniovi.es Índice Funciones y métodos kernel Concepto: representación de datos Características y ventajas Funciones
Más detallesMovimiento a través de una. José San Martín
Movimiento a través de una curva José San Martín 1. Introducción Una vez definida la curva sobre la cual queremos movernos, el siguiente paso es definir ese movimiento. Este movimiento se realiza mediante
Más detallesEstas visiones de la información, denominadas vistas, se pueden identificar de varias formas.
El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los
Más detallesRegulador PID con convertidores de frecuencia DF5, DV5, DF6, DV6. Página 1 de 10 A Regulador PID
A Página 1 de 10 A Regulador PID INDICE 1. Regulador PID 3 2. Componente proporcional : P 4 3. Componente integral : I 4 4. Componente derivativa : D 4 5. Control PID 4 6. Configuración de parámetros del
Más detallesProyecto MONO. Juantomás García. 1. Introducción. GNOME Hispano juantomas@lared.es
Juantomás García GNOME Hispano juantomas@lared.es Qué es el proyecto MONO?. Estado actual del proyecto. Por qué es interesante para el software libre disponer de la tecnología relacionado con el proyecto
Más detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detallesLECCIÓN 8: CIRCUITOS Y ALGORITMOS DE MULTIPLICACIÓN DE ENTEROS
ESTRUCTURA DE COMPUTADORES Pag. 8.1 LECCIÓN 8: CIRCUITOS Y ALGORITMOS DE MULTIPLICACIÓN DE ENTEROS 1. Circuitos de multiplicación La operación de multiplicar es mas compleja que la suma y por tanto se
Más detallesCRITERIOS GENERALES PARA LA DETERMINACIÓN DE POSICIÓN DE DOMINIO
CRITERIOS GENERALES PARA LA DETERMINACIÓN DE POSICIÓN DE DOMINIO De acuerdo a lo dispuesto por la Ley Nº 18.159 de 20 de julio de 2007 Promoción y Defensa de la Competencia se entiende que uno o varios
Más detallesGestión de la Configuración
Gestión de la ÍNDICE DESCRIPCIÓN Y OBJETIVOS... 1 ESTUDIO DE VIABILIDAD DEL SISTEMA... 2 ACTIVIDAD EVS-GC 1: DEFINICIÓN DE LOS REQUISITOS DE GESTIÓN DE CONFIGURACIÓN... 2 Tarea EVS-GC 1.1: Definición de
Más detalles2 EL DOCUMENTO DE ESPECIFICACIONES
Ingeniería Informática Tecnología de la Programación TEMA 1 Documentación de programas. 1 LA DOCUMENTACIÓN DE PROGRAMAS En la ejecución de un proyecto informático o un programa software se deben de seguir
Más detallesIAP 1005 - CONSIDERACIONES PARTICULARES SOBRE LA AUDITORÍA DE LAS EMPRESAS DE REDUCIDA DIMENSIÓN
IAP 1005 - CONSIDERACIONES PARTICULARES SOBRE LA AUDITORÍA DE LAS EMPRESAS DE REDUCIDA DIMENSIÓN Introducción 1. Las Normas Internacionales de Auditoría (NIA) se aplican a la auditoría de la información
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesElementos requeridos para crearlos (ejemplo: el compilador)
Generalidades A lo largo del ciclo de vida del proceso de software, los productos de software evolucionan. Desde la concepción del producto y la captura de requisitos inicial hasta la puesta en producción
Más detallesDocumento diseño de evaluación en términos de comparabilidad entre grupos de tratamiento y control
SEPTIEMBRE 2012 Tercer Informe Documento diseño de evaluación en términos de comparabilidad entre grupos de tratamiento y control ÍNDICE 1. Introducción...4 2. La base de datos del PRONABES....5 3. Selección
Más detallesTRANSMISION DIGITAL. PCM, Modulación por Codificación de Pulsos
MODULACIÓN TRANSMISION DIGITAL La amplia naturaleza de las señales analógicas es evidente, cualquier forma de onda está disponible con toda seguridad en el ámbito analógico, nos encontramos con una onda
Más detallesESCUELA 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 detallesPráctica 4 Diseño de circuitos con puertas lógicas.
Práctica 4 Diseño de circuitos con puertas lógicas. Descripción de la práctica: -Esta práctica servirá para afianzar los conocimientos adquiridos hasta ahora de simplificación, e implementación de funciones,
Más detallesResumen de técnicas para resolver problemas de programación entera. 15.053 Martes, 9 de abril. Enumeración. Un árbol de enumeración
5053 Martes, 9 de abril Ramificación y acotamiento () Entregas: material de clase Resumen de técnicas para resolver problemas de programación entera Técnicas de enumeración Enumeración completa hace una
Más detallesEn cualquier caso, tampoco es demasiado importante el significado de la "B", si es que lo tiene, lo interesante realmente es el algoritmo.
Arboles-B Características Los árboles-b son árboles de búsqueda. La "B" probablemente se debe a que el algoritmo fue desarrollado por "Rudolf Bayer" y "Eduard M. McCreight", que trabajan para la empresa
Más detallesEstructuras de Control - Diagrama de Flujo
RESOLUCIÓN DE PROBLEMAS Y ALGORITMOS Ingeniería en Computación Ingeniería en Informática UNIVERSIDAD NACIONAL DE SAN LUIS DEPARTAMENTO DE INFORMÁTICA AÑO 2015 Índice 1. Programación estructurada 2 1.1.
Más detallesProbabilidades 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 detallesLA LOGÍSTICA COMO FUENTE DE VENTAJAS COMPETITIVAS
LA LOGÍSTICA COMO FUENTE DE VENTAJAS COMPETITIVAS Los clientes compran un servicio basandose en el valor que reciben en comparacion con el coste en el que incurren. Por, lo tanto, el objetivo a largo plazo
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detallesMétodos Heurísticos en Inteligencia Artificial
Métodos Heurísticos en Inteligencia Artificial Javier Ramírez rez-rodríguez Ana Lilia Laureano-Cruces Universidad Autónoma Metropolitana Métodos Heurísticos en Inteligencia Artificial Los problemas de
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesModelo de fuerza deportiva NOTA TÉCNICA
Modelo de fuerza deportiva NOTA TÉCNICA Contenido 1 Motivación 3 2 El modelo de fuerza deportiva 3 2.1 Supuestos del modelo 3 2.2 Críticas al modelo 4 2.3 Formulación 4 2.4 Estimación de los parámetros
Más detallesAnálisis de medidas conjuntas (conjoint analysis)
Análisis de medidas conuntas (conoint analysis). Introducción Como ya hemos dicho anteriormente, esta técnica de análisis nos sirve para analizar la importancia que dan los consumidores a cada uno de los
Más detallesFORMULACIÓN 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[ 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 detallesDESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS
DESCRIPCIÓN DE LA METODOLOGÍA UTILIZADA EN EL PROGRAMA DE CESTAS REDUCIDAS ÓPTIMAS Replicar un índice Formar una cartera que replique un índice (o un futuro) como el IBEX 35, no es más que hacerse con
Más detallesCapítulo 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 detallesCongreso de Colegios Católicos, Una pasión que se renueva. Pontificia Universidad Católica de Chile. Septiembre 2015.
Panel: Ley de Inclusión, reglamentación y Colegios Católicos Andrés Palma 1 Hola, muy buenas tardes, muchas gracias a la Conferencia Episcopal, a FIDE, a la Universidad Católica por la invitación para
Más detallesSu éxito se mide por la pertinencia y la oportunidad de la solución, su eficacia y eficiencia.
APUNTES PARA EL CURSO PROCESOS COGNITIVOS: RESOLUCIÓN DE PROBLEMAS Y TOMA DE DECISIONES Elaborado por Vicente Sisto Campos. Se trata de la confluencia de la capacidad analítica del equipo de identificar
Más detallesControl Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz
Control Estadístico del Proceso Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Es un conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información
Más detallesCAPITULO 4. Inversores para control de velocidad de motores de
CAPITULO 4. Inversores para control de velocidad de motores de inducción mediante relación v/f. 4.1 Introducción. La frecuencia de salida de un inversor estático está determinada por la velocidad de conmutación
Más detallesSoluciones de los ejercicios de Selectividad sobre Probabilidad de Matemáticas Aplicadas a las Ciencias Sociales II
Soluciones de los ejercicios de Selectividad sobre Probabilidad de Antonio Francisco Roldán López de Hierro * Convocatoria de 2008 Las siguientes páginas contienen las soluciones de los ejercicios propuestos
Más detallesLa nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx
La nueva criba de Eratóstenes Efraín Soto Apolinar 1 F.I.M.E. U.A.N.L. San Nicolás, N.L. México. efrain@yalma.fime.uanl.mx Resumen Se dan algunas definiciones básicas relacionadas con la divisibilidad
Más detallesAlgoritmos 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 detallesDISCOS RAID. Se considera que todos los discos físicos tienen la misma capacidad, y de no ser así, en el que sea mayor se desperdicia la diferencia.
DISCOS RAID Raid: redundant array of independent disks, quiere decir conjunto redundante de discos independientes. Es un sistema de almacenamiento de datos que utiliza varias unidades físicas para guardar
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesLECCION 5. Herramientas de Pintura y Edición Parte II. Crear formas de Pincel
LECCION 5. Herramientas de Pintura y Edición Parte II Crear formas de Pincel Además de todas las opciones de pincel vistas anteriormente, Photoshop permite personalizar aún más tus pinceles creando formas
Más detallesAplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI
Aplicación de la inteligencia artificial a la resolución del problema de asignación de estudiantes del departamento de PDI Ricardo Köller Jemio Departamento de Ciencias Exactas e Ingeniería, Universidad
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesGuías _SGO. Gestione administradores, usuarios y grupos de su empresa. Sistema de Gestión Online
Guías _SGO Gestione administradores, usuarios y grupos de su empresa Sistema de Gestión Online Índice General 1. Parámetros Generales... 4 1.1 Qué es?... 4 1.2 Consumo por Cuentas... 6 1.3 Días Feriados...
Más detallesGENERACIÓN DE ANTICIPOS DE CRÉDITO
GENERACIÓN DE ANTICIPOS DE CRÉDITO 1 INFORMACIÓN BÁSICA La aplicación de generación de ficheros de anticipos de crédito permite generar fácilmente órdenes para que la Caja anticipe el cobro de créditos
Más detalles1. INTRODUCCIÓN 1.1 INGENIERÍA
1. INTRODUCCIÓN 1.1 INGENIERÍA Es difícil dar una explicación de ingeniería en pocas palabras, pues se puede decir que la ingeniería comenzó con el hombre mismo, pero se puede intentar dar un bosquejo
Más detallesSelección 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 detalles1.1 EL ESTUDIO TÉCNICO
1.1 EL ESTUDIO TÉCNICO 1.1.1 Definición Un estudio técnico permite proponer y analizar las diferentes opciones tecnológicas para producir los bienes o servicios que se requieren, lo que además admite verificar
Más detallesÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ
ELECTRÓNICA DIGITAL DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ IES TRINIDAD ARROYO DPTO. DE ELECTRÓNICA ÍNDICE ÍNDICE... 1 1. LIMITACIONES DE LOS CONTADORES ASÍNCRONOS... 2 2. CONTADORES SÍNCRONOS...
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 detallesMODELOS DE RECUPERACION
RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN
Más detallesUnidad III. Planificación del proyecto de software
Planificación del proyecto de software Unidad III 3.1. Aplicación de herramientas para estimación de tiempos y costos de desarrollo de software: GANTT, PERT/CPM, uso de software para la estimación de tiempos
Más detallesEjemplos de conversión de reales a enteros
Ejemplos de conversión de reales a enteros Con el siguiente programa se pueden apreciar las diferencias entre las cuatro funciones para convertir de reales a enteros: program convertir_real_a_entero print
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesAlgoritmo Genético en Ruteamiento Dinámico en WRON
Algoritmo Genético en Ruteamiento Dinámico en WRON Francisco Raddatz Rodrigo Von Hausen Introducción Basados en el principio Darwiniano de la evolución. un mecanismo de búsqueda altamente paralela y adaptativa
Más detallesComputación Evolutiva. Inteligencia Computacional Dra. Maricela Bravo
Computación Evolutiva Inteligencia Computacional Dra. Maricela Bravo Introducción - Evolución La evolución es un proceso de optimización con el objetivo de mejorar la habilidad de un organismo o sistema
Más detalles1. Que es un nombre de dominio? Es un conjunto de caracteres alfanuméricos utilizados para identificar una computadora determinada en Internet.
Preguntas Frecuentes: 1. Que es un nombre de dominio? Es un conjunto de caracteres alfanuméricos utilizados para identificar una computadora determinada en Internet. Cada computadora en Internet tiene
Más detalles"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios
"Diseño, construcción e implementación de modelos matemáticos para el control automatizado de inventarios Miguel Alfonso Flores Sánchez 1, Fernando Sandoya Sanchez 2 Resumen En el presente artículo se
Más detallesEntrevista a: ESTHER LIÑÁN. Coordinadora TIC del IES Griñón y Sección de Torrejón de la Calzada.
Entrevista a: ESTHER LIÑÁN. Coordinadora TIC del IES Griñón y Sección de Torrejón de la Calzada. P: Según he oído, el IES Griñón representa un buen ejemplo de uso e integración de TIC en la Educación.
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesManual SBR. Pero antes de explicar las actividades que principalmente podemos desarrollar vamos a dar una visión global de la aplicación.
Manual SBR Este proyecto consta de una herramienta denominada SBR mediante la cual el usuario podrá realizar principalmente las siguientes actividades: Crear un nuevo dominio. Modificar el dominio existente.
Más detallesAn Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem
An Hybrid Evolutive-Genetic Algorithm for the Fractal IFS Inverse Problem Maria L. Ivanissevich UNPA Antonio S. Cofiño José Manuel Gutiérrez Universidad de Cantabria http://personales.unican.es/~gutierjm
Más detallesIntroducción 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 detallesDiseño de bases de datos Diapositiva 1
Diseño o de bases de datos Objetivos del Diseño Principios del Diseño de BD Proceso de Diseño Normalización Diseño de Tablas: Claves Relaciones Integridad referencial Convenciones de nomenclatura Diseño
Más detallesGenerador de casos de prueba genético
Generador de casos de prueba genético Álvaro Galán Piñero Ingeniería Técnica en Informática de Sistemas, Universidad de Cádiz 24 de Septiembre 2012 1 / 42 Índice 1 Motivación y contexto 2 Planificación
Más detalles4 Localización de terremotos
513430 - Sismología 27 4 Localización de terremotos 4.1 Localización de sismos locales Fig 27: Gráfico de la ruptura en la superficie de una falla. La ruptura se propaga desde el punto de la nucleación,
Más detallesCapitulo V Administración de memoria
Capitulo V Administración de memoria Introducción. Una de las tareas más importantes y complejas de un sistema operativo es la gestión de memoria. La gestión de memoria implica tratar la memoria principal
Más detallesIncidencias: Todas las incidencias que ocurrirán durante el apadrinamiento de un niño se deben registrar para poder buscar soluciones.
Apadrinamiento ONG Estudio preliminar: Se desea diseñar una aplicación para la gestión de los apadrinamientos de una asociación ONG. Para ello el sistema proporcionara una interfaz al usuario para poder
Más detallesScheduling Problem. Cuándo y dónde debo hacer cada trabajo?
Scheduling Problem Cuándo y dónde debo hacer cada trabajo? Ejemplos de problemas de asignación de recursos Fabricación de varios tipos de productos Asignación de turnos de trabajo Inversión financiera
Más detalles