Algoritmos Basados en Nubes de Partículas y Evolución Diferencial para el Problema de Optimización Continua: Un estudio experimental
|
|
- Lidia Montoya Blázquez
- hace 8 años
- Vistas:
Transcripción
1 Algoritmos Basados en Nubes de Partículas y Evolución Diferencial para el Problema de Optimización Continua: Un estudio experimental Pablo David Gutiérrez, Isaac Triguero y Francisco Herrera Resumen Los algoritmos evolutivos han demostrado ser una técnica de optimización muy potente para un gran conjunto de problemas de optimización que los métodos analíticos no pueden abordar. Concretamente, para problemas con variables reales podemos destacar a los algoritmos basados en nubes de partículas y evolución diferencial como aquellos que están tomando mucha importancia en la literatura. En este trabajo se realiza un estudio de estos métodos, incluyendo las versiones originales y las variantes más relevantes propuestas en la literatura. Este estudio permite analizar las distintas técnicas en función de sus características. Además, se compara el rendimiento de estos algoritmos sobre el conjunto de funciones de prueba desarrolladas para la sesión de optimización continua del CEC Los resultados obtenidos, contrastados mediante técnicas estadísticas, ponen de manifiesto la necesidad de realizar experimentos más rigurosos, incluyendo aquellos algoritmos que han destacado por su buen rendimiento. Palabras clave Evolución diferencial, nubes de partículas, algoritmos evolutivos, optimización numérica/continua, CEC 2005 I. Introducción En muchos problemas de ingeniería se encuentran problemas de optimización de diversa índole. Dentro de estos problemas, un grupo importante, por sus aplicaciones, es el que forman aquellos cuya solución pasa por encontrar el valor máximo o mínimo de una función real. Los llamados problemas de optimización continua. La resolución de este tipo de problemas se puede abordar desde un enfoque puramente analítico, desde el que se obtiene la solución exacta. Sin embargo, requiere que la función objetivo cumpla determinadas características de continuidad y derivabilidad, además de ser excesivamente costoso cuando aumenta la complejidad de la función. Por otra parte, estos problemas también pueden resolverse desde un enfoque aproximado donde se sacrifica precisión en aras de reducir el coste de la obtención de la solución. En la actualidad, los algoritmos evolutivos y de inteligencia de enjambre destacan por su buen rendimiento en este ámbito. Concretamente, muchos esfuerzos en investigación se centran en la optimización P.D. Gutiérrez, I. Triguero y F. Herrera son miembros del Dept. de Ciencias de la Computación e Inteligencia Artificial, CITIC-UGR. Universidad de Granada , Granada, España, s: pdgutipe@gmail.com, triguero@decsai.ugr.es, herrera@decsai.ugr.es. basada en Nubes de Partículas (Particle Swarm Optimzation, PSO) [7] y la Evolución Diferencial (ED) [8]. Ambas técnicas han sido ampliamente estudiadas en la literatura [9], [10], y lo siguen siendo en la actualidad [11],[12]. La primera se basa en el movimiento de los bancos de peces y las bandadas de aves mientras que la segunda realiza una evolución que otorga una gran importancia a la mutación. En este trabajo se estudian en profundidad los métodos de PSO y ED, incluyendo las propuestas clásicas y las versiones más relevantes de la literatura. El estudio realizado nos permite analizar cada uno de los métodos en función de sus características, estableciendo una taxonomía de métodos de PSO y ED, respectivamente. Para contrastar el rendimiento de estas técnicas, se lleva a cabo un estudio experimental sobre el conjunto de funciones de prueba propuestas en la sesión especial del IEEE Congress of Evolutionary Computation de 2005 (CEC 2005) [13], usando las condiciones establecidas en éste para realizar una comparación justa de técnicas. Además, se realiza una comparación con el método ganador de esta competición, G-CMA-ES [14] propuesto en 2005, con el fin de comprobar el rendimiento de las técnicas estudiadas. Los resultados completos y el código fuente de los algoritmos analizados pueden encontrarse en el sitio web temático del grupo SCI 2 S sobre optimización continua El resto del trabajo se organiza como sigue: La Sección II presenta el problema y las técnicas empleadas. La Sección III describe la taxonomía realizada clasificando diferentes propuestas existentes en la literatura. La Sección IV muestra el estudio experimental y presenta los resultados. Por último, la Sección V destaca las conclusiones del trabajo. II. Preliminares Esta sección repasa algunos conceptos preliminares necesarios. La Sección II-A define formalmente el problema de la optimización continua. La Sección II-B define el algoritmo básico de PSO básico y sus variantes implementadas. Finalmente, la Sección II- C explica el algoritmo de ED y sus variantes.
2 A. La Optimización Continua Como ya se ha comentado, los problemas de optimización continua son aquellos en los que la función que se quiere optimizar, función objetivo, es una función de variable real. Formalmente, se puede definir el problema como sigue: Dada una función f : S R, encontrar un punto x S tal que f(x ) f(x) x S, donde S R D. Esta definición responde a la minimización de la función, la definición para el problema de maximización es análoga. B. Nubes de Partículas Los métodos de PSO [7] mantienen una población de individuos, en este caso llamados partículas, que se desplazan por el espacio de búsqueda inspirándose en como se mueven las bandadas de aves y los bancos de peces. Inicialmente, las partículas se distribuyen aleatoriamente por el espacio de búsqueda. Las generaciones siguientes se denotan como: G = 0, 1,..., G max. Denotamos p i,g a la i-ésima particula en la generación G. Cada una de las partículas explora el espacio de búsqueda desplazándose en una dirección determinada por su velocidad: p i,g+1 = p i,g + v i,g (1) donde v i,g representa la velocidad de la partícula i. El cálculo de la velocidad depende de la experiencia de la propia partícula, en base a su recorrido por el espacio de búsqueda (su mejor posición a lo largo de dicho recorrido) y del conocimiento que le aportan las partículas de su entorno: v i,g+1 =v i,g + ϕ 1 rnd() (pbest i,g p i,g ) + ϕ 2 rnd() (envbest i,g p i,g ) (2) Donde pbest i,g es la mejor posición de la partícula, envbest i,g la mejor posición del entorno, rnd() representa un número generado aleatoriamente en el intervalo [0,1] y ϕ 1 y ϕ 2 son los parámetros que controlan el uso de la propia experiencia y de del entorno, respectivamente. No obstante, la implementación habitual del PSO incluye un factor de inercia [15], ω, que multiplica a la velocidad para evitar que crezca de forma excesiva. De este modo la Ecuación 2 queda como sigue: v i,g+1 =ω v i,g + ϕ 1 rnd() (pbest i,g p i,g ) + ϕ 2 rnd() (envbest i,g p i,g ) (3) El entorno de una partícula se puede definir de diversas formas. El más sencillo se denomina entorno global, es aquel en el que todas las partículas forman parte del entorno. De este modo a la hora de actualizar la velocidad con el entorno global se utiliza la mejor solución encontrada. Por otro lado, los entornos locales utilizan un número limitado de partículas en el entorno. Existen dos tipos de entorno local: social y geográfico. En los entornos de tipo social las partículas que forman parte del entorno de otra están definidas previamente. Por otra parte, en los entornos geográficos las partículas pertenecientes al entorno se determinan en función de la distancia que las separa de la partícula para la que se genera dicho entorno, seleccionando, habitualmente, las más cercanas. No obstante, este tipo de entorno no suele utilizarse debido a que produce que las partículas se estanquen en óptimos locales con facilidad. También se pueden definir entornos que modifican sus características a lo largo de la ejecución, pero este tipo suele estar ligado a variantes concretas de estos métodos. B.1 Propuestas Avanzadas para Nubes de Partículas En la literatura, se puede encontrar un gran número de modificaciones del PSO en distintos aspectos, desde cambios en el cálculo de la velocidad hasta hibridaciones con otras técnicas bioinspiradas. A continuación, se comentan las principales características de cada una de las variantes seleccionadas. PSO con Selección (SePSO) [16]: Incorpora el uso de un operador de selección, similar al que usan otras técnicas como los algoritmos genéticos, para mejorar el rendimiento explotando los resultados de las mejores partículas. PSO con Constricción (CPSO) [9]: Reemplaza el factor de inercia por un factor de constricción χ modificando el cálculo de la velocidad de la siguiente forma: v i,g+1 =χ (v id,g + ϕ 1 rnd() (pbest i,g p i,g ) + ϕ 2 rnd() (envbest id,g p i,g )) (4) PSO con Stretching (StPSO) [17]: Utiliza una técnica de stretching que modifica la función objetivo cuando la búsqueda se estanca en un óptimo local. Esta modificación incrementa el valor de la función objetivo (fitness) de la zona donde se ha producido el estancamiento manteniendo la función original en las zonas donde esta mejora al óptimo local. PSO Compuesto (CoPSO) [17]: Se puede considerar una hibridación de PSO y ED, que utiliza a esta última para calcular los valores de ϕ 1, ϕ 2 y ω de forma adaptativa en cada iteración. PSO Completamente Informado (Fully Informed Particle Swarm, FIPSO) [18]: Consiste en una variación sobre el modelo de factor de constricción, Ecuación 4, que hace uso de todas las partículas del entorno para calcular la velocidad. PSO Jerárquico (Hierachical Particle Swarm Optimization, HPSO) [19]: Esta variante organiza las partículas en una jerarquía en forma de árbol. Cada partícula utiliza, como entorno para calcular su velocidad, a su ṕadre. De esta forma las partículas localizadas en la parte más alta del árbol influyen directa o indirectamente sobre el resto. La jerarquía se
3 actualiza durante la ejecución para llevar a la parte más alta a las mejores partículas. PSO Frankenstein (Frankenstein PSO, FPSO) [20]: Esta técnica combina distintas partes de otras variantes de PSO en un único algoritmo. Incluye un modelo en el que la inercia disminuye de forma lineal durante cierto número de iteraciones, un cálculo de la velocidad completamente informado y una topología adaptativa. PSO con Aprendizaje Ortogonal (Orthogonal Learning Particle Swarm Optimization, OLPSO) [11]: Esta variante crea una partícula artificial que usa para actualizar la velocidad. Esta partícula se genera combinando la partícula original y la seleccionada del entorno mediante una técnica de aprendizaje ortogonal, que da nombre al algoritmo. La mayoría de estos métodos pueden utilizar entornos locales y globales. Las que no lo permiten suelen presentar diferentes topologías para los entornos, como los completamente informados, o variantes que siguen la misma filosofía, como los jerárquicos. C. Evolución diferencial El algoritmo de ED [8] comienza con una población de N P individuos. La población inicial distribuye a los individuos aleatoriamente por el espacio de búsqueda. Las generaciones siguientes se denotan como: G = 0, 1,...,G max. En ED es usual denominar a cada individuo como un vector D-dimensional X i,g = {x 1 i,g,..., xd i,g }, llamado vector objetivo. Tras la inicialización se inicia un proceso iterativo en el que se aplican a cada individuo los operadores de mutación, cruce y selección. El algoritmo ED aplica, en primer lugar, un operador de mutación para generar un vector mutado V i,g respecto a cada individuo X i,g, de la población actual. Para cada vector objetivo X i,g, su vector mutado asociado es V i,g = {Vi,G 1,..., V i,g D }. El operador de mutación conocido como ED/Rand/1 es uno de los más sencillos y habituales. Genera un vector mutado de la siguiente forma: V i,g = X r i 0,G + F(X r i 1,G X r i 2,G) (5) Donde los índices r0 i, ri 1 y ri 2 son enteros mutuamente exclusivos y generados aleatoriamente en el rango [1, NP], y son también diferentes del índice base i. El factor de escala F es un parámetro de control positivo para escalar la diferencia entre vectores. Existen otros operadores de mutación habituales, que introducen un mayor número de individuos en el cálculo, que parten del propio individuo o hacen uso del mejor individuo de la población. Tras la fase de mutación, el operador de cruce se aplica para cada vector objetivo X i,g y su correspondiente vector mutado V i,g, generando un nuevo vector, denominado vector de prueba U i,g. Aunque existen otros, el operador de cruce binomial es uno de los más sencillos y empleados [21]. Inicializa su resultado con los valores del vector objetivo, y comprueba si cada componente, j, se modifica con los valores del vector mutado generando un número aleatorio, rnd(), en el intervalo [0, 1], si éste es menor o igual que un ratio de cruce, RC, se reemplaza dicha componente: { U j i,g = V j i,g Si rnd() RC X j i,g Si rnd() > RC (6) Finalmente, se selecciona que individuo pasa a la siguiente generación G + 1. Si el vector de prueba obtiene una solución igual o mejor que el vector objetivo, este reemplaza a su correspondiente vector objetivo en la siguiente generación; en otro caso, el vector objetivo se mantiene en la población: { U i,g Si f(u i,g ) es mejor que f(x i,g ) X i,g+1 = X i,g En otro caso (7) C.1 Propuestas Avanzadas para Evolución Diferencial En la literatura se pueden encontrar un gran número de propuestas avanzadas del algoritmo de ED. Los parámetros de control (F y RC) determinan, en gran medida, la calidad del algoritmo por lo que muchas de estos métodos incluyan técnicas de adaptación de parámetros. A continuación se comentan las principales características de las variantes utilizadas en este estudio: ED Basada en Oposición (Opposition-Based Differential Evolution, OBDE) [10]: Esta técnica utiliza información de la posición opuesta de cada individuo, que tiene un 50% de probabilidad de ser mejor que la del propio individuo. Cuando el opuesto es mejor se descarta al actual y se toma el opuesto, saltando así a una zona más prometedora. ED Auto Adaptativa (Self Adaptative Differential Evolution, SADE) [22]: Esta variante utiliza un mecanismo de auto-adaptación de los parámetros de control, así como de los operadores utilizados para generar el vector de prueba. Mantiene un conjunto de operadores de mutación y cruce que se aplican en distintos momentos de la evolución en base a los resultados obtenidos hasta el momento. ED con Vecinos Locales y Globales (Differential Evolution with Global and Local neighborhoods, DEGL) [23]: Este método introduce el uso de entornos en la mutación generando el vector mutado como combinación lineal de una mutación en un entorno global con otra de un entorno local. La mutación de entorno global se calcula en la forma habitual, con todas las partículas, mientras que la local se calcula con las partículas pertenecientes a un entorno social de topología en anillo. ED Adaptativa con Archivo Opcional Externo (Adaptative Differential Evolution with Optional
4 External Archive, JADE) [24]: Esta variante auto adapta los parámetros de control y hace uso de un archivo en el que se almacenan individuos que son reemplazados en la selección. Estos individuos se utilizan como candidatos a individuos aleatorios en el operador de mutación, introduciendo mayor diversidad en generación del vector mutado. ED con Búsqueda Local para el Factor de Escala (Scale Factor Local Search in Differential Evolution, SFLSDE) [12]: Este algoritmo puede considerarse un ED memético. Realiza una adaptación de los parámetros durante la evolución, haciendo hincapié en factor de escala F, para el que utiliza dos algoritmos de búsqueda local. III. Taxonomía de métodos basados en Nubes de Partículas y Evolución Diferencial En esta sección se propone una taxonomía para los algoritmos que se han estudiado en función de sus características. En la Sección III-A se presenta la clasificación de los métodos PSO. A continuación, la Sección III-B muestra la taxonomía de los métodos de ED. permite distinguir entre métodos que usan una única partícula, que pertenece al entorno, métodos que utilizan todas las partículas que pertenecen al entorno y métodos que crean una partícula que puede o no pertenecer al entorno o a la población. Se observa que la mayor parte de los métodos utilizan una partícula del entorno, mientras que solo dos métodos siguen el enfoque alternativo. Por último, dentro del grupo más amplio (topología fija y una partícula del entorno) se puede distinguir entre métodos híbridos y los que no lo son (básicos). B. Clasificación de los métodos de Evolución diferencial A. Clasificación de los métodos de Nubes de Partículas Fig. 2. Taxonomía de los métodos de ED Fig. 1. Taxonomía de los métodos de PSO La clasificación de las variantes de PSO, que se puede ver en la Figura 1, tiene en cuenta tres aspectos importantes de estos algoritmos: La topología del entorno. La partícula que utiliza a la hora de calcular la velocidad. La hibridación con otras técnicas bioinspiradas. Dentro de la topología del entorno se pueden distinguir dos grupos de forma clara: los que mantienen la topología fija durante la ejecución y los que la modifican durante la misma. De este modo se observa como la mayor parte de los métodos utilizan una topología fija. No obstante, las variantes que optan por topologías dinámicas se corresponden con algunas de las más recientes. En un segundo nivel, dentro de cada grupo, el tipo de partícula utilizada para el cálculo de la velocidad La clasificación de las variantes de ED, que se puede ver en la Figura 2, es sencilla pero permite identificar claramente los algoritmos. Tiene en cuenta dos aspectos de estos algoritmos: La adaptación de parámetros. La hibridación con otras técnicas. El valor de los parámetros en los algoritmos de ED tiene mucha importancia, la clasificación entre métodos adaptativos y no adaptativos permite distinguir de forma muy clara el planteamiento de cada variante en este aspecto. La distinción de la hibridación permite conocer que tipo de adaptación realiza cada uno de los métodos. IV. Estudio experimental y análisis de resultados Para determinar el rendimiento de los algoritmos, se ha realizado un estudio experimental sobre el conjunto de funciones diseñadas para el CEC 2005 [13]. La Sección IV-A describe brevemente estas funciones. La Sección IV-B muestra los parámetros empleados para las distintas técnicas. La Sección IV-C presenta y analiza los resultados obtenidos, junto con un estudio estadístico para contrastarlos.
5 A. Funciones de prueba En este estudio, se han empleado las 25 funciones diseñadas para la sesión especial del CEC Este conjunto presenta una serie de funciones de dificultad creciente que engloba funciones unimodales conocidas, funciones multimodales también conocidas y funciones extendidas e híbridas generadas a partir de las anteriores. Además se incluyen funciones con discontinuidades, rotadas, escalables, separables y no separables, representando de este modo un conjunto amplio de las características que pueden tener las funciones de problemas reales. B. Parámetros de los algoritmos estudiados Todos los algoritmos se han ejecutado con los parámetros estándar propuestos en los artículos que los presentan. No obstante, en el caso de los algoritmos de PSO, al permitir la mayor parte de los mismos el uso de entornos locales y globales, así como presentar distintas topologías y configuraciones se ha optado por seleccionar la mejor configuración dentro de cada algoritmo para su análisis. En la Tabla I se indica la configuración seleccionada para cada método. TABLA I Parámetros empleados Método Parámetros PSO ϕ 1 = 2, ϕ 2 = 2, ω desciende de 0,9 a 0,4 linealmente Población = 40, Entorno global SePSO ϕ 1 = 2, ϕ 2 = 2, ω desciende de 0,9 a 0,4 linealmente Población = 40, Entorno global CPSO χ = 0,7298, Población = 40, Entorno local social con dos vecinos en topología de anillo StPSO ϕ 1 = 0,5, ϕ 2 = 0,5, ω desciende de 1 a 0,4 linealmente Población = 40, Entorno local social con dos vecinos en topología de anillo CoPSO ϕ 1 = [4, 0,1], ϕ 2 = [4, 0,1], ω = [1,2, 0,4] Población = 40, Entorno global F = 0,5, RC = 0,9, Población ED = 5, IteracionesED = 15 FIPSO χ = 0,7298, Población = 20, Topología Square, Esquema de pesos lineal en función de la calidad de la solución HPSO ϕ 1 = 1,7, ϕ 2 = 1,7, ω desciende de 0,9 a 0,4 linealmente Población = 40, d = 5, h = 3 FPSO ϕ 1 = 2, ϕ 2 = 2, ω desciende de 0,9 a 0,4 linealmente Población = 40, top type = 3, ine type = 2 OLPSO c = 2, ω desciende de 0,9 a 0,4 linealmente Población = 40, Entorno global ED F = 0,5, RC = 0,9, Población = 50 OBDE F = 0,5, RC = 0,9, TasaSalto = 0,4, Población = 50 SADE Periodo de Aprendizaje = 50, Población = 50 DEGL F = 0,8, RC = 0,9, Población = 50, Vecinos = 2, Esquema de peso exponencial JADE p = 0,5, c = 0,1, Población = 50 SFLSDE Fl = 0,1, Fu = 0,9, Población = 50, τ 1 = 0.1, τ 2 = 0.1, τ 3 = 0.03, τ 4 = 0.07, itersfgss = 8, itersfhc = 20 Los criterios de evaluación establecidos en el CEC 2005 son los siguientes. Los métodos deben ejecutarse en dimensiones 10, 30 y 50, realizando 25 ejecuciones de cada función, tomando su media y desviación típica. Como criterio de parada, se establece el límite de evaluaciones de la función objetivo como 1000 Dimension, o alcanzar un error inferior a C. Resultados obtenidos y estudio estadístico En este estudio experimental se analizan los resultados en términos de error medio obtenido en las 25 ejecuciones por cada función. Debido a limitaciones de espacio, las tablas con los resultados completos se encuentran en el sitio web es/eamhco/srcnew/cec2005results_des.zip. Como resumen, la Tabla II presenta los resultados medios y desviación típica obtenidas en las 25 funciones por cada uno de los algoritmos, en dimensiones 10, 30 y 50. Además, se ha remarcado en negrita el mejor resultado obtenido por cada dimensión y familia. Para contrastar los resultados experimentales se van a emplear tests no paramétricos de comparaciones múltiples. Su empleo en minería de datos está recomendado en los casos en que se intenten comparar los resultados de un nuevo algoritmo con respecto a varios métodos simultáneamente [25]. Para determinar las mejores propuestas en cada una de las familias, se ha seleccionado el test de Friedman como método para detectar la existencia de diferencias significativas entre los resultados, y el método de Holm como test post-hoc para caracterizar las diferencias encontradas [26] 1. Las Tablas III y IV presentan una comparativa entre los métodos de PSO y ED respectivamente. En cada una de las tablas se han realizado tres test estadísticos, uno por dimensión, anotando el rango obtenido por el test de Friedman, y el p-valor ajustado con el test de Holm. Además se ha señalado en negrita el rango del método que se toma como control (aquel que obtiene el rango más bajo), y aquellos p-valores < 0,05 indicando que el método es estadísticamente superado por el método de control. Por otro lado, el p-valor asociado al test de Friedman se presenta en la última fila de cada tabla. A partir de las Tablas II, III y IV se pueden extraer las siguientes conclusiones: Atendiendo a la familia de algoritmos PSO, destacamos SePSO y FIPSO como aquellos algoritmos que obtienen los mejores resultados en media. No obstante, los resultados medios pueden llevarnos a una conclusión errónea. En la Tabla III podemos observar como el test de Friedman destaca a FP- SO, HPSO y SePSO como los mejores algoritmos en dimensiones 10, 30 y 50 respectivamente. En referencia a los algoritmos de ED, podemos señalar a SADE, JADE y SFLSDE como los más destacados. A partir del test estadístico obtenemos esta misma conclusión, sin encontrar diferencias significativas entre estos tres. La dimensionalidad de la función a optimizar tiene una gran influencia en el comportamiento de todos 1 Más información en el sitio web temático de SCI2S sobre Statistical Inference in Computational Intelligence and Data Mining
6 TABLA II Tabla resumen de los resultados obtenidos Algoritmo Media Desv. Típica Media Desv. Típica Media Desv. Típica PSO 7,87E+003 3,13E+004 2,15E+005 9,24E+005 2,33E+006 8,69E+006 SePSO 4,70E+003 2,19E+004 1,56E+005 6,22E+005 6,55E+005 2,25E+006 CPSO 8,80E+003 4,28E+004 7,09E+005 3,52E+006 3,20E+006 1,59E+007 StPSO 7,34E+003 3,53E+004 3,54E+005 1,74E+006 1,73E+006 8,52E+006 CoPSO 1,60E+004 7,79E+004 8,77E+005 3,08E+006 2,28E+006 8,03E+006 FIPSO 4,83E+002 7,64E+002 7,95E+005 2,78E+006 1,34E+007 4,95E+007 HPSO 2,11E+004 1,05E+005 5,81E+005 2,90E+006 1,02E+006 5,08E+006 FPSO 6,62E+002 2,01E+003 2,68E+005 1,18E+006 1,84E+006 7,12E+006 OLPSO 1,22E+005 5,49E+005 1,03E+007 3,74E+007 1,98E+007 6,86E+007 ED 4,74E+002 8,95E+002 1,12E+004 5,01E+004 2,30E+004 1,04E+005 ODBE 3,81E+002 6,86E+002 2,16E+006 1,08E+007 8,44E+006 4,22E+007 SADE 3,33E+002 4,74E+002 7,88E+003 3,59E+004 2,16E+004 9,79E+004 DEGL 7,28E+002 1,60E+003 4,32E+004 2,06E+005 1,22E+005 5,83E+005 JADE 1,01E+004 4,89E+004 1,35E+004 6,18E+004 4,24E+003 1,04E+004 SFLSDE 3,82E+002 6,62E+002 2,86E+004 1,38E+005 6,38E+004 3,10E+005 TABLA III Test de Friedman+Test de Holm para los métodos de PSO Algoritmo Rango p-valor Rango p-valor Rango p-valor PSO 5,48 0,0098 4,70 0,8162 4,08 0,3934 SePSO 4,04 0,3934 3,72 0,9177 3,08 CPSO 3,96 0,3934 4,28 0,8173 4,82 0,1007 StPSO 5,30 0,0176 4,72 0,8162 4,88 0,1007 CoPSO 6,44 0,0000 5,32 0,1806 5,04 0,0683 FIPSO 4,96 0,0527 6,36 0,0031 7,24 0,0000 HPSO 4,94 0,0527 3,64 3,64 0,4697 FPSO 3,04 4,54 0,8162 4,64 0,1320 OLPSO 6,84 0,0000 7,72 0,0000 7,58 0,0000 p-valor de Friedman Dimensión 10 = p-valor de Friedman Dimensión 30 = 0 p-valor de Friedman Dimensión 50 = 0 Método de control. TABLA IV Test de Friedman+Test de Holm para los métodos de ED Algoritmo Rango p-valor Rango p-valor Rango p-valor ED 3,64 0,0690 3,30 0,7240 3,30 0,6794 ODBE 3,18 0,3019 3,74 0,1806 3,82 0,1135 SADE 2,42 2,92 1,0000 2,82 0,8547 DEGL 5,32 0,0000 5,42 0,0000 5,32 0,0000 JADE 3,68 0,0690 2,94 1,0000 3,08 0,8547 SFLSDE 2,76 0,5205 2,68 2,66 p-valor de Friedman Dimensión 10 = p-valor de Friedman Dimensión 30 = p-valor de Friedman Dimensión 50 = Método de control. los algoritmos. En general, el test de Holm detecta más diferencias significativas cuando la dimensionalidad es baja. Sin embargo, cuando tratamos problemas con alta dimensionalidad la mayoría de algoritmos obtienen resultados similares. Comparando ambas familias de métodos, pode-
7 TABLA V Comparativa con G-CMA-ES: Test de Wilcoxon G-CMA-ES Vs R+ R- p-valor R+ R- p-valor R+ R- p-valor SePSO 311,0 14,0 6,55E-6 258,0 67,0 0, ,0 99,0 0,0903 HPSO 304,0 21,0 2,66E-5 247,0 78,0 0, ,0 127,0 0,3311 FPSO 278,0 22,0 6,39E-5 286,5 38,5 4,03E-4 276,0 24,0 9,08E-5 SADE 263,0 37,0 6,49E-4 217,0 83,0 0, ,0 120,0 0,2457 JADE 298,0 27,0 7,49E-5 216,5 108,5 0, ,0 108,0 0,1485 SFLSDE 286,0 39,0 4,29E-4 235,0 90,0 0, ,5 68,5 0,0187 mos decir que en general los algoritmos de ED son más robustos que los algoritmos de PSO. Los resultados medios obtenidos por los mejores algoritmos de ED difieren en gran medida de los mejores obtenidos por los PSO, especialmente cuando la dimensionalidad del problema es alta. Analizando globalmente estas tres tablas, podemos decir que no hay ningún algoritmo que destace sobre el resto para todas las dimensiones. Una vez realizado el estudio por familias, seleccionamos los tres mejores métodos de PSO y ED, con el fin de compararlos con el algoritmo con mejor comportamiento de la sesión del CEC 2005, G-CMA-ES [14]. Para ello, usamos el test de Wilcoxon [25], comparando G-CMA-ES con los mejores métodos analizados en este trabajo. La Tabla V recoge los resultados de aplicar el test de Wilcoxon en dimensiones 10, 30 y 50. Esta tabla muestra para cada dimensión los rangos positivos (R+) y negativos (R-) conseguidos y su p-valor asociado. Aquellos p-valores remarcados en negrita señalan los métodos mejorados por G-CMA-ES, con un nivel de significancia α = 0,05. Los resultados de esta tabla reflejan como en baja dimensionalidad, G-CMA-ES es el mejor algoritmo con diferencias significativas. Conforme aumenta la dimensionalidad G-CMA-ES no consigue que sus diferencias sean estadísticamente significativas respecto del resto de técnicas. Sin embargo, con los rangos obtenidos, podemos afirmar que este algoritmo supera en gran medida a propuestas posteriores a su publicación. V. Conclusiones En este trabajo se ha realizado un estudio de los principales algoritmos de PSO y ED propuestos en la literatura. En base a ese estudio se ha propuesto una taxonomía para cada familia que destaca sus características principales. En el estudio experimental se ha observado como, por lo general, las propuestas avanzadas mejoran los resultados de los métodos básicos. Sin embargo, como indica en el estudio estadístico, estos métodos están, en general, lejos respecto a G-CMA-ES. Estas propuestas avanzadas aportan ideas interesantes, pero limitan sus comparaciones a los métodos de una misma familia. En este trabajo se muestra que es necesario comparar con el mejor algoritmo conocido en la temática. Como trabajo futuro, se plantea llevar un estudio empírico con funciones de alta dimensionalidad, con el fin de comprobar si estos métodos son o no competitivos respecto de G-CMA-ES cuando la dimensión del problema crece. Agradecimientos Subvencionado por los proyectos TIN y TIC I. Triguero dispone de una beca FPU del Ministerio de Educación y Ciencia. Referencias [1] E.R. Hansen, Global Optimization Using Interval Analysis. Pure and Applied Mathematics Series, M. Dekker, [2] S.S. Rao, Engieering optimization: theory and practice. Wiley-Interscience publication, Wiley, [3] H-G. Beyer, The Theory of Evolution Strategies. Natural computing series, Springer, [4] D. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning. Artificial Intelligence, Addison- Wesley Pub. Co., [5] W. Banzhaf, P. Nordin, RE Keller, FD Francone, Genetic Programming - An introduction. The Morgan Kaufmann Series in Artificial Intelligence, Morgan Kaufmann Publishers, [6] D. Fogel, Evolutionary Computation: Towards a New Philosophy of Machine Intelligence. Wiley-IEEE Press, [7] J. Kennedy, R. Eberhart Particle Swarm Optimization. Procedings IEEE International Conference on Neural Networks , [8] Storn R., Price K. V, A simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization 11 (10), , [9] M. Clerc, J. Kennedy, The particle swarm-explosion, stability and convergence in a multidimensional complex space. IEEE Transations on Evolutionary Computation 6 (1) 58 73, [10] S. Rahnamayan, H.R. Tizhoosh, M.A. Salama, Opposition-Based Differential Evolution. IEEE Transactions on Evolutionary Compututation 12 (1) 64 79, [11] Z-H Zhan, J. Zhang, Y. Li, Y-H. Shi, Orthogonal Learning Particle Swarm Optimization. IEEE Transactions on Evolutionary Compututation, in press, [12] Ferrante N., Tirronen V, Scale factor local search in differential evolution. Memetic Computing 1 (2) , [13] P.N. Sganthan, N.Hansen, J.J. Liang, K. Deb, Y-P. Chen, A. Auger, S. Tiwari, Problems Definitions and Evaluation Criteria for the CEC 2005, Special Session on Real-Parameter Optimization. IEEE Congress of Evolutionary Computation, [14] Hansen, N., S.D. Müller, P. Koumoutsakos, Reducing the Time Complexity of the Derandomized Evolution Strategy with Covariance Matrix Adaptation (CMA-ES). Evolutionary Computation, 11(1) 1 18, 2003.
8 [15] YH. Shi, R. Eberhart, A modified particle swarm optimizer Procedings IEEE World Congress on Computational Intelligence 69 73, [16] P. Angelinne, Using Selection to Improve Particle Swarm Optimization. Procedings IEEE International Congress on Evolutionary Computation 84 90, [17] K.E. Parsopoulos, M.N. Vrahatis, Recent approaches to global optimization problems through Particle Swarm Optimization. Natural Computing , [18] R. Mendes, J. Kennedy, J. Neves, The Fully Informed Particle Swarm: Simpler, Maybe Better. IEEE Transactions on Evolutionary Compututation 8 (3) , [19] S. Janson, M. Middendorf, A Hierarchical Particle Swarm Optimizer and Its Adaptative Variant. IEEE Trasnctions on Systems, Man and Cybernetics 35 (6) , [20] M.A. Montes de Oca, T. Stützle, M. Birattari, M. Dorigo, Frankenstein s PSO: A Composite Particle Swarm Optimization Algorithm. IEEE Transactions on Evolutionary Compututation 13 (5) , [21] I. Triguero, S. García, F. Herrera, Differential Evolution for Optimizing the Positioning of Prototypes in Nearest Neighbor Classification. Pattern Recognition 44 (4), , [22] AK. Qin, VL. Huang, PN. Suganthan, Differntial Evolution Algorithm With Strategy Adaptation for Global Numerical Optimization. IEEE Transactions on Evolutionary Compututation 13 (2) , [23] S. Das, A. Abraham, U.K. Chakraborty, A. Konar, Differential evolution using a neighborhood-based mutation operator. IEEE Transactions on Evolutionary Computation 13 (3) , [24] J. Zhang, A.C. Sanderson, JADE: adaptive differential evolution with optional external archive. IEEE Transactions on Evolutionary Computation 13 (5) , [25] García S., Herrera F, An Extension on Statistical Comparisons of Classifiers over Multiple Data Sets for all Pairwise Comparisons. Journal of Machine Learning Research 9, , [26] García S., Fernández A., Luengo J., Herrera F, Advanced nonparametric tests for multiple comparisons in the design of experiments in computational intelligence and data mining: Experimental Analysis of Power. Information Sciences 180, , 2010.
Hibridación Iterativa de DE con Búsqueda Local con reinicio para problemas de alta dimensionalidad
Hibridación Iterativa de DE con Búsqueda Local con reinicio para problemas de alta dimensionalidad Daniel Molina 1 and Francisco Herrera 2 1 Universidad de Cádiz, daniel.molina@uca.es 2 Universidad de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
BIOINFORMÁTICA 2013-2014
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
7. 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
Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI
Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention
CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA. Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo
CAPÍTUL07 SISTEMAS DE FILOSOFÍA HÍBRIDA EN BIOMEDICINA Alejandro Pazos, Nieves Pedreira, Ana B. Porto, María D. López-Seijo Laboratorio de Redes de Neuronas Artificiales y Sistemas Adaptativos Universidade
ETSIINGENIO 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
Capítulo 12: Indexación y asociación
Capítulo 12: Indexación y asociación Conceptos básicos Índices ordenados Archivos de índice de árbol B+ Archivos de índice de árbol B Asociación estática Asociación dinámica Comparación entre indexación
PROGRAMACIÓN ORIENTADA A OBJETOS Master de Computación. II MODELOS y HERRAMIENTAS UML. II.2 UML: Modelado de casos de uso
PROGRAMACIÓN ORIENTADA A OBJETOS Master de Computación II MODELOS y HERRAMIENTAS UML 1 1 Modelado de casos de uso (I) Un caso de uso es una técnica de modelado usada para describir lo que debería hacer
Trabajo lean (1): A que podemos llamar trabajo lean?
Trabajo lean (1): A que podemos llamar trabajo lean? Jordi Olivella Nadal Director de Comunicación del Instituto Lean Management Este escrito inicia una serie de artículos sobre la organización en trabajo
1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Movimiento 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
ANALIZANDO GRAFICADORES
ANALIZANDO GRAFICADORES María del Carmen Pérez E.N.S.P.A, Avellaneda. Prov. de Buenos Aires Instituto Superior del Profesorado "Dr. Joaquín V. González" Buenos Aires (Argentina) INTRODUCCIÓN En muchos
Covarianza 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
ESTIMACIÓN. 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
revista transparencia transparencia y... 3.3. UNIVERSIDADES
revista transparencia transparencia y... 3.3. UNIVERSIDADES 35 revista transparencia Mónica López del Consuelo Documentalista Open Data Universidad de Granada 3.3.1. El filtro básico de la transparencia.
SÍNTESIS 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.
Métodos 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
Objetivos Generales. Objetivos específicos. Que el estudiante:
ASIGNATURA: MÉTODOS NUMPERICOS I (ANÁLISIS Y PROCESAMIENTO DE LOS DATOS EXPERIMENTALES CON INTRODUCCIÓN A LA COMPUTACIÓN) Objetivos Generales Comprender y manejar los conceptos relacionados con el manejo,
Tema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
BIOINFORMÁTICA
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
Elementos 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
Introducción a la Computación Evolutiva
Introducción a la Computación Evolutiva Sección de Computación CINVESTAV-IPN Av. IPN No. 2508 Col. San Pedro Zacatenco México, D.F. 07300 email: ccoello@cs.cinvestav.mx http: //delta.cs.cinvestav.mx/~ccoello
Relación entre formación y empleo
Relación entre formación y empleo En este capítulo se analiza el impacto que la formación a la que las personas usuarias han accedido ha tenido sobre sus posibilidades de empleo posterior, teniendo en
Generación de números aleatorios
Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad
El almacén de indicadores de proceso de negocio en ejecución
X Congreso de Ingeniería de Organización Valencia, 7 y 8 de septiembre de 2006 El almacén de indicadores de proceso de negocio en ejecución Andrés Boza García 1, Angel Ortiz Bas 1, Llanos Cuenca Gonzalez
BREVE 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
Sistema Inteligente de Exploración
Observatorio Municipal de Estadística Sistema Inteligente de Exploración Capítulos 1. Consideraciones iniciales y requerimientos... 2 2. Navegación... 3 3. Consulta de indicadores... 5 3.1. Elaboración
Mineria 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
PREPROCESADO DE DATOS PARA MINERIA DE DATOS
Ó 10.1007/978-3-319-02738-8-2. PREPROCESADO DE DATOS PARA MINERIA DE DATOS Miguel Cárdenas-Montes Frecuentemente las actividades de minería de datos suelen prestar poca atención a las actividades de procesado
Análisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. www.fundibeq.org
DIAGRAMA MATRICIAL 1.- INTRODUCCIÓN Este documento enumera los diferentes tipos de Diagramas Matriciales y su proceso de construcción. Muestra su potencial, como herramienta indispensable para la planificación
6. CONTRIBUCIÓN A LA FORMACIÓN PROFESIONAL Y FORMACIÓN GENERAL Esta disciplina contribuye al logro de los siguientes resultados de la carrera:
Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO CS360. Computación Bioinspirada (Electivo) 2012-2 1. DATOS GENERALES 1.1 CARRERA
CONCEPTOS DE LA FUERZA
CONCEPTOS DE LA FUERZA PAPEL DE LA FUERZA EN EL RENDIMIENTO DEPORTIVO La mejora de la fuerza es un factor importante en todas las actividades deportivas, y en algunos casos determinantes (en el arbitraje
Convergencia del ingreso per cápita en los países miembros del FLAR
Convergencia del ingreso per cápita en los países miembros del FLAR La convergencia macroeconómica, en un sentido amplio, puede definirse como el proceso a través del cual disminuyen las diferencias entre
1. CUENTA DE PÉRDIDAS Y GANANCIAS ANALÍTICA
1. Cuenta de pérdidas y ganancias analítica 1. CUENTA DE PÉRDIDAS Y GANANCIAS ANALÍTICA La cuenta de pérdidas y ganancias que se recoge en el modelo normal del Plan General de Contabilidad se puede presentar,
Contenidos. INFORME ENCUESTA TELEFÓNICA. Curso 2009 10
ENCUESTA DE OPINIÓN DEL ALUMNADO SOBRE LA ACTUACIÓN DOCENTE DEL PROFESORADO UNIVERSIDAD DE SEVILLA Curso 2009-2010 ENCUESTA TELEFÓNICA Contenidos Introducción.... 4 El Cuestionario... 5 El muestreo...
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Módulo 10: Aplicaciones Informáticas de Gestión Comercial. Guía del formador por cada módulo formativo
Módulo 10: Aplicaciones Informáticas de Gestión Comercial Guía del formador por cada módulo formativo Módulo 10 1. DENOMINACIÓN DEL MÓDULO MÓDULO 10: APLICACIONES IN ORMÁTICAS DE GESTIÓN COMERCIAL 2.
Gestión 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
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
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1
Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,
Conclusiones. Particionado Consciente de los Datos
Capítulo 6 Conclusiones Una de las principales conclusiones que se extraen de esta tesis es que para que un algoritmo de ordenación sea el más rápido para cualquier conjunto de datos a ordenar, debe ser
4 Pruebas y análisis del software
4 Pruebas y análisis del software En este capítulo se presentan una serie de simulaciones donde se analiza el desempeño de ambos sistemas programados en cuanto a exactitud con otros softwares que se encuentran
Parámetros con la ventana de selección de usuario, reglas, texto y descomposición (IVE)
QUÉ SON CONCEPTOS PARAMÉTRICOS? Los conceptos paramétricos de Presto permiten definir de una sola vez una colección de conceptos similares a partir de los cuales se generan variantes o conceptos derivados
Objetos educativos y estandarización en e-learning: Experiencias en el sistema <e-aula>
Objetos educativos y estandarización en e-learning: Experiencias en el sistema Fernández-Manjón, B.1, López Moratalla, J.2 Martínez Ortiz, I. 2, Moreno Ger, P. 2 Universidad Complutense de Madrid,
LECCIÓN 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
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio
CLASIFICACIÓN NO SUPERVISADA
CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL
INTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS
INTRODUCCIÓN: LA FÍSICA Y SU LENGUAJE, LAS MATEMÁTICAS La física es la más fundamental de las ciencias que tratan de estudiar la naturaleza. Esta ciencia estudia aspectos tan básicos como el movimiento,
Análisis de los datos
Universidad Complutense de Madrid CURSOS DE FORMACIÓN EN INFORMÁTICA Análisis de los datos Hojas de cálculo Tema 6 Análisis de los datos Una de las capacidades más interesantes de Excel es la actualización
Un algoritmo genético híbrido para resolver el EternityII. Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau
Un algoritmo genético híbrido para resolver el EternityII Rico, Martin; Ros, Rodrigo Directora: Prof. Dra. Irene Loiseau Temas Temas Introducción Eternity II Historia Descripción Demo Metaheurísticas Algoritmos
1.1 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
PERFIL DEL PUESTO POR COMPETENCIAS Sepa cómo construirlo y evitar bajos desempeños posteriores
PERFIL DEL PUESTO POR COMPETENCIAS Sepa cómo construirlo y evitar bajos desempeños posteriores Martha Alicia Alles Es contadora pública nacional, doctora por la Universidad de Buenos Aires en la especialidad
ESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA
ESTUDIO PRELIMINAR DE ALGUNOS FACTORES INFLUYENTES EN EL RENDIMIENTO ACADÉMICO DE ALUMNOS DEL GRUPO EXECUTIVE FISIOTERAPIA Autores: Noemí Díaz Matas; Carlos Martín Saborido; Raquel Díaz-Meco Conde; Silvia
TEMA 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
PISA Programa Internacional de Evaluación de Estudiantes. Gobierno de Chile Agencia de Calidad de la Educación
PISA Programa Internacional de Evaluación de Estudiantes Gobierno de Chile Agencia de Calidad de la Educación 1 Evaluaciones Educativas Internacionales en Chile Desde 1997, Chile participa en diversos
Circuito RC, Respuesta a la frecuencia.
Circuito RC, Respuesta a la frecuencia. A.M. Velasco (133384) J.P. Soler (133380) O.A. Botina (13368) Departamento de física, facultad de ciencias, Universidad Nacional de Colombia Resumen. Se armó un
Estas 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
ESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
- MANUAL DE USUARIO -
- MANUAL DE USUARIO - Aplicación: Kz Precio Hora Instagi Instagi Teléfono: 943424465-943466874 Email: instagi@instagi.com GUIA PROGRAMA CALCULO PRECIO HORA 1. Introducción 2. Datos de la empresa 2.1.Gastos
Sistemas de Información Geográficos (SIG o GIS)
Sistemas de Información Geográficos (SIG o GIS) 1) Qué es un SIG GIS? 2) Para qué sirven? 3) Tipos de datos 4) Cómo trabaja? 5) Modelos de datos, Diseño Conceptual 6) GeoDataase (GD) 7) Cómo evaluamos
MÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
MUESTREO 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
Tema 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
ISO 9001:2000 DOCUMENTO INFORMATIVO DOCUMENTO ELABORADO POR CHRISTIAN NARBARTE PARA EL IVECE
ISO 9001:2000 DOCUMENTO INFORMATIVO DOCUMENTO ELABORADO POR CHRISTIAN NARBARTE PARA EL IVECE MARZO 2007 Este documento contesta las preguntas más frecuentes que se plantean las organizaciones que quieren
EL AGUACATE EN AGRICULTURA ECOLÓGICA. PUNTOS DE CONTROL Y CERTIFICACIÓN SEGÚN EL REGLAMENTO EUROPEO 2092/91 Y SUS MODIFICACIONES
Proceedings V World Avocado Congress (Actas V Congreso Mundial del Aguacate) 2003. pp. 701-705. EL AGUACATE EN AGRICULTURA ECOLÓGICA. PUNTOS DE CONTROL Y CERTIFICACIÓN SEGÚN EL REGLAMENTO EUROPEO 2092/91
App para realizar consultas al Sistema de Información Estadística de Castilla y León
App para realizar consultas al Sistema de Información Estadística de Castilla y León Jesús M. Rodríguez Rodríguez rodrodje@jcyl.es Dirección General de Presupuestos y Estadística Consejería de Hacienda
OHSAS 18001: La integración de la Seguridad y Salud en el Trabajo en las organizaciones
OHSAS 18001: La integración de la Seguridad y Salud en el Trabajo en las organizaciones Agustín Sánchez-Toledo Gerente de Seguridad y Salud en el Trabajo de AENOR OHSAS 18001: La integración de la Seguridad
SISTEMAS Y MANUALES DE LA CALIDAD
SISTEMAS Y MANUALES DE LA CALIDAD NORMATIVAS SOBRE SISTEMAS DE CALIDAD Introducción La experiencia de algunos sectores industriales que por las características particulares de sus productos tenían necesidad
EL FONDO DE MANIOBRA Y LAS NECESIDADES OPERATIVAS DE FONDOS
2 EL FONDO DE MANIOBRA Y LAS NECESIDADES OPERATIVAS DE FONDOS Las inversiones de una empresa están reflejadas en su activo. Una forma de clasificación de las diferentes inversiones es en función del plazo
Algoritmos Genéticos. Introduccion a la Robótica Inteligente
Algoritmos Genéticos Introduccion a la Robótica Inteligente 7 Marzo 2014 (IRIN) AGs 7/03/2014 1 / 43 Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos Matemáticos 4 Conclusiones (IRIN)
Decisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE
Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:
Mediante la aplicación de la metodología a los datos disponibles para este estudio, esta
6 Conclusiones Mediante la aplicación de la metodología a los datos disponibles para este estudio, esta investigación aporta evidencia de la existencia de cambios en los determinantes del desempleo durante
FORMATIVO DE GRADO SUPERIOR DE DESARROLLO DE APLICACIONES WEB PROGRAMACIÓN DEL MÓDULO PROFESIONAL PROYECTO DE DESARROLLO DE APLICACIONES WEB
I.E.S. Aguadulce Aguadulce - Almería Departamento de Informática CICLO FORMATIVO DE GRADO SUPERIOR DE DESARROLLO DE APLICACIONES WEB PROGRAMACIÓN DEL MÓDULO PROFESIONAL PROYECTO DE DESARROLLO DE APLICACIONES
Indicaciones 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
SERVIDOR WEB PARA ACCESO EN TIEMPO REAL A INFORMACIÓN METEOROLÓGICA DISTRIBUIDA
SERVIDOR WEB PARA ACCESO EN TIEMPO REAL A INFORMACIÓN METEOROLÓGICA DISTRIBUIDA E. SÁEZ, M. ORTIZ, F. QUILES, C. MORENO, L. GÓMEZ Área de Arquitectura y Tecnología de Computadores. Departamento de Arquitectura
Electrificación en zonas rurales mediante sistemas híbridos
Electrificación en zonas rurales mediante sistemas híbridos Julio 2013 Pág. 1 de 6 Antecedentes y situación actual En los últimos años, el crecimiento y desarrollo del sector fotovoltaico ha sufrido un
Test de Idioma Francés. Manual del evaluador
Test de Idioma Francés Manual del evaluador 1 CONTENIDO Introducción Qué mide el Test de idioma francés? Qué obtienen el examinado y el examinador? Descripción de los factores Propiedades psicométricas
DCU Diagramas de casos de uso
DCU Diagramas de casos de uso Universidad de Oviedo Departamento de Informática Contenidos Introducción Elementos básicos Más sobre los actores Más sobre los casos de uso Más sobre las asociaciones Otros
INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA
INFLUENCIA DE SELECTIVIDAD EN LAS MATEMÁTICAS DE ECONOMÍA Juana María Vivo Molina Departamento de Métodos Cuantitativos para la Economía. Universidad de Murcia. jmvivomo@um.es RESUMEN En este trabajo se
Control Estadístico de Procesos
Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Tema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
EVALUACIÓN DE LA ACTIVIDAD DE REHABILITACIÓN 2010
EVALUACIÓN DE LA ACTIVIDAD DE REHABILITACIÓN 2010 Enero 2011 1 EL GOBIERNO VASCO HA DESTINADO EN 2010 MÁS DE 20 MILLONES DE EUROS PARA LA REHABILITACIÓN DE 19.497 VIVIENDAS El volumen total de las subvenciones
Regulador 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
Resumen de la solución SAP SAP Technology SAP Afaria. Gestión de la movilidad empresarial para mayor ventaja competitiva
de la solución SAP SAP Technology SAP Afaria Gestión de la movilidad empresarial para mayor ventaja competitiva Simplificar la gestión de dispositivos y aplicaciones Simplificar la gestión de dispositivos
Análisis 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
EJERCICIOS DE PROGRAMACIÓN RELACIÓN VII (EJERCICIOS DE REPASO)
EJERCICIOS DE PROGRAMACIÓN RELACIÓN VII (EJERCICIOS DE REPASO) Luis José Sánchez 1. Realiza un programa que sume los 100 números siguientes a un número entero y positivo introducido por teclado. Se debe
CONTROL DE ROBOTS Y SISTEMAS SENSORIALES 4º Ingeniería Industrial
TÍTULO Segmentación, localización y reconocimiento de piezas OBJETIVO El objetivo de la práctica es mostrar al alumno un método para el reconocimiento de varias piezas existentes en el módulo servidor
Inteligencia de Negocio
UNIVERSIDAD DE GRANADA E.T.S. de Ingenierías Informática y de Telecomunicación Departamento de Ciencias de la Computación e Inteligencia Artificial Inteligencia de Negocio Guión de Prácticas Práctica 1:
ISO 9000 y SIX SIGMA
Cuando se analiza la implementación de un sistema de gestión de calidad bajo la norma ISO 9000 y la estrategia de mejoramiento, resulta conveniente determinar si hay algún tipo de conflicto con Six Sigma,
Redes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Aula Banca Privada. La importancia de la diversificación
Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual
SISTEMA. Figura 3 Esquema general de un sistema
2-SISTEMAS DE CONTROL 2.1- QUÉ ES UN SISTEMA DE CONTROL? Un sistema dinámicopuede definirse conceptualmente como un ente que recibe unas acciones externas o variables de entrada, y cuya respuesta a estas
Sistemas de seguridad en redes inalámbricas: WEP, WAP y WAP2
Sistemas de seguridad en redes inalámbricas: WEP, WAP y WAP2 Calle San Rafael, 14 28108 Alcobendas (Madrid) 902 90 10 20 www.acens.com Introducción Actualmente una de las formas más utilizadas para conectarse
Credit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)
Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le
ERP GESTION LOGÍSTICA
ERP GESTION LOGÍSTICA o Introducción El objetivo de este módulo reside en dar soporte informático al control de sus existencias para poder responder en cualquier momento a la cuestión Qué cantidad y cuánto
Práctica 5. Curso 2014-2015
Prácticas de Seguridad Informática Práctica 5 Grado Ingeniería Informática Curso 2014-2015 Universidad de Zaragoza Escuela de Ingeniería y Arquitectura Departamento de Informática e Ingeniería de Sistemas