Publicado el 10 de Octubre del 2019
872 visualizaciones desde el 10 de Octubre del 2019
304,0 KB
30 paginas
Creado hace 5a (06/11/2018)
Tema 5: Metaheurísticas para Optimización
José Luis Ruiz Reina
Miguel A. Gutiérrez Naranjo
Departamento de Ciencias de la Computación e Inteligencia Artificial
Universidad de Sevilla
Inteligencia Artificial
Búsqueda Local
• Algoritmos de búsqueda de soluciones óptimas
• Buscar la mejor solución dentro de un espacio de posibles
soluciones
• Maximizar o minimizar
• Mejoras iterativas
• Empezar con un estado inicial cualquiera
• Mejorar su calidad paso a paso
• Algoritmos:
• Escalada
• Escalada con reinicio aleatorio
• Enfriamiento simulado
• Algoritmos genéticos
• Ninguno de estos algoritmos ofrece completitud, pero a
veces es la única aproximación en la práctica
Problemas de optimización
• Estado inicial: no está claramente definido
• Operadores:
• Se puede definir cierta noción de nodo “sucesor” o “vecino”
• En algunos casos, gran cantidad de vecinos
• Introducimos cierta componente heurística y aleatoria,
generando cada vez un único nodo “nodo vecino”
• Estados finales y soluciones:
• Todos los estados son posibles soluciones, pero se trata de
encontrar una solución “buena” (cuantificada por su función
de valoración)
• Si es posible, la mejor
• Se busca el estado con un óptimo valor (máximo o mínimo)
• No buscamos la secuencia de operadores (los estados
contienen toda la información)
Algoritmos genéticos: evolución natural
• Optimización inspirada en los procesos evolutivos de la
naturaleza:
• La evolución ocurre en los cromosomas de los individuos
• Las “buenas estructuras” sobreviven con más probabilidad
que las demás
• El nuevo material genético se obtiene mediante cruces y
mutaciones
• Algoritmos genéticos:
• Aplicación de estas ideas en la búsqueda de soluciones
óptimas
• No existe un único algoritmo genético
• Es una denominación para este tipo de algoritmos
evolutivos
Algoritmos genéticos: codificación del problema
original
• Un primer paso es representar los estados del problema
original como individuos de una población
• Genes: material genético básico
• Cromosomas: secuencia de genes que codifica a un
estado del problema original
• Población: conjunto de cromosomas (sólo un subconjunto
de tamaño “manejable”)
• Se trata de evitar los óptimos locales manejando una
población de candidatos, en lugar de un único candidato
• La población evoluciona en las distintas generaciones
• Genotipo (el cromosoma) vs fenotipo (a quién representa el
cromosoma)
• Bondad de los individuos
• Según el valor de la función de valoración (usualmente
llamada fitness)
Algoritmos genéticos: representación del problema
• Problemas de optimización: un ejemplo simple
• Ejemplo: encontrar el mínimo de la función f (x) = x 2 en
[0, 210) ∩ N
• Variables *GENES* y *LONGITUD-INDIVIDUOS*
• Ejemplo en la función cuadrado: [0, 1] y 10, resp.
• Función DECODIFICA(X), obtiene el fenotipo
• En la función cuadrado: un cromosoma puede verse como
un número binario de 10 dígitos (en orden inverso). El
fenotipo de un cromosoma es dicho número (en notación
decimal)
• Ejemplo: (0 1 1 0 0 1 0 0 0 0) es un cromosoma que
representa al 38
• Función FITNESS(X), valor de de la función a optimizar
(actuando sobre el genotipo)
• Ejemplo en la función cuadrado: la función que recibiendo
la representación binaria de un número, devuelve su
cuadrado
Esquema general de un algoritmo genético
INICIAR población
EVALUAR cada individuo de la población
Repetir hasta CONDICIÓN_DE_TERMINACIÓN
SELECCIONAR padres
COMBINAR pares de padres
MUTAR hijos resultantes
EVALUAR nuevos individuos
SELECCIONAR individuos para la siguiente generación
Devolver el mejor de la última generación
Ejemplo de ejecución (minimizando la función
cuadrado)
>>> algoritmo_genetico_v2_con_salida(cuad_gen, 20, 10, 0.75, 0.6, 0.1)
Generacion: 1. Media: 361954.9, Mejor: (0 1 1 0 0 1 0 0 0 0), Valor: 1444
Generacion: 2. Media: 79730.6, Mejor: (0 1 1 0 0 1 0 0 0 0), Valor: 1444
Generacion: 3. Media: 22278.6, Mejor: (0 1 1 0 0 1 0 0 0 0), Valor: 1444
Generacion: 4. Media: 3537.7, Mejor: (1 1 1 1 0 0 0 0 0 0), Valor: 225
Generacion: 5. Media: 1597.3, Mejor: (0 0 1 1 0 0 0 0 0 0), Valor: 144
Generacion: 6. Media: 912.8, Mejor: (0 1 0 0 0 0 0 0 0 0), Valor: 4
Generacion: 7. Media: 345.3, Mejor: (0 1 0 0 0 0 0 0 0 0), Valor: 4
Generacion: 8. Media: 60.7, Mejor: (0 1 0 0 0 0 0 0 0 0), Valor: 4
Generacion: 9. Media: 14.0, Mejor: (0 1 0 0 0 0 0 0 0 0), Valor: 4
Generacion: 10. Media: 4.5, Mejor: (0 1 0 0 0 0 0 0 0 0), Valor: 4
Generacion: 11. Media: 3.7, Mejor: (1 0 0 0 0 0 0 0 0 0), Valor: 1
Generacion: 12. Media: 3.4, Mejor: (1 0 0 0 0 0 0 0 0 0), Valor: 1
Generacion: 13. Media: 2.4, Mejor: (0 0 0 0 0 0 0 0 0 0), Valor: 0
....
Combinación de individuos
• Operadores que combinan la información de los padres
para obtener nuevos hijos
• Cruce en un punto:
1 0 0 0 1 1
110
0
0 0
1 0 0 0 0 0
0 1 1 0 1 1
• Aleatoriedad: al elegir el punto de cruce
• Otras posibilidades:
• Cruce multipunto (varios segmentos de intercambio)
• Cruce uniforme (para cada posición del hijo, sorteamos de
quién hereda)
• Cruces específicos de la representación (p.ej.
permutaciones)
Mutación de individuos
• Mutaciones:
1 0 0 0 1 1
01
1
0
1 1
• Aleatoriedad:
• Con una determinada probabilidad (usualmente baja)
cambiar algunos genes
• Si se cambia, elegir aleatoriamente a qué gen se cambia
• Variantes:
• Específicas de la representación (p.ej. permutaciones)
Permutaciones
• En caso en que el cromosoma sea una permutación de
genes, es necesario tener operadores específicos de
mutación y cruce
• Mutación por intercambio:
• Mutación por inserción:
• Mutación por mezcla:
Permutaciones
Cruce basado en orden
• Elige dos puntos de corte aleatoriamente del primer padre
y copia el segmento entre ellos en el primer hijo.
• A partir del segundo punto de corte en el segundo padre,
copia los genes no usados en el primer hijo en el mismo
orden en que aparecen en el segundo padre, volviendo al
principio de la lista si fuera necesario.
• Crea el segundo hijo de manera análoga, intercambiando
el rol de los padres.
Permutaciones
Cruce basado en orden (Paso 1):
Cruce basado en orden (Paso 2):
Permutaciones
Cruce basado en ciclos: Dividimos la permutación en ciclos y
alternamos los ciclos de cada padre.
Para construir ciclos:
• Tomamos la primera posición nueva en el padre P1.
• Buscamos el gen en la misma posición de P2.
• Vamos a la posición con el mismo gen en P1.
• Añadimos este gen al ciclo.
• Repetimos los apsos del 2 al 4 hasta que lleguemos al
primer gen de P1.
Permutaciones
Cruce basado en ciclos (Identificación de ciclos):
Cruce basado en ciclos (Construcción de hijos):
Mecanismos de selección
• Un algoritmo genético debe tener un método para
seleccionar individuos de una población:
• Para obtener aquellos individuos que van a ser usados
como padres
• A veces, también para decidir qué hijos pasan a la
siguiente generación
• La selección debe:
• Favorecer a los mejores (según su valoración))
• Permitir la diversidad
• Usualmente tiene una componente aleatoria
• Ejemplos de selección:
• Proporcional a su valoración
• Torneo
• Élite + aleatoriedad
Selección proporcional a la valoración
• Idea:
• Seleccionar aleatoriamente, pero de manera que cada
individuo tenga una probabilidad de ser seleccionado
proporcional a su valoración respecto de las valoraciones
del total de la población
• Los mejores individuos se seleccionarán más
frecuentemente
• La probabilidad de que cada individuo i sea seleccionado
es
P(i) =
F (i)
j=1 F (j)
Pn
• Importante: con este método de selección sólo podemos
resolver problemas de maximización
• Si es de minimización habría que transformar la función de
fitness
• Variante: selección por ranking
• La probabilidad asignada es proporcional a su posición en
la población (ordenada por fitness)
Selección probabilística
• Implementación de sorteos con probabilidad: ruleta
• Calcular la suma total acumulada de los valores de la
función de fitness de todos los miembros de la población
• Generar un número aleatorio x entre 0 y la suma total
anterior
• Recorrer la población, nuevamente acumulando los valores
de la función fitness y seleccionando el primer cromosoma
cuya suma acumulada sea mayor que x
Ejemplo del método de la ruleta
• Población de 5 individuos {i 1, i 2, i 3, i 4, i 5} con valores
F (i 1) = 2, F (i 2) = 7, F (i 3) = 1, F (i 4) = 4, F (i 5) = 6.
• Calculamos las sumas acumuladas:
Ac(i 1) = 2,
Ac(i 2) = 2 + 7 = 9,
Ac(i 3) = 2 + 7 + 1 = 10,
Ac(i 4) = 2 + 7 + 1 + 4 = 14,
Ac(i 5) = 2 + 7 + 1 + 4 + 6 = 20.
• Para seleccionar cuatro individuos tomamos cuatro valores
aleatorios entre 0 y 20: 7, 13, 17, 5
• Seleccionamos los individuos i 2, i 4, i 5 e i 2 (nótese que se
pueden repetir).
Selección por torneo y élite
• Selección por torneo:
• Para cada selección, extraer aleatoriamente k individuos y
seleccionar el mejor
• Ventajas: no depende de la magnitud de la función de la
valoración y se puede aplicar tanto a minimización como a
maximización
• Cuanto mayor el k usado, mayor es la presión evolutiva
• Selección elitista:
• Escoger directamente un porcentaje de los mejores
• Para introducir diversidad, el resto, seleccionarlos
aleatoriamente de entre el resto
Otras componentes de un algoritmo genético
• Población inicial
• Usualmente se crean N individuos de manera
completamente aleatoria
• Terminación del algoritmo:
• Hasta completar un número dado de generaciones
• Cuando se hayan completado un número dado de
generaciones sin mejorar
• Hasta un valor prefijado de la función de valoración
• Diversos parámetros:
• Tamaño de la población
• Proporción de padres
• Probabilidades de cruce y/o mutación
Ejemplo de algoritmo genético
t := 0
Inicia-Población P(t)
Evalúa-Población P(t)
Mientras t < N-Generaciones hacer
:= Selección por torneo de (1-r)·p individuos de P(t)
:= Selección por torneo de (r·p) individuos de P(t)
:= Cruza P2
:= Union de P1
Comentarios de: Tema 5: Metaheurísticas para Optimización (0)
No hay comentarios