README

Material Algoritmos Evolutivos

Mario Iván Jaen

Organización por carpetas:

1. Algoritmos
Son implementaciones en MATLAB R2014a. Cada algoritmo está implementado como una
función dentro de un archivo {algoritmo}.m. Cada uno viene acompañado de su respectivo
script TEST_{algoritmo}.m que lo lanza sobre un benchmark especificado.

1.1. BUMDA
Hay dos implementaciones diferentes: una propia y otra del Dr. Ivvan Valdez.
1.2. CMAES
La implementación original de Hansen.
1.3. SepCMAES
Versión univariada (separable) de CMAES: usa una distribución normal
univariada para cada dimensión del problema.
1.4. NES_canonical
Version canonical del NES: la distribución de búsqueda es la Normal
Multivariada parametrizada por vector de medias y la matriz de varianzas y
covarianzas.
1.5. SNES
Versión univariada del NES.
1.6. xNES
NES exponencial: la distribución de búsqueda es una Normal multivariada
parametrizada por vector de medias y una matriz simétrica. Cada iteración
contruye una matriz de varianzas y covarianzas válida usando el mapeo
exponencial de la matriz simétrica.

2. Experimentos
Son algunas pruebas realizadas para visualizar el comportamiento de ciertos algoritmos. Hay
gráficas y videos ilustrativos de cómo funcionan estos algoritmos para espacios de búsqueda
de 1d y 2d.

2.1. Boltzmann_based_approaches
2.1.1. Aquí hay dos comparaciones hechas a los algoritmos basados en la distribución
Boltzmann:
 Minimizar la divergencia Kullback-Leibler en uno u otro sentido, es
decir: DKL(P|Q) vs DKL(Q|P)
 Para actualizar los parámetros de la distribución Q: Usar estimadores de
parámetros vs reglas de actualización con gradiente.
2.1.2. Video comparación de algoritmos (out.avi): magenta, azul, rojo, verde
 Minimizando KLD(Q|P) por
o A: reglas de gradiente (rojo)
o B: estimadores de parámetros (azul)
 Minimizando KLD_(P|Q) por
o C: reglas de gradiente (verde)
o D: estimadores de parámetros (magenta)
2.2. BUMDANES_vs_SNES
Videos del comportamiento de ambos algoritmos en las funciones sphere y
griewank. SNES (rojo), BUMDANES (azul), distribución Boltzmann (verde)
 2.3. Plots_BEDA
Graficos del modelo teórico que usa el BEDA para modelar la distribución de
búsqueda.
2.4. Plots_MBEAs
Diferentes tipos de EDAS.
2.5. Utility_functions
Funciones que mapean el fitness hacia otro “espacio”.

3. FuncionesVisualizacion
Implementaciones básicas para graficar: contornos de nivel de funciones objetivo, de
distribuciones de probabilidad (gaussiana, Boltzmann, etc), simulaciones de variables
aleatorias, para exportar una gráfica de matlab hacia archivo .jpg.

4. Tesis
Fuentes de la tesis en latex