Algoritmos Memticos

1: Incorporacin de conocimiento especfico 2: Inicializacin no aleatoria 3: Operadores a la medida del problema 4: Lamarckismo y efecto Baldwin 5: Tratamiento de las restricciones 6: Evaluacin aproximada de la aptitud

Solucin de Problemas usando Algoritmos Evolutivos

bsqueda gentica Asignacin de la aptitud

conocimiento especfico

operadores genticos

reemplazamiento

bsqueda gentica

seleccin

funcin objetivo

codificacin

mutacin

cruzamiento

problema

Motivos para introducir conocimiento en un AG

Por un lado, la independencia de informacin especfica del problema, da en gran medida a los AGs su ventaja y competencia. Por otro lado, el no usar todo el conocimiento disponible sobre un problema particular, pone en desventaja a los AGs frente a mtodos que si lo usan. La idea consiste en solucionar el problema mediante un mecanismo mixto que incorpora la competicin, caracterstica de la tcnica evolutiva, y la cooperacin, al introducir algn aspecto relevante para la resolucin del problema.

Elementos cooperativos
Funciones no aleatorias para la inicializacin de la poblacin. Operadores especializados. Hibridacin con otras tcnicas especficas. Evaluacin aproximada de la funcin objetivo. Algoritmos Genticos Paralelos

Algoritmos Memticos
Son AGs que combinan Algoritmos Genticos con operadores de bsqueda local que trabajan dentro del bucle del Algoritmo Evolutivo. El trmino tambin se aplica a los Algoritmos Evolutivos que usan algn tipo de conocimiento especfico para resolver un problema. Han demostrado ser varios rdenes de magnitud ms rpidos y precisos que los puramente evolutivos en ciertos problemas.

Inicializacin no aleatoria
Tanto el tamao como la estructura del espacio de bsqueda estn directamente relacionados con el tipo de codificacin utilizado, incidiendo directamente en la eficacia del algoritmo. El carcter aleatorio de la poblacin inicial choca frontalmente con la evolucin natural en el sentido de que todos los organismos vivos tienen un origen comn. El origen comn es la causa de que muchas estructuras orgnicas no sean ptimas para su cometido.

Hiptesis
Una cierta calidad en la poblacin inicial puede hacer ms eficaz el proceso al aumentar su velocidad, an a riesgo de introducir sesgo en la bsqueda. Sembrar la poblacin con soluciones de buena calidad procedentes de algn otro proceso de optimizacin. Desestimar soluciones de muy baja calidad. Estas ideas pueden ser tiles en problemas donde el nmero de restricciones sea muy elevado, y tambin en problemas de optimizacin numrica si se dispone de informacin que permita acotar las soluciones.

Operadores de cruzamiento a medida

Ejemplo: En el problema del viajante (TSP):
Escoger una ciudad aleatoria como inicio de la ruta en un hijo. Comparar las aristas que salen de esta ciudad de los dos padres, y escoger la ms corta. Continuar creando la ruta escogiendo la arista ms corta entre los padres. Si se genera un ciclo, seleccionar una arista aleatoriamente. Continuar hasta completar la ruta

Operadores de mutacin a medida

Incorporar al problema conocimiento especfico dentro del operador de mutacin. Ejemplo 1: En un problema de optimizacin numrica, con nmeros reales, en lugar de mutacin aleatoria, usar el operador de mutacin de Michalewicz. Ejemplo 2: En un problema codificado con matrices, intercambiar dos columnas.

Motivos para hibridar un AG

Introducir los Algoritmos Genticos dentro de un sistema ms amplio y complejo. Mejorar una tcnica clsica sin reinventar la rueda. Mejorar el comportamiento de un Algoritmo Gentico en alguna clase de problemas.

Exploracin/explotacin
Los AGs son buenos exploradores Los algoritmos de bsqueda local son malos exploradores

Los AGs son malos explotadores Los algoritmos de bsqueda local son buenos explotadores

Ganar en un dominio significa perder en otros

El complicado asunto de la transmisin de caractersticas (I)

El conde de Buffon fue el primer cientfico en especular con el hecho de que la similitudes entre humanos y simios sugeran un ancestro comn, aunque no fue capaz de materializar su intuicin en una teora. Lamarck desarroll la teora de la evolucin basada en la transmisin de los caracteres adquiridos, segn la cual, las caractersticas que los progenitores desarrollan para adaptarse al medio, se transmiten a los descendientes.

El complicado asunto de la transmisin de caractersticas (II)

La teora de Charles Darwin supone que, estadsticamente hablando, los individuos ms aptos sobreviven y se reproducen, transmitiendo sus caractersticas a sus descendientes.

Contradice a Lamarck, al suponer que los caracteres adquiridos no se heredan, excepcin hecha de los producidos por mutacin.

El complicado asunto de la transmisin de caractersticas (III)

La teora de Weismann sobre la herencia habla de clulas germinales, con capacidad de transmitir caractersticas y de clulas somticas, que no la tienen. Ech por tierra la teora de Lamarck experimentando con 22 generaciones de ratas a las que cort la cola, y observando como todas ellas nacan de nuevo con la extremidad. Gregor Mendel fue quien descubri el mecanismo de las leyes de la herencia de los caracteres mediante sus clebres experimentos.

Interpretacin darwinista: lamarckista:

Hibridacin lamarckiana

decodificacin Procedimiento de mejora del fenotipo recodificacin

Los individuos, mejorados a travs del aprendizaje pueden ser recodificados antes de la reproduccin, de forma que los descendientes puedan heredar dichas caractersticas

Hibridacin batch
El AG y la tcnica especfica son mdulos separados. El GA corre primero hasta un nivel de convergencia predefinido. Luego se aplica bsqueda local a un conjunto de los mejores individuos (5 10%)

TE AG decodificacin

Hibridacin on-line
La tcnica especfica est integrada en el AG y se utiliza en cada generacin o cada cierto nmero de generaciones. Se seleccionan los mejores individuos (uno o dos). Se les optimiza artificialmente. Se introducen en la poblacin, y se sigue la bsqueda gentica
decodificacin mejora del fenotipo

AG

recodificacin

El equilibrio entre bsqueda local y global

Donde y cuando debera ser aplicada la bsqueda local dentro del ciclo evolutivo?. Cuntos individuos y con que criterio deben ser elegidos para mejora?. Cuanto esfuerzo computacional debe ser dedicado a la bsqueda local. Cmo deben integrarse los operadores genticos y la bsqueda local para conseguir el efecto sinrgico?.

Campos de aplicacin

Algoritmo Gentico + Sistema experto + Hibridacin

Mejora de una turbina de gas para el motor del Boeing 777

El efecto Baldwin
Baldwin explica como una conducta aprendida puede influir sobre el genoma de manera indirecta: Las caractersticas adquiridas en vida no pueden transmitirse a los descendientes como sugera Lamarck, pero si que puede heredarse la capacidad de aprender. Los individuos capaces de aprender tcnicas tiles proporcionarn a sus descendientes una ventaja evolutiva muy til, que despus de muchas generaciones puede resultar asimilada genticamente por el conjunto de la poblacin.

Aprendizaje y asimilacin
El desarrollo de comportamientos adaptativos a travs del aprendizaje puede incrementar la probabilidad de que se produzcan adaptaciones genticas para conseguir el mismo resultado, es decir, conseguir lo mismo de forma innata, sin aprendizaje (asimilacin gentica). Por ejemplo, la capacidad de hablar y comunicarse, la capacidad de consumir leche fuera de la poca de lactancia, son ejemplos de comportamientos humanos que han sido asimilados culturamente a lo largo de muchas generaciones.

Lamarckismo vs. Efecto Baldwin

Ambos persiguen la mejora de la poblacin, pero se diferencian en la alteracin o no del genotipo de los individuos durante el aprendizaje. La tcnica lamarckiana modifica los genes del individuo, devolvindolo despus a la poblacin. La tcnica basada en el efecto Baldwin, acta de forma que el aprendizaje cambia la aptitud del individuo.
AG

Aprendizaje

Problemas con restricciones

El espacio de bsqueda contiene dos subconjuntos disjuntos:
Soluciones factibles Soluciones no factibles

El asunto principal es el diseo de la funcin de evaluacin

Funciones de penalizacin
Transformar el problema de optimizacin con restricciones en uno sin restricciones (extendiendo el espacio de bsqueda),y restar una cierta cantidad a la aptitud del individuo no factible.

eval ( p ) = eval f Q( p )
o bien utilizar dos funciones de evaluacin:

penalizacin

eval f ( p ) si p es factible eval ( p) = evali ( p) si p no es factible

Pena de muerte
Consiste en asignar una aptitud cero a los individuos no factibles. - No discrimina, por lo que los individuos no factibles cercanos a la zona factible son tratados de igual modo que los muy alejados. - Si la poblacin inicial no contiene individuos factibles, el algoritmo se estanca.

Penalizaciones esttica y dinmica

Esttica: La penalizacin se mantiene fija durante todo el proceso evolutivo. Dinmica: La generacin influye en el clculo de la penalizacin. En etapas avanzadas del proceso de bsqueda ser ms severa que en las etapas iniciales.

Penalizaciones basadas en factibilidad

Una solucin factible siempre es preferible a una no factible. Entre dos soluciones no factibles se prefiere aquella que viole menos restricciones.

Otras tcnicas
Mantener una poblacin factible utilizando codificacin y operadores genticos adecuados. La reparacin de individuos puede ser interesante, y consiste en asignar un cdigo factible a un individuo no factible. A veces puede resultar ms costoso que resolver el problema original.
CODIFICACIN 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 a1111 COMPAA TELEFNICA REPSOL ENDESA BBV SANTANDER FCC IBERIA SACYR POPULAR ACERINOX ?

Diseo de nuevos materiales

f eval = ( D p J p ) 2 + penalizacin
p

Dp es el valor deseado para una propiedad Jp es el valor predicho

-CH2CH

=CH2

=CH =CH-

-CH< CH<

-CH3 CH

CH CH

>C<

=C<

=C=

C C-

-Br Br

-Cl Cl

-F F

-I I

1 Br

genotipo fenotipo

CH3 CH3 Cl CH3 CH2 C CH C C C C C

CH2 CH

Funciones de evaluacin aproximadas

En problemas de optimizacin numrica muy complejos mediante GAs, el cmputo de la funcin de evaluacin exacta puede resultar muy costoso. Puede ser interesante utilizar funciones aproximadas de complejidad creciente dentro de un mismo proceso evolutivo. Puede permitir un ahorro considerable de recursos computacionales al evitar evaluar individuos de baja calidad en las primeras etapas. Durante la ltima fase del proceso se utiliza la funcin de evaluacin exacta.

Problemas asociados
La principal dificultad de los GAs para la resolucin de problemas en un medio cambiante como el que aparece en el caso de utilizar distintas funciones de evaluacin, suele estar relacionada con la falta de diversidad gentica de la poblacin. Las formas ms comunes de solventarla son: El uso de cromosomas poliploides El mecanismo de hipermutacin disparada La reinicializacin de la poblacin/Inmigrantes aleatorios

Cromosomas poliploides
La disponibilidad de varios cromosomas con genes alternativos permite almacenar, y en caso necesario utilizar y transmitir soluciones distintas a los descendientes

Gen 1
00111110

Gen2
10101001

Gen3
01101010

001111110

10111111

01101010

C R O M O S O M A

D I P L O I D E

Hipermutacin disparada
Consiste en incrementar fuertemente la tasa de mutacin (tasa de hipermutacin) cuando se detecta un empeoramiento en el comportamiento medio de la poblacin. El mecanismo adaptativo se dispara debido a la degradacin del comportamiento, introduciendo una tasa de mutacin alta que incrementa la diversidad, mientras que en los dems casos se usa una tasa de mutacin tpica.

Inmigrantes aleatorios
Se sustituye una fraccin de la poblacin en cada generacin con individuos generados de forma aleatoria mediante un parmetro denominado tasa de reemplazamiento. De esta forma se aumenta la diversidad gentica y la capacidad para adaptarse a un nuevo medio.

Rutado dinmico anticipativo en redes telefnicas

Minimizar los costos de la compaa de Telecomunicaciones US West

Produccin de imgenes de sospechosos

El AG genera caras aleatorias

El AG genera nuevas caras

El testigo hace el papel de funcin de evaluacin seleccionando las dos ms similares al sospechoso