Documente Academic
Documente Profesional
Documente Cultură
Cod: PO-04-Ed3-R1-F5
Anexa 1 - RST
Cuprins
_Toc240736721
1. Obiective generale .......................................................................................................... 3
2. Obiectivele etapei de executie .......................................................................................... 3
3. Rezumatul etapei (maxim 2 pagini)................................................................................... 3
4. Descrierea stiintifica si tehnica ......................................................................................... 6
4.1 Detectarea interactiunilor in probleme complexe. Modele competente de invatare si
optimizare evolutiva ........................................................................................................ 6
4.2 Studiul interactiilor in sisteme complexe ....................................................................... 6
4.2.1 Strategii de colaborare in algoritmi evolutivi ............................................................ 7
4.2.2 Studiul dinamicii complexe intr-un sistem evolutiv .................................................... 7
4.2.3 Detectarea evolutiva de reguli in automate celulare .................................................. 7
4.2.4 Studii de caz ........................................................................................................ 8
4.3 Invatare si auto-organizare in sisteme complexe stigmergice .......................................... 8
4.3.1 Noi modele de agenti stigmergici ............................................................................ 8
4.3.2 Explorare si exploatare prin agenti sensibili cu invatare ............................................. 9
4.3.3 Agenti stigmergici cu revenire ................................................................................ 9
4.4 Noi tipuri de echilibre in jocuri necooperative. Detectarea evolutiva a echilibrelor.
Aplicatii practice semnificative .......................................................................................... 9
4.4.1 Detectarea evolutiva a echilibrelor .......................................................................... 9
4.4.2 Metarationalitate si echilibre generalizate .............................................................. 10
4.4.3 Detectarea echilibrelor unei piete a energiei electrice .............................................. 10
4.5 Identificarea impactului topologiei spatiului solutiilor asupra complexitatii
temporale a algoritmilor de cautare ................................................................................. 10
4.6 Analiza datelor complexe si invatare supervizata. Noi modele de masini cu suport
vectorial....................................................................................................................... 10
4.7 Selectia atributelor in invatarea nesupervizata: optimizare multi-modala ........................ 11
4.8 Coevolutie de tip cooperativ. Aplicatii in rezolvarea problemelor de optimizare de
dimensiuni mari. ........................................................................................................... 12
4.8.1 Analiza aplicabilitatii coevolutiei de tip cooperativ in cresterea scalabilitatii
metaeuristicilor........................................................................................................... 12
4.8.2 Aspecte practice in implementarea algoritmilor coevolutivi ....................................... 12
4.8.3 Rezultate obtinute in optimizarea functiilor cu numar mare de variabile ..................... 14
4.9 Comportament haotic in retele neuronale. Analiza arhitecturilor de tip inel. .................... 14
4.9.1 Arhitectura de tip inel.......................................................................................... 14
4.9.2 Arhitectura bidirectionala ..................................................................................... 15
4.10 Analiza robustetii metaeuristicilor. Studiu de caz in planificarea taskurilor in
sistemele distribuite. ..................................................................................................... 15
4.11 Mediu pentru proiectarea si testarea metaeuristicilor inspirate de natura ..................... 15
4.11.1 Structura functionala si arhitectura platformei propuse .......................................... 16
4.11.2 Configuratia si modulele aplicatiei ....................................................................... 16
4.12 Invatare colectiva cu autoorganizare. Minority Game .................................................. 17
4.13 Un model strategic de generare a retelelor sociale ..................................................... 18
4.14 Determinarea comunitatilor in retele sociale folosind algoritmi de tip swarm ................. 19
5. Anexe ......................................................................................................................... 19
6. Concluzii ...................................................................................................................... 22
7. Bibliografie .................................................................................................................. 23
1. Obiective generale
Obiectivele proiectului pot fi sumarizate astfel:
Ob4. Dezvoltarea unui cadru general, flexibil si usor de utilizat pentru selectia si
aplicarea inteligenta a metaeuristicilor inspirate de natura problemelor reale
Aceste obiective sunt strans corelate cu obiectivele generale Ob3, Ob4, Ob5, Ob6 si
Ob8. Obiectivele au fost urmarite in cadrul proiectului prin urmatoarele activitati:
Multe din noile metode competente propuse in literatura pun un accent pe invatarea
corelatiilor dintre variabilele problemei. Deseori problemele reale sunt caracterizate de
existenta unor structuri regulate intrinseci sau chiar a unor blocuri de constructie
(building blocks) de diferite marimi. Daca exista blocuri de constructie, evolutia se poate
face printr-un progres incremental, gradual (Holland, 2000).
Rezultate din literatura (Goldberg et al., 1989; Thierens, Goldberg, 1993) au
aratat ca si pentru probleme separabile timpul de convergenta poate fi exponential daca
nu se cunosc grupurile de variabile dependente. Pentru a aplana aceasta dificultate, o
varietate de technici de invatare a legaturilor au fost propuse in literatura. Metodele
propuse sunt capabile de aproximarea distributiei variabilelor problemei (Muhlenbein,
PaaB, 1996).
Metode acceptate larg in circuitul international includ Linkage Learning Genetic
Algorithm propus de Harik and Goldberg (1997), preluat si dezvoltat in (Lobo et al.,
1998; Chen, Goldberg, 2005; Sastry, Goldberg, 2003). Alta linie de cercetare inlocuieste
populatia cu o estimare a probabilitatilor fiecarei gene (Harik et al., 1999; Sastry and
Goldberg, 2000; Rastegar and Hariri, 2006). In abordarea lui Pelikan et al. (1999);
Pelikan (2002); Pelikan (2005) relatiile dintre variabile sunt invatate cu ajutorul unor
retele neuronale Bayesiene. Algoritmul DevRep (de Jong, 2003) este o alta metoda
capabila de a-si evolua reprezentatia in functie de corelatiile dintre variabile. Intr-o
abordare recenta Yu si Goldberg (2006) propun detectarea relatiilor prin modelarea cu
ajutorul matricelor de dependenta (Browning, 1998).
Aceste metode ce estimeaza distributiile solutiilor si construiesc modele ajutatoare
reprezinta o clasa de metode cunoscuta ca Estimation of Distribution Algorithms (EDAs).
Metodele EDAs pot rezolva problem grele, cu module interdependente prin identificarea si
exploatarea dependentelor. Din nefericire ele necesita populatii/evaluari de solutii foarte
costisitoare pentru a putea garanta functionarea adecvata si corectitudinea solutiilor.
Astfel operatia cautarii si construirii unui model din solutiile stocate in memorie in
metodele folosite implica costuri ce pot usor depasi limitele puterii de calcul aflate la
dispozitie.
In cadrul proiectului, s-a propus o metodologie generala de constructie a
modelelor necesare estimarii distributiilor, bazata pe analiza si extinderea corelatiilor
dintre variabile [Iclanzan et al, 2009]. Motivatia de baza a fost reducerea costurilor in
metodele EDA clasice. Acestea aplica strategii de cautare a modelelor neghidate, ce
extind sau rafineaza modele prin perturbatii stochastice, sau print-o enumerare
deterministica, exhaustiva.
Pentru modelele dezvoltate in cadrul proiectului s-a demonstrat ca metricile
introduse pot ghida procesul de cautare/constructie, livrand modele corecte in timp liniar.
Metodele originale de constructie a modelelor au o complexitate mult mai ridicata, de
exemplu O(n^3) in cazul Extended Compact Genetic Agorithm (Sastry, Goldberg, 2000).
Aplicand noua tehnica, timpul de rulare poate fi redus cu ordine de magnitudine
(minute vs. zile de rulare), permitand construirea unor metode intr-adevar scalabile, ce
pot rezolva probleme de dimensiuni foarte mari.
Un model geometric colaborativ evolutiv (ce extinde modelul din [Gog et al, 2009a]) este
prezentat si studiat in [Gog et al, 2009b]. Modelul este caracterizat de o cautare
asincrona realizata prin propagarea graduala a materialului genetic al celor mai buni
indivizi din populatie in restul populatiei. Fiecare individ actioneaza ca un agent autonom
care poate sa comunice cu ceilalti indivizi si sa isi selecteze un partener pentru
recombinare.
Modelul foloseste trei strategii de recombinare, fiecare corespunzand unei
subpopulatii sau societati de agenti. Este investigata dinamica sistemului, punandu-se in
evidenta existenta unui comportament emergent semnificativ si a unui interval de
tranzitie. Rezultatele numerice indica o buna performanta a modelului propus.
In lucrarea [Gog et al, 2009a] este propus un nou model circular evolutiv de optimizare.
Acest model este aplicat pentru obtinerea regulilor in automate celulare. Automatele
Celulare reprezinta instrumente puternice pentru studiul calitativ al dinamicii sistemelor
(economice, sociale, etc) complexe. A fost abordata problema detectarii regulilor de
evolutie in automate celulare finite. Interesul stiintific in astfel de probleme este justificat
de potentialul de a genera o mare varietate de comportamente complexe. Regulile
cautate trebuie sa fie capabile sa genereze un comportament global pe baza unor
interactiuni locale.
Problema densitatii considerata este o aplicatie importanta care a fost intensiv
studiata datorita simplitatii sale si potentialului de a genera comportamente complexe. In
modelul propus se urmareste exploatarea materialului genetic relevant in acelasi timp cu
cresterea diversitatii populatiei, prin integrarea unei topologii a populatiei bazata pe
calitatea potentialelor solutii si o schema de cautare asincrona. Experimentele numerice
arata potentialul modelului propus, prin comparatii cu alte modele evolutive. In acelasi
context s-au efectuat studii preliminare privind comportarea pentru aceeasi problema a
mai multor variante recente ale algoritmului DE („differential evolution”) adaptat pentru
reprezentari binare. Rezultatele obtinute au condus la concluzia ca, daca in cazul
problemelor de optimizare in domenii continue operatorii de recombinare bazati pe
diferente sunt foarte efectivi in cazul domeniilor discrete lucrurile stau diferit, ceea ce
impune identificarea unor noi variante de DE adecvate reprezentarii binare.
Sistemele compuse din mai multi agenti autonomi sunt investigate pentru potentialul lor
de a aborda in mod eficient probleme complexe din lumea reala.
In [Pintea et al, 2009a] este prezentat un model in care agentii comunica prin schimb
direct de informatii si cunostinte despre mediul inconjurator. Ei au capacitatea de a
invata si a reactiona in timp ce actioneaza in mediul lor. Se propune inzestrarea agentilor
cu un comportament stigmergic in scopul de a face fata problemelor complexe de
optimizare combinatoriala.
In modelul propus agentii sunt capabili sa comunice in mod indirect prin feromoni.
In plus, se propune inzestrarea agentilor stigmergici cu diferite niveluri de sensibilitate.
Astfel in cadrul unui sistem este facilitata stabilirea unui echilibru intre comunicarea
directa si stigmergie. Pentru diversificarea cautarii si intensificarea ei, agentii pot invata
sa-si modifice nivelul lor de sensibilitate in functie de caracteristicile de mediu si de
experienta anterioara. Modelul combina comportamentul stigmergic sensibil la mediu cu
comunicarea directa si cu abilitatile de invatare. Rezulta o metaeuristica robusta
orientata agent, adaptata pentru optimizarea combinatoriala. Modelul propus a fost testat
pentru rezolvarea unor probleme NP-dificile. Experimentele numerice indica robustetea si
potentialul acestei metaeuristici.
4.3.2 Explorare si exploatare prin agenti sensibili cu invatare
Pornind de la modelul prezentat in [Chira et al, 2008], este propus Step-Back Sensitive
Ant Model [Pintea et al, 2009b] inspirat de comportamentul real al furnicilor Niger Lasius.
Aceste furnici folosesc intoarcerile cu 180 de grade (U-turns) in procesul de cautare. Un
agent executa o intoarcere/revenire (step-back) in cazul in care ajunge intr-o stare
virtuala modulata de diferitele niveluri de sensibilitate (la feromon) ale agentilor. O
explorare eficienta a spatiului de cautare este efectuata in special de catre agentii cu
sensibilitate scazuta la feromon in timp ce exploatarea unor solutii intermediare este
facilitata de agenti extrem de sensibili. Acest nou model original a fost testat cu success
in rezolvarea unei probleme complexe din economie numita Linear Ordering Problem.
Reducerea dimensiunii [Breaban, Luchian, 2009] este o problema intens studiata atat in
invatarea supervizata cat si in cea nesupervizata. Principalul scop este reducerea
dimensiunii reprezentarii datelor pentru a minimiza costul computational necesar analizei
ulterioare, cu alterari minime a semnificatiei sau a acuratetei descriptive. Reducerea
dimensiunii este abordata in general in doua moduri: Selectia Atributelor (FS) si
Extragerea Atributelor (FE). Abordarea FS identifica atribute irelevante si le exclude; ca o
generalizare, ponderarea atributelor poate fi realizata. Metodele FE creaza noi atribute pe
baza celor existente. Punctele in spatiu original D-dimensional sunt mapate in noi puncte
intr-un spatiu d-dimenional, d<D. Metodele FE furnizeaza o reprezentare imbunatatita a
intregului set de date in comparatie cu metodele FS; cu toate acestea, un dezavantaj
major al metodelor FE este dificultatea interpretarii relatiilor dintre spatiul original si cel
redus. Ponderarea atributelor si ordonarea atributelor sunt generalizari ale selectiei
atributelor. Ponderarea atributelor vizeaza cuantificarea numerica a contributiei fiecarui
atribut in realizarea celei mai bune partitionari. Ordonarea atributelor este o relaxare a
primei abordari si vizeaza stabilirea unei hierarhi de atribute care poate servi in
continuare unei selectii a atributelor.
Literatura FS include un numar mai mare de studii decat cea FE, ambele probleme
au fost abordate doar relativ recent in mediul nesupervizat. Selectia nesupervizata a
atributelor este realizata prin urmatoarele modalitati: 1) abordari filtru bazate pe calculul
unei entropii pentru a cuantifica tendinta de grupare a atributelor in diferite subspatii a
atributelor. Metoda de invatare nesupervizata ulterioara este complet ignorata; 2)
abordari wrapper care realizeaza efectiv cautarea partitiilor in diferite subspatii a
atributelor prin utilizarea unui algoritm de clasificare. Metodele wrapper dau rezultate mai
bune deoarece evaluarea este bazata chiar pe rezultatele metodei de analiza exploratorie
vizata. Metodele wrapper au totusi doua dezavantaje importante: timp computational
mare si bias. Intr-un mediu nesupervizat, functia obiectiv care ghideaza cautarea pentru
partitii optime induce anumite polarizari/bias-uri asupra dimensiunii spatiului atributelor
si a numarului de clase.
In literatura exista mai multe abordari care vizeaza eliminarea bias-ului cu privire
la numarul de clase. Totusi, nici o functie fitness nu a fost inca propusa pentru a elimina
concomitent ambele bias-uri. Abordari existente utilizeaza proiectarea incrucisata sau
algoritmi mult-obiectiv in care bias-ul introdus in prima functie obiectiv este contracarat
de o a doua functie obiectiv. Studiile noastre abordeaza selectia atributelor ca problema
de optimizare multi-modala: subspatii de atribute diferite pot duce la partitionari
semnificative diferite a datelor originale. Odata ce subspatii promitatoare au fost
identificate, acestea pot fi utilizate in diferite moduri pentru a oferi o partitionare
imbunatatita: a) calea cea mai simpla este de a returna cea mai buna partitie dintre tate
optimele locale detectate; in cel mai nefavorabil abordarea aceasta ar trebui sa se
comporte la fel de bine ca optimizatorii globali (datorita capacitatii imbunatatitede
explorare); b) partitii bune, obtinute in diferite subspatii ale atributelor, pot servi ca si
componente clasificarea ansamblu; aceasta ar fi o abordare interesana deoarece ambele
constrangeri necesare pentru ansamble bune de clasificatori sunt indeplinite: calitate si
diversitate ridicata; aceasta ipoteza urmeaza a fi verificata expermental in studii viitoare;
c) toate submultimile de atribute pot fi utilizate pentru a construi un singur spatiu al
atibutelor care sa duca la o partitionare imbunatatita.
Studiile efectuate in cadrul proiectului [Breaban, Luchian, 2009] valideaza cea de
a treia ipoteza. Algoritmul genetic Multi-Niche Crowding GA a fost utilizat pentru a
determina submultimi de atribute diverse dar de buna calitate in acelasi timp, in
conjunctie cu metoda k-mediilor pentru a determina partitiile optime. Solutia este
construita utilizand intreaga populatie de la sfarsitul rularii: fiecarui atribut ii este
asociata o pondere pe baza prezentei sale in submultimile de atribute codificate de
cromozomi. Aceasta abordare de tip wrapper functioneaza intr-un mediu complet
nesupervizat: bias-ul referitor la numarul de clase este rezolvat prin utilizarea unei functii
potrivite de clasificare nesupervizata iar bias-ul corespunzator dimensionalitatii este
rezolvat explicit prin utilizarea proiectarii incrucisate sau implicit datorita cautarii multi-
modale in conjunctie cu anumite limite asupra numarului de atribute permis.
Experimentele arata ca diversitatea si calitatea solutiilor evoluate in diferite zone ale
spatiului de cautare pot fi utilizate pentru a calcula ponderi care ofera o buna aproximare
a relevantei atributelor si furnizeaza partitii de calitate ridicata cand sunt utilizate in
clasificare. Mai mult, o selectie a atributelor poate fi realizata intr-un pas de post-
procesare in spatiul de cautare redus pe baza ordonarii atributelor.
Coevolutia, atat cea de tip cooperativ cat si cea de tip competitiv, este unul dintre
mecanismele care permit generarea unor comportamente complexe atat in sistemele
naturale cat si in algoritmii inspirati de natura. Variantele de tip cooperativ permit
rezolvarea unor probleme complexe. In acest context cercetarea desfasurata in aceasta
etapa a vizat in principal maniera in care coevolutia de tip cooperativ poate fi exploatata
pentru a imbunatati scalabilitatea unor metaeuristici existente in rezolvarea problemelor
de optimizare cu numar mare de variabile. Rezultatele principale au fost cuprinse in
lucrarea [Craciun, Nicoara, Zaharie, 2009b] prezentata la LSSC’09 si acceptata pentru
publicare.
S-a efectuat o serie extinsa de teste numerice, experimente care au permis extragerea
catorva concluzii privind performantele coevolutiei de tip cooperativ in rezolvarea
problemelor de optimizare de dimensiuni mari.
Varianta asincrona se comporta usor mai bine decat cea sincrona si lungimea
evolutiei independente per componenta depinde de metaeuristica pe care se aplica
coevolutia (in cazul algoritmilor de tip HS trebuie sa fie relativ mica – pana in 5 – iar in
cazul algoritmilor de tip DE s-au obtinut rezultate bune si pentru 50 de etape de evolutie
independenta/componenta).
In ceea ce priveste scalabilitatea, rezultatele obtinute pentru HS confirma faptul
ca prin coevolutie de tip competitiv comportarea algoritmului poate fi imbunatatita
semnificativ.
In lucrarea [Kaslik, 2009] s-a realizat o analiza similara pentru cazul arhitecturii
bidirectionale: neuronul i este conectat in maniera circulara atat cu neuronul (i-1) cat si
cu neuronul (i+1).
Pentru aceasta arhitectura au fost identificati parametrii caracteristici pentru care
apar bifurcatii in origine si a fost demonstrata existenta bifurcatiilor Fold/Cusp, Neimark-
Sacker si a unor bifurcatii de codimensiune mare.
Pentru cazul particular a 4 neuroni au fost vizualizate diverse tipuri de
comportament convergent sau haotic. S-a observat ca dinamica intr-o vecinatate a
originii devine din ce in ce mai complexa pe masura ce parametrii caracteristici devin mai
mari.
Configuratia initiala (la pornire) a aplicatiei este stabilita dinamic cu ajutorul unui script
de pornire. Acest script are rolul de a defini o serie de perechi de tipul (cheie, valoare) ce
reprezinta parametrii necesari configurarii diferitelor module si de a ıncarca anumite
modulele. Similar, la oprirea aplicatiei este rulat un script de oprire ın care se poate defini
comportamentul aplicatiei la oprire. Ca si limbaj de scripting a fost ales jscheme datorita
sintaxei compacte datorate limbajului scheme si a facilitatii de accesare a claselor java
pusa la dispozitie de aceasta implementare. De asemenea, prin intermediul unui
interpretor global, utilizatorul poate interactiona cu sistemul in lipsa unei interfete
grafice. Modelul propus este inspirat de cel pus la dispozitie de platforma ECJ cu mici
modificari ın ceea ce priveste definirea algoritmilor si modalitatea de regasire a
componentelor referite.
Exista trei module de baza in cadrul aplicatiei: modulul de design, modulul de
rulare si modulul de prelucrari statistice.
Modulul de design are rolul de a stabili configuratiile de rulare a metaeuristicilor si
de a valida aceste configuratii. Practic, folosind modulul de design utilizatorul poate defini
diferite scenarii de rulare care sunt validate si salvate sub forma unor fisiere de
configurare care sunt ulterior folosite de modulul de rulare ın procesul de instantiere a
componentelor. Aceste scenarii definite de utilizator sunt grupate sub forma de proiecte
aflate ıntr-o zona de lucru (workspace). Strategia de configurare a componentelor este
inspirata de fisierele de configurare din platforma ECJ. Acestea sunt fisiere ierarhice de
proprietati (un fisier poate mosteni continutul parintelui printr-o procedura de tip include)
ın care fiecare cheie reprezinta o cale care modeleaza ierarhia de componente. O astfel
de cale este formata dintr-o baza (calea componentei parinte) concatenata cu un cuvant
cheie ce reprezinta numele parametrului componentei respective. Dificultatea elaborarii
unui fisier de parametri ın ECJ vine din faptul ca lista parametrilor pentru fiecare
componenta cat si restrictiile pentru valorile acestora sunt documentate la nivel de
javadoc. Pentru a ajuta utilizatorul ın procesul de configurare, modulul de design pe care
il propunem foloseste doua concepte, definitie si legatura (binding), care ın final vor
forma un scenariu de configurare similar fisierelor de parametrii din ECJ. Pentru fiecare
entitate care poate fi componenta a unei metaeuristici, sistemul va detine o instanta
definitie a entitatii respective ın care sunt specificate elementele de configurare necesare
si constrangerile acestora. Utilizatorul defineste scenarii de rulare (grupate ın proiecte)
folosind definitiile disponibile (ın modelul standard sau adaugate de utilizator)
completand componente binding. O componenta binding contine: o referinta catre
definitia corespunzatoare, o lista de binding-uri pentru parametri, o lista de binding-uri
pentru socket-uri.
Modulul de rulare este responsabil de instantierea componentelor metaeuristiciilor
pornind de la un scenariu de configurare si de rulare a algoritmilor.
Modulul de prelucrari statistice are ca scop asigurarea prelucrarii rezultatelor in
concordanta cu optiunile utilizatorului pentru a permite acestuia efectuare de comparatii
si studii de eficienta. Acest modul va permite efectuarea prelucrarilor statistice uzuale si
returnarea rezultatelor intr-un format care sa permita vizualizarea lor atat in format text
cat si in format grafic.
Mai multe lucrari pe aceasta tema raportate “in curs” in etapa anterioara au aparut
efectiv in reviste cotate ISI [Istrate, 2009a], [Percus, 2008], [Istrate, 2009b].
S-a studiat un model de “invatare colectiva” cu autoorganizare care generalizeaza
celebrul Minority Game din econofizica, un model stilizat de functionare a pietelor
financiare [Istrate, 2009d]. In varianta noastra inlocuim functia minoritate cu o functie
booleana simetrica arbitrara si ne propunem sa raspundem la urmatoarea intrebare: cum
influenteaza structura functiei booleene proprietatile dinamicii ? In particular:
1. Exista functii booleene simetrice care nu sunt “colectiv invatabile”, in sensul in
care functia minoritate este invatabila in Minority Game ?
2. Putem caracteriza functiile “colectiv invatabile”, poate prin metode de tipul
analizei Fourier pe corpuri finite (care s-a dovedit foarte utila recent in teoria
functiilor booleene) ?
Problema a doua s-a dovedit mult mai dificila: rezultatele experimentale din [Istrate,
2009d] arata ca tipurile de comportament ale modelului sunt mult mai bogate decat am
anticipat initial:
· Modelul general are in multe cazuri “puncte fixe”, de mai multe tipuri. Aceste
puncte fixe nu apar la functia minoritate. Eliminarea lor complica considerabil
definitiile.
· Proprietatile modelului depind intr-o maniera foarte delicata de felul in care
masuram impactul propriei alegeri asupra functiei agregate. Pentru a ilustra acest
lucru sa notam ca in functia paritate setand un bit 0/1 putem modifica valoarea
functiei independent de ceilalti biti. Acest lucru nu este adevarat in cazul functiei
minoritate.
· parametrul global de ordine, cel al carui masurare indica “invatarea colectiva” este
mult mai dificil de definit in general decat in cazul functiei minoritate. In
particular, desi am obtinut un parametru generic, nu este inca foarte clar ca
alegerea noastra este adecvata in general.
Cu toate acestea rezultatele obtinute pana acum sunt foarte promitatoare, si arata
faptul ca modelul studiat are intr-adevar proprietati specifice unui proces de “invatare
colectiva cu autoorganizare”.
Putem justifica aceasta ordine de activare prin contagiune prin exemplele reale la
care se aplica modelul Jackson-Watts: modelarea legaturilor comerciale, a relatiilor de
colaborare, etc. In acest context activarea unei legaturi poate determina
activarea/dezactivarea altor legaturi “influentate” de aceasta.
Folosind conceptul de stari stocastic stabile al lui Peyton-Young (Peyton, 1998) am
obtinut o caracterizare a retelelor care se obtin cand rulam procesul dinamic din modelul
Jackson-Watts cu activarea de mai sus: sunt retelele care minimizeaza o anumita functie
“potential”, similar cazului activarii aleatoare. Spre deosebire de acest caz demonstratia
rezultatului este mult mai delicata, modelul fiind specificat de un lant Markov cu structura
mai complicata.
Mentionam impactul stiintific al cercetarilor efectuate in cadrul proiectului: Gabriel
Istrate va participa (in calitate de prezentator invitat) la un “Workshop on Techniques
and Challenges from Statistical Physics”, organizat la Centre de Recerca Matemàtica
(CRM), Bellaterra, Barcelona, Spain, in perioada 14-16 Octombrie 2009.
In lucrarea [Breaban, Alboaie, Luchian, 2009] este abordata o problema de mare interes
si studiata intens in ultimii ani, si anume determinarea comunitatilor in retelele sociale.
Problema este definita formal ca o problema de grafuri: se cere identificarea de
grupuri de noduri intre care exista conexiuni dense. Este un tip de problema de clasificare
intr-un spatiu vag definit. Din acest motiv, datele sunt mapate intr-un spatiu 2-
dimensional euclidian prin simularea particulelor intr-un roi.
In pasul de initializare, fiecarui utilizator din comunitate (corespunzand unui nod
in graf) i se asociaza un punct generat aleator in spatiul 2-dimensional. Aceste puncte
sunt in continuare considerate vectori-pozitie ale particulelor in metoda PSO. In
continuare, un proces iterativ duce la organizarea particulelor astfel incat utilizatorii cu
interactiuni puternice/dense vor corespunde unor puncte apropiate in spatiu Euclidian. In
final, in spatiul Euclidian se aplica o procedura de clasificare mai putin costisitoare.
5. Anexe
Lista lucrarilor publicate in cadrul etapei curente:
C-M. Pintea, C. Chira, D.Dumitrescu, Sensitive Ants: Inducing Diversity in the Colony,
Nature Inspired Cooperative Strategies for Optimization, Series "Studies in
Computational Intelligence", Vol. 236 ( Krasnogor, N.; Melián-Batista, B.; Moreno-Pérez,
J.A.; Moreno-Vega, J.M.; Pelta, D.; Eds.) Springer-Verlag, 2009a (ISBN: 978-3-642-
03210-3)
C.M. Pintea, C. Chira, D. Dumitrescu, Results of Ant-Based Models for Solving the Linear
Ordering Problem, Proceedings of the 11th International Symposium on Symbolic and
Numeric Algorithms for Scientific Computing Timisoara, Romania, 2009b.
Allon Percus, Gabriel Istrate, Bruno Tavares Gonçalves, Robert Z. Sumi, Stefan
Boettcher, The Peculiar Phase Structure of Random Graph Bisection. Journal of
Mathematical Physics, 49 (12), p. 125219, 2008.
M. Breaban, L. Alboaie, H. Luchian. Guiding Users within Trust Networks Using Swarm
Algorithms. Proceedings of IEEE Congress on Evolutionary Computation (CEC 2009),
Trondheim, Norway, IEEE, 1770-1777, 2009.
6. Concluzii
Analizele teoretice, implementarile si studiile experimentale efectuate in cadrul acestei
etape au condus la urmatoarele concluzii:
7. Bibliografie
David Iclanzan and D. Dumitrescu, (Iclanzan, Dumitrescu, 2008), Going for the big
fishes: Discovering and combining large neutral and massively multimodal building-
blocks with model based macro-mutation. In GECCO ’08: Proceedings of the 10th annual
conference on Genetic and evolutionary computation, pages 423–430, Atlanta, GA, USA,
2008. ACM.
David Iclanzan and D. Dumitrescu, (Iclanzan, Dumitrescu, 2008a), How can artificial
neural networks help making the intractable search spaces tractable. In 2008 IEEE World
Congress on Computational Intelligence (WCCI 2008), pages 4016–4023, Hong-Kong,
01-06 June 2008. ISBN 978-1-4244-1823-7.
C-M. Pintea, C. Chira, D.Dumitrescu, Sensitive Ants: Inducing Diversity in the Colony,
Nature Inspired Cooperative Strategies for Optimization, Series "Studies in
Computational Intelligence", Vol. 236 ( Krasnogor, N.; Melián-Batista, B.; Moreno-Pérez,
J.A.; Moreno-Vega, J.M.; Pelta, D.; Eds.) Springer-Verlag, 2009a (ISBN: 978-3-642-
03210-3)
C.M. Pintea, C. Chira, D. Dumitrescu, Results of Ant-Based Models for Solving the Linear
Ordering Problem, Proceedings of the 11th International Symposium on Symbolic and
Numeric Algorithms for Scientific Computing Timisoara, Romania, 2009b.
E. Bautu, A. Bautu, H. Luchian. Stock Market Trend Forecasting with GEP Ensembles, to
appear in Proceedings of the Natural Computing and Applications Workshop, 11th
International Symposium on Symbolic and Numeric Algorithms for Scientific Computing
(SYNASC’09), Timisoara, Sept. 26-29, 2009d.
M. Breaban, L. Alboaie, H. Luchian. Guiding Users within Trust Networks Using Swarm
Algorithms. Proceedings of IEEE Congress on Evolutionary Computation (CEC 2009),
Trondheim, Norway, IEEE, 1770-1777, 2009b.
Braun, T. D., Siegel, H. J., Beck, N., Boloni, L. L., Maheswaran, M., Reuther, A. I.,
Robertson, J. P., Theys, M. D., Yao, B., Hensgen, D., and Freund, R. F., A comparison of
eleven static heuristics for mapping a class of independent tasks onto heterogeneous
distributed computing systems. Journal of Parallel and Distributed Computing,
61(6):810837, 2001.
R. Tyson Browning. Use of dependency structure matrices for product development cycle
time reduction. In Proceedings of the Fifth ISPE International Conference on Concurrent
Engineering: Research and Applications, pages 89–96, Tokyo, Japan, July 15–17 1998.
Ying-Ping Chen and David E. Goldberg. Convergence time for the linkage learning genetic
algorithm. Evolutionary Computation, 13(3):279–302, 2005. URL
http://dx.doi.org/10.1162/1063656054794806.
Georges Harik and D. Goldberg. Learning Linkage. Morgan Kaufmann, San Mateo, CA,
1997.
David Iclanzan, D. Dumitrescu, and Béat Hirsbrunner. Correlation guided model building.
In GECCO ’09: Proceedings of the 11th Annual conference on Genetic and evolutionary
computation, pages 421–428, New York, NY, USA, 8-12 July 2009. ACM. ISBN 978-1-
60558-325-9. http://doi.acm.org/10.1145/1569901.1569960.
M. Jackson and A. Watts "The evolution of social and economic networks", Journal of
Economic Theory, Volume 106, Number 2, October 2002 , pp. 265-295(31).
Fernando G. Lobo, Kalyanmoy Deb, David E. Goldberg, Georges R. Harik, and Liwei
Wang. Compressed introns in a linkage learning genetic algorithm. In John R. Koza,
Wolfgang Banzhaf, Kumar Chellapilla, Kalyanmoy Deb, Marco Dorigo, David B. Fogel,
Max H. Garzon, David E. Goldberg, Hitoshi Iba, and Rick Riolo, editors, Genetic
Programming 1998: Proceedings of the Third Annual Conference, pages 551–558,
University of Wisconsin, Madison, Wisconsin, USA, 22-25 July 1998. Morgan Kaufmann.
Heinz Muhlenbein and Gerhard PaaB. From recombination of genes to the estimation of
distributions: I. binary parameters. In Hans-Michael Voigt, Werner Ebeling, Ingo
Rechenberg, and Hans-Paul Schwefel, editors, Parallel Problem Solving From Nature-
PPSN IV (4th PPSN’96), volume 1141 of Lecture Notes in Computer Science (LNCS)
September 1996, pages 178–187. Springer-Verlag, Berlin, 96.
Martin Pelikan. Bayesian optimization algorithm: from single level to hierarchy. PhD
thesis, 2002. Adviser-David E. Goldberg.
Martin Pelikan, David E. Goldberg, and Erick Cantú-Paz. BOA: The Bayesian optimization
algorithm. In Wolfgang Banzhaf et al., editor, GECCO ’99, volume I, pages 525–532,
Orlando, FL, 13-17 July 1999. Morgan Kaufmann Publishers, San Fransisco, CA. ISBN 1-
55860-611-4.
Kumara Sastry and David E. Goldberg. Probabilistic model building and competent
genetic programming. In Rick L. Riolo and Bill Worzel, editors, Genetic Programming
Theory and Practice, chapter 13, pages 205–220. Kluwer, 2003.
Dirk Thierens and David E. Goldberg. Mixing in genetic algorithms. In Stephanie Forrest,
editor, Proc. of the 5th International Conference on Genetic Algorithms, pages 38–47,
San Francisco, CA, USA, 1993. Morgan Kaufmann. ISBN 1-55860-299-2.