Introduccion a la Optimizacion

Inteligencia Artificial II Rafael Vazquez Perez

Introduccion a la Optimizacion
1.1.- Bsqueda de la Mejor Solucin
1.1.1.- Definicin de Optimizacin 1.1.2.- Bsqueda de races vs Optimizacin 1.1.3.- Categoras de Optimizacin

1.2.- Algoritmos de Bsqueda de Minimizacin.

1.2.1.- Bsqueda Exhaustiva 1.2.2.- Optimizacin Analtica 1.2.3.- Mtodo Simplex Downhill

1.3..- Mtodos de Optimizacin Naturales.

1.3.1.- Recocido Simulado 1.3.2.- Algoritmo Gentico

1.1.- Bsqueda de la Mejor Solucin

1.1.1.- Definicin de Optimizacin

Optimizacion es el proceso de hacer algo mejor. La optimizacion consiste del tratamiento de las variaciones de un concepto inicial y usar la informacion obtenida para mejorar la idea. Una computadora es la perfecta herramienta de optimizacion de acuerdo a la idea de la influencia de la variacion de los parametros de entrada en formato

1.1.- Bsqueda de la Mejor Solucin

1.1.1.- Definicin de Optimizacin

El termino mejor solucion implica que hay mas de una solucion y que cada solucion no tienen valores iguales. La definicion de mejor es relativa al problema que se esta manejando, su metodo de solucion y las tolerancias permitidas. Luego entonces la solucion optima depende de la formulacion personal del problema

1.1.- Bsqueda de la Mejor Solucin

1.1.1.- Definicin de Optimizacin

Nuestra vida diaria nos confronta con muchas oportunidades de resolver problemas de optimizacion.
Cual es la mejor ruta para llegar al tec? Cual proyecto empezare primero ? Que ruta debo tomar para minimar el consumo de gasolina ? Que software debo de comprar para maximizar la productividad del departamento.

1.1.- Bsqueda de la Mejor Solucin

La optimizacion es el proceso de ajustar las entradas a las caracteristicas de un dispositivo, proceso matematico o experimento para encontrar la salida o resultado minimo o maximo.

Entrada o parametros

Funcion O Proceso

Salida o costo

1.1.- Bsqueda de la Mejor Solucin

1.1.1.- Definicin de Optimizacin

La entrada consiste de parametros El proceso o funcion es conocido como la funcion costo, funcion objetivo o funcion fitness La salida es el costo o fitness

1.1.- Bsqueda de la Mejor Solucin

1.1.2. Busqueda de Raices vs Optimizacion

Los enfoques de la optimizacion estan relacionados con los metodos de encontrar raices o ceros. Otro problema con la optimizacion es detreminar si un minimo dado es el menor minimo (global) o un minimo suboptimo (local).

1.1.- Bsqueda de la Mejor Solucin

1.1.3. Categorias de Optimizacion

La siguiente figura nos muestra que los algoritmos de optimizacion pueden dividirse en 6 grandes categorias que no son mutuamente exclusivas

1.1.- Bsqueda de la Mejor Solucin

1.1.3. Categorias de Optimizacion

Parametros Prueba y Error Individuales

function

Parametros Multiples

Estatico

3 Dinamico

Optimizacion
random

Discreto 6
Restricciones

Busqueda de minimos

Sin Restricciones

4 Continuo

 1.2.- Algoritmos de Bsqueda de Minimizacin.

1.2.1.- Bsqueda Exhaustiva

La busqueda del costo minimo, en la supercie del costo ( para todos los valores posibles de la funcion) es el corazon de las rutinas de optimizacion. Usualmente una Supercie de Costo tiene muchos picos, valles y lados. Un algoritmo de Optimizacion trabaja como un explorador tratando de encontrar el camino a la altura minima en la

sierra.

 1.2.- Algoritmos de Bsqueda de Minimizacin.

1.2.1.- Bsqueda Exhaustiva

El enfoque de la fuerza bruta para la

optimizacion es un muestreo sucientemente no de la funcion costo para encontrar el minimo global

1.2. Algoritmos de busqueda de minimizacion 1.2.1 Busqueda exhaustiva

La busqueda exhaustiva requiere de un

numero extremadamente grande de evaluaciones para encontrar el optimo.

1.2. Algoritmos de busqueda de minimizacion 1.2.1 Busqueda exhaustiva

Ejemplo: considere la solucion al siguiente

problema de 2 dimensiones

Encuentre el minimo de: f(x,y)= x sen(4x) + 1.1 y sen(2y) en el rango 0x10 y 0y10

Minimo

1.2. Algoritmos de busqueda de minimizacion 1.2.2 Optimizacion Analitica

El calculo nos ofrece las herramientas y la

elegancia para encontrar el minimo de muchas funciones costo.

Para nuestra funcion de ejemplo (2

f(x,y) = 0

parametros) es necesario tomar el gradiente de la funcion e igualralo a cero.

1.2. Algoritmos de busqueda de minimizacion 1.2.2 Optimizacion Analitica

el ejemplo, resulta: para f ---- = sin(4x ) + 4x cos(4x ) = 0 fx y f ---- = 1.1sin(2y ) + 2.2y cos(4y ) = 0
m m m m m m

fy

1.2. Algoritmos de busqueda de minimizacion 1.2.3 Metodo Simplex DownHill

En 1965 Nelder and Mead introducen el

metodo simplex downhill que no requiere el calculo de derivadas. geometrica la mas elemental que se puede formar en el espacio n dimensional y tiene n+1 lados.

El metodo consiste en generar una gura Cada iteracion genera un nuevo vertice

1.2. Algoritmos de busqueda de minimizacion 1.2.3 Metodo Simplex DownHill

Si el nuevo punto es mejor que al menos

uno de los vertices existentes, se reemplaza por el peor

1.3. Metodos Naturales de Optimizacion

1.3.1.- Recocido Simulado

En 1980 Kirkpatrick y su grupo introduce

el metodo de recocido simulado.

Este metodo simula un proceso de

recocido, en el cual una substancia es calentada por debajo de su temperatura para derretirse, y entonces es enfriado gradualmente para lograr una latencia cristalina

1.3. Metodos Naturales de Optimizacion

1.3.1.- Recocido Simulado

El algoritmo analogo a este proceso involucra una inicializacion de un estado invitado, y entonces es calentado con la modicacion de sus parametros. La funcion costo representa la energia del nivel de la substancia. Es necesario aadir un parametro de control analogo a la temperatura, el cual controle la

velocidad de descenso en el valor de la funcion optima de costo

1.3. Metodos Naturales de Optimizacion

1.3.2. Algoritmo Genetico

Los algoritmos geneticos son un subconjunto de los algoritmos evolutivos que modelan procesos biologicos para optimizacion de funciones costo altamente complejas. Un algoritmo genetico permite a una poblacion compuesta de muchos individuos, evolucionar a un estado bajo reglas de seleccion especicas que maximizan la funcion tness

1.3. Metodos Naturales de Optimizacion

1.3.2. Algoritmo Genetico

Algunas ventajas de los algoritmos geneticos:

Optimizan con parametros continuos o discretos No requieren informacion de derivadas La busqueda es simultanea en un amplio muestreo de la supercie del costo. Pueden saltar minimos locales Nos ofrecen una lista de parametros optimos, no solo una solucion.