Documente Academic
Documente Profesional
Documente Cultură
+ +
=
(1)
i i
MaxX X 1 ; i = 1.. ncomp+ncs+ncl. (2)
Evaluar una solucin factible, a partir de ahora, significa ejecutar la simulacin con
los parmetros (recursos) correspondientes y determinar el valor de Tiempo_Total.
Para las diferentes pruebas que se realizan en este trabajo, se consideran datos
ficticios, pero con magnitudes reales. Las correspondientes al aeropuerto de Barajas son
ms de 80000 pasajeros al da (en media), 300 mostradores en total disponibles y 18
controles de seguridad. Ms concretamente se ha tomado un horizonte temporal de 8
horas, con unos 200 vuelos, casi 1500 enlaces posibles, unos 25000 pasajeros en total,
que realizan ms de 1600 recorridos diferentes. Se consideran 50 puntos de facturacin
con un mximo de 6 mostradores cada uno; 9 puntos o controles de seguridad de salida,
con un mximo de 8 puertas disponibles en cada uno de ellos, y 9 puntos de seguridad
de llegada, con un mximo de 10 puertas en cada uno de ellos.
3.- PROCEDIMIENTO DE BSQUEDA LOCAL
A continuacin se describe un sencillo procedimiento de mejora o bsqueda local
para mejorar una determinada solucin X. Es claro, que la mxima fluidez se va a
conseguir con el mximo de recursos posibles; por tanto consideraremos las soluciones
X tales que
recursos max X
ncl ncs ncomp
i
i
_
1
=
+ +
=
.
Sea X una solucin, con un Tiempo_Total T_Tot(X) se define el vecindario de X,
N(X) como sigue
N(X) = {X/ X verifica (1) y (2) y j, j {1,..,
ncomp+ncs+ncl} j j /
X
j
= X
j
1, X
j
= X
j
+ 1, X
k
= X
k
, k j, j}.
Es decir, la soluciones vecinas de X, son todas aquellas que se obtienen quitando una
recurso a un punto y aadindosela a otro diferente. De esta forma el procedimiento de
mejora queda de la forma siguiente
Procedimiento Bsqueda_Local (var X, T_Tot(X) )
Repetir
Hacer min_T_Tot := T_Tot(X ) y ant_ T_Tot:= T_Tot(X)
X N(X) : evaluar X
Si T_Tot(X ') < min_T_Tot hacer: Xm := X;
min_T_Tot := T_Tot(Xm)
Si min_T_Tot < T_Tot(X) entonces hacer X := Xm
hasta ant_ T_Tot = min_T_Tot .
4.- INCORPORACIN DE UNA RED NEURONAL
La evaluacin de una solucin para obtener el correspondiente Tiempo_Total puede
suponer un tiempo de clculo excesivo.
En esta seccin se describe la incorporacin de un modelo de red neuronal para
acelerar el procedimiento anterior. Concretamente la red neuronal estimar el
Tiempo_Total de las diferentes soluciones que se vayan generando, para evitar realizar
las evaluaciones de aquellas con un valor alto en dicha estimacin.
Para ello hace falta una adecuada arquitectura de red neuronal y, sobretodo, un
mtodo de aprendizaje rpido y eficaz. La red una vez entrenada va a ser insertada en el
procedimiento de bsqueda local descrito anteriormente y nos va a servir de filtro para
evitar evaluaciones que se puedan considerar innecesarias, es decir de soluciones cuyas
estimaciones del Tiempo_Total indiquen que sean malas soluciones. Ms
concretamente, sea x una solucin determinada, sea est(x) la estimacin de T_Tot(x)
hecha por la red y un determinado valor critico Val, si est(x) < Val la solucin x es
evaluada, sino no. Si introducimos la red neuronal en el procedimiento de mejora
descrito en la seccin 3; el nuevo procedimiento queda como sigue:
Procedimiento Bsqueda_Local_Red (var x, Mksp(x));
Repetir
Hacer min_ T_Tot:= T_Tot(x) y ant_ T_Tot:= T_Tot(x)
x N(x) : Determinar est(x)
Si est(x) < min_ T_Tot + entonces:
evaluar x
si T_Tot(x) < min_ T_Tot hacer:
xm := x;
min_ T_Tot := T_Tot(xm)
Si min_ T_Tot < T_Tot(x) entonces hacer x := xm
hasta ant_ T_Tot = min_ T_Tot.
donde es la raz del error cuadrtico medio obtenido durante el proceso de
entrenamiento, y un parmetro que indica el grado de agresividad del uso de la red.
5.- RESULTADOS COMPUTACIONALES
En la siguiente seccin se muestran los resultados de una serie de experiencias para
comparar los resultados que obtiene el algoritmo para optimizar simulaciones cuando la
red neuronal que utiliza emplea diferentes mtodos de aprendizaje. Es decir se trata de
analizar y comparar diferentes mtodos de aprendizaje de la red neuronal cuando esta se
usan en este contexto.
En todos los casos previamente se han generado y evaluado 100 soluciones aleatorias
con las que se ha entrenado la red. Todas las pruebas se realizan para max_recursos =
231.
Se van a considerar 3 mtodos de aprendizaje: el algoritmo de propagacin hacia
atrs, (Back Propagation, BP), que es el mtodo ms extendido; el algoritmo gentico
(GE), presentado por Sexton y otros, (1999), que ha demostrado un comportamiento
mejor entre las estrategias ms recientes, como se aprecia en el trabajo de Sexton y
otros, (1999), y Laguna y Mart, (2002); y el algoritmo Memtico
2
(ME) propuesto en
los trabajos de Pacheco y Aragn, (2001) y Aragn y Casado, (2002)
3
.
El error cuadrtico medio, E, obtenido en el aprendizaje ha sido el siguiente
Error cuadrtico en el proceso de aprendizaje
BP GE ME
E 6,25 3,47 2,96
Como se observa el error cuadrtico obtenido por nuestro mtodo, ME, resulta ser
ligeramente mejor que el obtenido por GE y significativamente mejor que BP.
A continuacin se muestran los resultados del uso de la red en el procedimiento de
mejora descrito en la seccin 3 con los vectores de pesos obtenidos por los mtodos
analizados. Se han generado y evaluado 10 soluciones iniciales aleatorias a partir de las
cuales se ejecuta el procedimiento Bsqueda_Local_Red. Se muestran los resultados
medios de Tiempo_Total para diferentes valores de . (En todos los casos se toma =
4,06, correspondiente al aprendizaje de ME).
Resultados de Bsqueda_Local_Red
= 0 = 1 = 2 = 3
BP 64,94 59,55 58,02 57,15
GE 62,11 57,15 57,15 57,15
ME 61,19 57,15 57,15 57,15
Con el vector de pesos obtenido por el algoritmo Memtico (ME) se consiguen
claramente mejores resultados que con el mtodo de propagacin hacia atrs, (BP), y
ligeramente mejor que con el algoritmo Gentico, (GE). Ms concretamente, para que la
2
Un reciente tutorial sobre algoritmos memticos en general se puede encontrar en Moscato, (2002)
3
Para evitar tiempos de computacin excesivos se ha limitado el nmero de vectores de peso w generados
a 100000 para GE y ME, y a 500000 para BP.
solucin final no degenere excesivamente, con BP, habra que tomar valores de ms
altos, ( = 2, 3), lo que apenas supone ahorro en el tiempo de computacin; sin embargo
con GE y sobretodo con ME se pueden usar valores ms agresivos de sin que suponga
apenas deterioro en la solucin final obtenida.
REFERENCIAS BIBLIOGRFICAS
ANDRADTTIR,S. (1998) A Review of Simulation Optimization Techniques.
Proc. 1998 Winter Simulation Conference, Washington D.C., pp. 151-158.
ARAGN,A. y CASADO,S (2002) Uso de redes neuronales para optimizar
simulaciones. Anlisis de diferentes mtodos. Documento de Trabajo 02/02. Facultad
de Ciencias Econmicas y Empresariales. Universidad de Burgos.
AZADIVAR,F. (1999) Simulation Optimization Methodologies. Proc. 1999
Winter Simulation Conference, Phoenix, pp. 93-100.
BCK,T. (1996) Evolutionary Algorithms in Theory and Practice: Evolution
Strategies, Evolutionary Programming ,and Genetic Algorithms, Oxford University
Press, New York, 1.
BCK,T., and H.P. SCHWEFEL (1993) An Overview of Evolutionary Algorithms
for Parameter Optimization. Evolutionary Computation, 1, pp.1-23.
BRADY,T. and McGARVEY,B. (1998): Heuristic Optimization using Computer
Simulation: A Study of Staffy Levels in a Pharmaceutical Manufacturing Laboratory.
Proc. 1998 Winter Simulation Conference, Washington D.C., pp. 1423-1428.
CARSON,Y. and MARIA,A. (1997): Simulation Optimization: Methods and
Applicattions. Proc. 1997 Winter Simulation Conference, Atlanta, pp. 118-126.
CASADO,S. y PACHECO,J. (2002) Simulacin y optimizacin de un modelo de
flujo de pasajeros en un aeropuerto. Comunicacin presentada al XVI Congreso
ASEPELT. Madrid, Junio 2002.
FU,M.C. and HEALY,K.J. (1997): Techniques for Optimization via Simulation: An
Experimental Study on an (s, S) Inventory System. IIE Transactions, 29, 191-199.
GLOVER, F., J.P. KELLY, AND M. LAGUNA (1996) New Advances and
Applications of Combining Simulation and Optimization, Proc. 1996 Winter
Simulation Conference, San Diego, pp.144-152.
GLOVER, F., J.P. KELLY, AND M. LAGUNA (1999a) New Advances for
Wedding Optimization and Simulation, Proc. 1999 Winter Simulation Conference,
Phoenix.
GLOVER, F., J.P. KELLY, AND M. LAGUNA (1999b) The OpQuest Callable
Library User's Documentation, Optimization Technologies, Inc., Boulder, Colorado.
GLOVER, F. and M. LAGUNA (1997) Tabu Search, Kluwer Academic Publishers,
New York.
KLEINMAN,N.L., HILL,S.D. and ILENDA,V.A. (1998): Simulation Optimization
of Air Traffic Delay Cost. Proc. 1998 Winter Simulation Conference, Washington
D.C., pp. 1177-1181.
LAGUNA,M. and R.MART (2002) Neural Network Prediction in a System for
Optimizing Simulations. IIE Transactions 34 (3): 273-282.
LANNER GROUP, INC. (1998) WITNESS Version 9 User Manual, Houston.
MOSCATO P. (2002). Variable Neighborhood Search, in Handbook of Applied
Optimization, P. M. Pardalos and M. G. C. Resende (Eds.), Oxford University Press, pp.
221-234.
PACHECO,J. y ARAGON,A. (2001) Anlisis de algoritmos evolutivos en el
aprendizaje de redes neuronales. IX Jornadas ASEPUMA, Las Palmas, Julio 2001.
PROMODEL CORPORATION (1998) SimRunner2 User's Guide , Orem, Utah.
SEXTON, R. S., R. E. DORSEY and J. D. JOHNSON (1999) Optimization of
Neural Networks: A Comparative Analysis of the Genetic Algorithm and Simulated
Annealing, European Journal of Operational Research, vol. 114, pp. 589-601.