Documente Academic
Documente Profesional
Documente Cultură
Essentials of
Metaheuristics
Sean Luke
George Mason University
Essentials of Metaheuristics
Agenda
Subiendo la colina (Hill-Climbing, HC)
Subiendo la colina por la mxima pendiente(Steepest Ascent HillClimbing, SAHC)
Subiendo la colina por la mxima pendiente con remplazo
(Steepest Ascent Hill-Climbing With Replacement, SAHCWR)
El significado de Tweak
Tipos de funcin
Algoritmos de Optimizacin Global de Estado Simple
Bsqueda Aleatoria (Random Search)
Subiendo la colina con reinicios aleatorios (Hill-Climbing with
Random Restarts)
Ajustando el Procedimiento de Modificacin
Temple Simulado (Simulated Annealing)
Bsqueda Tab (Tabu Search)
Bsqueda Local Iterada (Iterated Local Search)
2
Essentials of Metaheuristics
Essentials of Metaheuristics
Soluciones
Volver a un nodo anterior y seguir el proceso en otra direccin
(prohibitivo)
Reiniciar la bsqueda en otro punto
Aplicar dos o ms operadores antes de decidir el camino
Subir la colina en paralelo, por ejemplo, dividir el espacio de
bsqueda en regiones y explorar las ms prometedoras
4
Essentials of Metaheuristics
Essentials of Metaheuristics
Essentials of Metaheuristics
El significado de Tweak
A que se parece una solucin?
Vector, lista de tamao arbitrario, conjunto de
objetos no ordenados, rbol, grafo, o alguna
combinacin de ellos
Essentials of Metaheuristics
El significado de Tweak
Una forma sencilla de hacer Tweak (perturbar) un
vector de valores reales adicionar un valor
pequeo a cada valor del vector
Essentials of Metaheuristics
Tipos de funcin
En Hill-Climbing el tamao del paso puede ser
pequeo para salir de un mnimo local o muy
grande y con ello oscilar alrededor del ptimo.
controla el grado de exploracin y explotacin
Aguja en un pajar
engaoso
Essentials of Metaheuristics
Funciones
Sphere
[-100, 100]
Essentials of Metaheuristics
Funciones
Step
[-100, 100]
Essentials of Metaheuristics
Funciones
Schwefel
[-100, 100]
Essentials of Metaheuristics
Funciones
Rastrigin
[-5,12, 5,12]
Essentials of Metaheuristics
Funciones
Griewank
[-600, 600]
Multimodal No-Separable
(MN)
14
Essentials of Metaheuristics
Funciones
Ackley
[-32, 32]
Essentials of Metaheuristics
Algoritmos de Optimizacin
Global de Estado Simple
Bsqueda Aleatoria (Random Search)
Subiendo la colina con reinicios aleatorios
(Hill-Climbing with Random Restarts)
Ajuste del Procedimiento de Modificacin
Temple Simulado (Simulated Annealing)
Bsqueda Tab (Tabu Search)
Bsqueda Local Iterada (Iterated Local
Search)
Estado simple = Slo procesan una
solucin candidata al mismo tiempo
16
Essentials of Metaheuristics
17
Essentials of Metaheuristics
18
Essentials of Metaheuristics
Suavidad
(Smoothness) de la
funcin objetivo
En unimodal, HC es bueno
y RS es muy malo
En Noisy, HC es malo y
RS puede ser mejor
En Needle in a Haystack,
RS es la nica opcin
viable. HC es malo porque
no hay un gradiente
informativo
En Deceptive, HC tiene
un gradiente muy
desinformativo y queda
19
Essentials of Metaheuristics
Essentials of Metaheuristics
Essentials of Metaheuristics
Ajustando el Procedimiento de
Modificacin
22
Essentials of Metaheuristics
Ajustando el Procedimiento de
Modificacin
(1 + 1) = HC + Gaussian
Convolution
(1 + ) = SAHC + Gaussian
Convolution
(1 , ) = SAHCWR + Gaussian
Convolution
Gaussian Convolution otorga
otro parmetro (2) para
ajustar la exploracin y la
explotacin
En SAHCWR con n alto y 2
alto se potencia explotacin
(basado en n) y exploracin
(basado en 2) Se realiza
presin selectiva
23
Essentials of Metaheuristics
Ajustando el Procedimiento de
Modificacin
24
Essentials of Metaheuristics
Ajustando el Procedimiento de
Modificacin
25
Essentials of Metaheuristics
26
Essentials of Metaheuristics
Essentials of Metaheuristics
Essentials of Metaheuristics
29
Essentials of Metaheuristics
Essentials of Metaheuristics
31
Essentials of Metaheuristics
Essentials of Metaheuristics
33
Essentials of Metaheuristics
34
Essentials of Metaheuristics
Mezclar y combinar
Todos los algoritmos anteriores pueden ser
mezclados y combinados para resolver un
problema especifico sea creativo y
prctico
Lista de funciones de prueba
http://www.sfu.ca/~ssurjano/optimization.html
Dervis Karaboga, Bahriye Akay, A comparative
study of Artificial Bee Colony algorithm,
Applied Mathematics and Computation, Volume
214, Issue 1, 1 August 2009, Pages 108-132,
35
ISSN 0096-3003