Thesis Genetic Algorithms

1. Trabajo de Diploma Almacenes Inteligentes Genéticos Universidad de Morón Facultad de Informática Autor: Diego A. Comaschi. Una solución a la gestión de Depósitos mediante Algoritmos Genéticos

2. Indice Proposición. Definiciones. Investigación. Simulación. Conclusiones. Futuras líneas de Investigación.

3. Proposición. Maximizar la capacidad de los Métodos de picking para mejorar el costo de procesamiento en la obtención de un recorrido por medio del Algoritmo Genético.

4. Planteo del Problema Lugar E Lugar F Lugar G Lugar H Lugar A Lugar B Lugar C Lugar D ( N ) ! (8)! = 40380 Zona de Carga

5. Definiciones. Algoritmos Genéticos. S I M U L A C I O N D E E V O L U C I O N N A T U R A L Codificación del Dominio Evaluación de la Población O P E R A D O R E S G E N E T I C O S Bioinformática Computación Evolutiva (IA) Búsqueda Estocástica Selección Cruza Mutación Principales Operadores Ruleta Supervivencia Elitismo Excluyente Un Punto Dos Puntos Uniforme Un Punto Orden Calificación, grado de adaptación X 110 100 80 50 E 110 X 90 70 40 D 100 90 X 60 30 C 80 70 60 X 20 B 50 40 30 20 X A E D C B A Mts 50 E 40 D 30 C 20 B 10 A Mts Lugar X 110 100 80 50 E 110 X 90 70 40 D 100 90 X 60 30 C 80 70 60 X 20 B 50 40 30 20 X A E D C B A Mts 50 E 40 D 30 C 20 B 10 A Mts Lugar 340 50 10 110 90 60 20 A-B-C-D-E 320 20 30 20 50 110 90 C-D-E-A-B 310 30 50 90 70 20 50 E-A-B-D-C 310 20 40 80 100 30 40 D-A-C-E-B 310 50 20 100 30 40 70 B-D-A-C-E Fitness ßH ßD T4 T3 T2 T1 Individuo 340 50 10 110 90 60 20 A-B-C-D-E 320 20 30 20 50 110 90 C-D-E-A-B 310 30 50 90 70 20 50 E-A-B-D-C 310 20 40 80 100 30 40 D-A-C-E-B 310 50 20 100 30 40 70 B-D-A-C-E Fitness ßH ßD T4 T3 T2 T1 Individuo

6. Investigación. Codificación Del Dominio Evaluar Población Selección Cruzamiento Mutación Obtengo Resultado Se obtiene una población inicial para comenzar Obtengo dos Individuos Obtengo nuevos individuos por medio de los Operadores Evaluar Condición de finalización

7. Definiciones. Algoritmos Genéticos. Selección Cruza Mutación Selección 3 22 Cruza 15 28 Mutación Población Inicial 33 1 Evaluar Evaluar 3 22 30 48 53 60 71 88 3 22 30 48 53 60 71 88 15 28 3 22 33 48 53 60 71 88 15 28 30 1

8. Investigación. Individuos A B E D C Individuos = ( N ) ! (5)! = 120 Individuos = ( N )! * 20% Salida A B C D E X 110 100 80 50 E 110 X 90 70 40 D 100 90 X 60 30 C 80 70 60 X 20 B 50 40 30 20 X A E D C B A Mts 50 E 40 D 30 C 20 B 10 A Mts Lugar Fitness ßH ßD T4 T3 T2 T1 Individuo 10 10 A Fitness ßH ßD T4 T3 T2 T1 Individuo 30 10 20 A-B Fitness ßH ßD T4 T3 T2 T1 Individuo 90 10 60 20 A-B-C Fitness ßH ßD T4 T3 T2 T1 Individuo 180 10 90 60 20 A-B-C-D Fitness ßH ßD T4 T3 T2 T1 Individuo 290 10 110 90 60 20 A-B-C-D-E Fitness ßH ßD T4 T3 T2 T1 Individuo 340 50 10 110 90 60 20 A-B-C-D-E Fitness ßH ßD T4 T3 T2 T1 Individuo 320 20 30 20 50 110 90 C-D-E-A-B 340 50 10 110 90 60 20 A-B-C-D-E Fitness ßH ßD T4 T3 T2 T1 Individuo 310 20 40 80 100 30 40 D-A-C-E-B 310 50 20 100 30 40 70 B-D-A-C-E 310 30 50 90 70 20 50 E-A-B-D-C 320 20 30 20 50 110 90 C-D-E-A-B 340 50 10 110 90 60 20 A-B-C-D-E Fitness ßH ßD T4 T3 T2 T1 Individuo 310 40 20 40 30 100 80 B-E-C-A-D 310 20 50 70 40 30 100 E-C-A-D-B 310 50 30 50 20 70 90 C-D-B-A-E 320 30 20 90 110 50 20 B-A-E-D-C 340 10 50 20 60 90 110 E-D-C-B-A Fitness ßH ßD T4 T3 T2 T1 Individuo

12. Investigación. Individuos tipo Permutación Descendencias no aptas en el dominio de la solución El trayecto repetiría dos ubicaciones y a su vez no pasaría por una D B A F E C B A E D F C D C B E A F C B A D E F

15. Investigación. Programación Lineal Dominio de Búsqueda Lugares que formaran parte del itinerario A – B – C – D – E Total de Tramos Distancia entre lugares ( N -1 ) + 2 = 6 Relaciono Tramo Z Con Tramo X Individuo Generado X=X+1 Z=Z+1 N + 1 Veces (N!)/N Veces N! Individuos Tramo Z

16. Investigación. Algoritmos Genéticos Dominio de Búsqueda Lugares que formaran parte del itinerario A – B – C – D – E Total de Tramos Distancia entre lugares ( N -1 ) + 2 = 6 Selección 2 Individuos P. Inicial = N! * 20% Cruce Mutación Cruce Mutación Ruleta Elitismo Excluy. Superv. Ruleta Superv. Elitismo Excluy. PMX OX 1 Pto. SIM DM PMX OX 1 Pto. SIM DM Evalúo Población Evalúo Población Identidad = El mejor Fitness se represente en mas del 20% de la población Aptitud = Que la variación del fitness sea el 1% con respecto a la población Iteraciones = (Cantidad de Lugares)! /2 <= Cantidad de descendientes

17. Simulación. Simulación Demostración Sistema Operativo : Windows XP Procesador : Pentium III 450 Mhz Lenguaje : Visual Basic 6 Professional Base de Datos : MySql 4.1.7 nt Máximo 5040 7 612 346 350 720 6 469 519 324 324 62 120 5 469 469 324 324 8 24 00:00:00 4 AG PL AG PL AG PL AG PL Lug Mínimo Individuos Tiempo 346 732 00:00:03 00:00:30 01:03:22 00:00:02 00:00:08 00:02:02 344 612 801 00:11:40 2430 344

18. Conclusión. Comparación 00:00:03 AG 00:00:08 PL T° Método 00:00:30 AG 00:02:02 PL T° Método 00:11:40 AG 01:03:22 PL T° Método

19. Conclusión. Comparación 62 AG 120 PL Ind. Método 350 AG 720 PL Ind. Método 2430 AG 5040 PL Ind. Método

20. Conclusión. Comparación Diversidad de Fitness para un recorrido compuesto por 6 Lugares

24. Alguna Pregunta ?

25. Gracias por su atención