Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia
Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia
Investigaciones y análisis de redes sociales (only in Spanish)
Similar a Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia
Similar a Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia (20)
Sistema Nacional de Vigilancia en Salud Pública SIVIGILA
Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia
1. Un prototipo para el modelado de un
sistema de metaheurísticas
cooperativas: obtención de
conocimiento para el estudio del
problema algoritmo-instancia
2006
Universidad de Murcia
Facultad de informática
Autores:
Enrique Muñoz Ballester
Emilio Serrano Fernández
Directores:
D. José Manuel Cadenas Figueredo
Dña. Mª Carmen Garrido Carrera
3. 3
Dificultades en el uso de metaheurísticas
Los algoritmos metaheurísticos son estrategias efectivas para
encontrar soluciones aproximadas.
Posibles problemas:
•Tiempos de ejecución
•¿Mejor algoritmo?
•Algoritmo-instancia
•¿Parámetros?
•Características generales.
•Independencia del problema.
•Robustez.
•Facilidad de implementar.
•Capacidad de dar resultados aceptables y
en tiempos razonables
Puede ser difícil encontrar metaheurísticas con:
¿cómo podemos mejorar?
4. 4
Uso tradicional de metaheurísticas
¿Qué idea surge?
Metaheurística A
Metaheurística B
Solución
6. 6
Proceso de extracción del conocimiento
Alg_iProblema≡instancia
Preparación
de los datos
Minería
Datos
Parámetros
Soluciones parciales
Soluciones
Sistema
Reglas
Fuzzy
Coordinador
7. 7
Preparación de los datos
Objetivo: obtener una base de datos para aplicar
técnicas de minería.
Se debe recopilar la información aplicando diferentes
metaheurísticas a un problema.
Problema escogido: Problema de la mochila.
Metaheurísticas:
Algoritmo genético
Búsqueda tabú
Colonia de hormigas
Temple simulado
8. 8
Preparación de los datos (II)
Entre la información que se extrae de
las ejecuciones:
Parámetros utilizados.
Descripción de la instancia.
Soluciones final, inicial e intermedias.
Crear una estructura para representar
un ejemplo que soporte todo tipo de
datos.
Para aplicar la técnica de minería se
debe aplicar un preproceso para
seleccionar los atributos más
relevantes.
Alg1 AlgN
Soluciones
parciales
Problema ≡ Instancia
Sol1 SolN
Parámetros
9. 9
Minería de datos
Objetivo: obtener un modelo del sistema basado en reglas fuzzy.
Esperamos obtener reglas del tipo IF <antecedente> THEN
<consecuente> que modelen lo siguiente:
Cuando debe cambiarse la solución de un algoritmo.
Como debe modificarse el comportamiento de una metaheurística.
Cuando deben cambiarse los parámetros de un algoritmo.
Cuando debe parar la búsqueda.
Que regla debe seleccionarse cuando se dispare más de una.
Existe una amplia variedad de técnicas, buscamos:
Interpretabilidad
Tratamiento de datos imperfectos
Escogemos árboles de decisión, específicamente FID 3.4.
10. 10
Minería de datos (II)
Aplicamos esta técnica a diferentes
conjuntos de datos para obtener
información acerca de:
Comparativa entre distintos algoritmos.
Elección de parámetros para cada
algoritmo.
Como resultado de la aplicación
obtuvimos un gran número de árboles
de los que se extrajeron:
Una jerarquía entre los algoritmos.
Parámetros interesantes en cada
momento para cada algoritmo.
Usando esta información se obtuvieron
reglas fuzzy de bajo nivel.
Genético
Temple
Tabú
Mayor
Menor
Metaheurística Calidad de
soluciones
11. 11
Modelado del coordinador
Las reglas obtenidas en la fase de minería son válidas pero:
Numerosas
Poco Abstractas
Es necesario obtener un conjunto de reglas más general.
Se obtuvieron las siguientes tres reglas:
SI [(peso1*d1 O peso2*d2 O ... O peson*dn) ES suficiente] ENTONCES
cambiar la solución actual de la peor metaheurística.
SI [ tiempo entre [tiempo1, tiempo2] ] ENTONCES cambiar las
soluciones actuales de las MetaX por la solución actual de MetaG.
SI la Metaheurística esMuchoPeorQueTodas Y
esMomentoDeCambiarParametros ENTONCES cambiar Parámetros de
Metaheurística.
12. 12
Evaluación del modelo
Objetivo: comprobar la eficacia del
sistema.
Se aplicarán al sistema una serie de
tests.
Como resultado se puede:
Eliminar una metaheurística.
Añadir/eliminar información acerca de
una metaheurística.
Añadir/eliminar características de
instancias.
Cambiar la técnica de minería
Añadir una metaheurística.
Esta fase queda fuera del proyecto,
pues no se realiza la implementación del
sistema
Alg1 AlgN
Problema ≡ Instancia
Parámetros
Coordinador
Solución
Sistema
de reglas
13. 13
Evaluación del modelo (II)
Añadiremos un algoritmo al sistema (colonia de
hormigas).
Aplicamos el proceso completo pero ahora con el
objetivo de añadir una nueva metaheurística:
Preparación de los datos: añadimos información de colonia de
hormigas.
Minería de datos: realizamos una comparativa con el resto de
metaheurísticas y un estudio de los parámetros convenientes.
Con los resultados se obtiene un conjunto de reglas de
bajo nivel.
Estas reglas se pueden añadir al modelo sin necesidad
de grandes cambios en este (robustez).
14. 14
Conclusiones
Prototipo para el modelado del coordinador.
Proceso de extracción del conocimiento.
Reglas que modelan el coordinador.
Problema de la mochila.
El proceso de extracción de conocimiento ha
comprendido:
Preparación de los datos: análisis base de datos,
estudio de metaheurísticas, aplicadas distintas
metaheurísticas, extraído datos interesantes.
Minería de datos: estudio de técnicas, comparativa
metaheurísticas, estudio de parámetros,
enumeración conocimiento, reglas fuzzy.
Modelado del coordinador: adaptación de reglas.
Evaluación del modelo: añadir algoritmo, demostrar
robustez.
15. 15
Conclusiones (II)
Tabú
Coordinador
Instancia del
problema
de la mochila
PIZARRA
Temple
Genético
Reglas fuzzy
Hormigas
Se ha proporcionado inteligencia al coordinador para:
Cuando un algoritmo esta más alejado de la solución que otros, cambiar su
posición en el espacio de búsqueda por otra posición cercana a la que tenga
otro algoritmo más eficiente.
Cuando un algoritmo persiste en un mal comportamiento, cambiar sus
parámetros de manera inteligente.
16. 16
Trabajos futuros
Implementar el sistema.
Mejorar la fase de evaluación del modelo.
Extensiones:
Repetir el proceso para otro problema.
Añadir metaheurísticas para la resolución del problema.
Aumentar las bases de datos usadas para el proceso de
extracción de conocimiento con resoluciones de más
instancias.
Aumentar los campos que aparecen en las bases de datos
con nueva información acerca de las instancias.
Cambiar o añadir técnicas de minería.
Cambiar o añadir reglas al coordinador.
Etc.
Usar el proceso de extracción con un problema más complejo,
como la p-mediana.
Conseguir un conjunto de instancias de la p-mediana que se
ajusten a la geografía de la región.