1. Modelado de Algoritmos Evolutivos:
Un enfoque pr´actico
Mario Graff
University of Essex
Mayo 2010
Mario Graff (University of Essex) IEEE 2010 1 / 30

2. ´Indice
Algoritmos Evolutivos
Algoritmos Gen´eticos
Programaci´on Gen´etica
Definici´on del problema
Soluci´on propuesta
Aplicaciones
Conclusiones
Mario Graff (University of Essex) IEEE 2010 2 / 30

3. Algoritmos Evolutivos
Algoritmos Evolutivos
M´etodos de optimizaci´on y b´usqueda de soluciones
Basados en los postulados de la evoluci´on biol´ogica
Supervivencia
Reproducci´on
Poblaci´on de posibles soluciones
Se mezclan y compiten entre si
Evolucionando hacia mejores soluciones
Mario Graff (University of Essex) IEEE 2010 3 / 30

4. Algoritmos Evolutivos
Algoritmos Evolutivos (II)
Sí
criterio de
terminación?
Máximo
número de
generaciones
Operadores
Selección
Genéticos
Crear
Población
Inicial
encontrado
mejor individuo
Regresa
No Sí
No
¿Cumple
Mario Graff (University of Essex) IEEE 2010 4 / 30

5. Algoritmos Evolutivos
Algoritmos Evolutivos (II)
Sí
criterio de
terminación?
Máximo
número de
generaciones
Operadores
Selección
Genéticos
Crear
Población
Inicial
encontrado
mejor individuo
Regresa¿Cumple
No Sí
No
Mario Graff (University of Essex) IEEE 2010 5 / 30

6. Algoritmos Evolutivos
Algoritmos Evolutivos (III)
Estrategias Evolutivas (Evolution Strategies)
Algoritmos Gen´eticos (Genetic Algorithms)
Programaci´on Gen´etica (Genetic Programming)
Evoluci´on Gramatical (Grammatical Evolution)
Mario Graff (University of Essex) IEEE 2010 6 / 30

7. Algoritmos Evolutivos
Algoritmos Evolutivos (III)
Estrategias Evolutivas (Evolution Strategies)
Algoritmos Gen´eticos (Genetic Algorithms)
Programaci´on Gen´etica (Genetic Programming)
Evoluci´on Gramatical (Grammatical Evolution)
Mario Graff (University of Essex) IEEE 2010 6 / 30

8. Algoritmos Evolutivos
Algoritmos Evolutivos (III)
Estrategias Evolutivas (Evolution Strategies)
Algoritmos Gen´eticos (Genetic Algorithms)
Programaci´on Gen´etica (Genetic Programming)
Evoluci´on Gramatical (Grammatical Evolution)
Mario Graff (University of Essex) IEEE 2010 6 / 30

9. Algoritmos Gen´eticos (AG)
AG
Mario Graff (University of Essex) IEEE 2010 7 / 30

10. Algoritmos Gen´eticos (AG)
AG (II)
Mario Graff (University of Essex) IEEE 2010 8 / 30

11. Algoritmos Gen´eticos (AG)
AG (III)
Mario Graff (University of Essex) IEEE 2010 9 / 30

12. Algoritmos Gen´eticos (AG)
Aplicaciones
Optimizaci´on
Dise˜no
Predicci´on
Clasificaci´on
Planificaci´on de recursos
Mario Graff (University of Essex) IEEE 2010 10 / 30

13. Algoritmos Gen´eticos (AG)
Aplicaciones
Optimizaci´on
Dise˜no
Predicci´on
Clasificaci´on
Planificaci´on de recursos
Mario Graff (University of Essex) IEEE 2010 10 / 30

14. Programaci´on Gen´etica (PG)
PG
Mario Graff (University of Essex) IEEE 2010 11 / 30

15. Programaci´on Gen´etica (PG)
PG (II)
Mario Graff (University of Essex) IEEE 2010 12 / 30

16. Programaci´on Gen´etica (PG)
Aplicaciones
Programaci´on autom´atica
Identificaci´on de sistemas
Algoritmos de compresi´on
Regresi´on simb´olica
Creaci´on de heur´ısticas
Mario Graff (University of Essex) IEEE 2010 13 / 30

17. Programaci´on Gen´etica (PG)
Aplicaciones
Programaci´on autom´atica
Identificaci´on de sistemas
Algoritmos de compresi´on
Regresi´on simb´olica
Creaci´on de heur´ısticas
Mario Graff (University of Essex) IEEE 2010 13 / 30

18. Programaci´on Gen´etica (PG)
¿Preguntas?
Mario Graff (University of Essex) IEEE 2010 14 / 30

19. Definici´on del Problema
Definici´on del Problema
Mario Graff (University of Essex) IEEE 2010 15 / 30

20. Definici´on del Problema
Problema (II)
Comanda
Ingredientes
Descripci´on de lo que se quiere
Posible soluci´on
Mario Graff (University of Essex) IEEE 2010 16 / 30

21. Definici´on del Problema
Problema (II)
Comanda
Ingredientes
Descripci´on de lo que se quiere
Posible soluci´on ... ineficiente
Mario Graff (University of Essex) IEEE 2010 16 / 30

22. Definici´on del Problema
Mejor Soluci´on
Mario Graff (University of Essex) IEEE 2010 17 / 30

23. Definici´on del Problema
Mejor Soluci´on (II)
Mario Graff (University of Essex) IEEE 2010 18 / 30

24. Modelado
MODELADO
Mario Graff (University of Essex) IEEE 2010 19 / 30

25. Modelado
Modelado
Mario Graff (University of Essex) IEEE 2010 20 / 30

26. Modelado
Modelado (II)
Mario Graff (University of Essex) IEEE 2010 21 / 30

27. Modelado
Modelado (III)
Mario Graff (University of Essex) IEEE 2010 22 / 30

28. Modelado
Modelado (IV)
calidad(Ingre) = a0 +
i∈S
ai similitud(Ingre, i)
Mario Graff (University of Essex) IEEE 2010 23 / 30

29. Modelado
Mejor Soluci´on (III)
Mario Graff (University of Essex) IEEE 2010 24 / 30

30. Aplicaciones
... interesante (aburrido) ... pero ¿para qu´e sirve?
Ingredientes ...
Par´ametro de motores
Ra´ıces de una ecuaci´on
Dise˜nar una linea de transmisi´on
Cocineros ...
M´etodos de optimizaci´on
M´etodos num´ericos
Programaci´on autom´atica
Mario Graff (University of Essex) IEEE 2010 25 / 30

31. Aplicaciones
... interesante (aburrido) ... pero ¿para qu´e sirve?
Ingredientes ... problema
Par´ametro de motores
Ra´ıces de una ecuaci´on
Dise˜nar una linea de transmisi´on
Cocineros ...
M´etodos de optimizaci´on
M´etodos num´ericos
Programaci´on autom´atica
Mario Graff (University of Essex) IEEE 2010 25 / 30

32. Aplicaciones
... interesante (aburrido) ... pero ¿para qu´e sirve?
Ingredientes ... problema
Par´ametro de motores
Ra´ıces de una ecuaci´on
Dise˜nar una linea de transmisi´on
Cocineros ... soluci´on del problema
M´etodos de optimizaci´on
M´etodos num´ericos
Programaci´on autom´atica
Mario Graff (University of Essex) IEEE 2010 25 / 30

33. Aplicaciones
Otros ejemplos
Algoritmos de Ordenamiento
Burbuja
Quicksort
Heapsort
Seleccionar un algoritmo
Recursi´on
Memoria
Tiempo
Librer´ıas
Optimizaci´on
Algebraicas
Factores
Arquitectura
Carga del servidor
Mario Graff (University of Essex) IEEE 2010 26 / 30

34. Aplicaciones
Predicci´on de Calidad
Requisitos
Problemas: t1, t2, . . . , tn
Similitud: d(ti , tj )
P(t) = a0 +
i∈S
ai d(t, i)
Mario Graff (University of Essex) IEEE 2010 27 / 30

35. Conclusiones
y todo esto porqu´e (motivaciones)
Modelos Exactos
Cadenas de Markov
Teor´ıa de Esquemas
Mario Graff (University of Essex) IEEE 2010 28 / 30

36. Conclusiones
y todo esto porqu´e (motivaciones)
Modelos Exactos
Cadenas de Markov
Teor´ıa de Esquemas
Cr´ıticas
N´umero de ecuaciones
Problemas no pr´acticos
Versiones simplificadas
Par´ametros no realistas (e.g. poblaciones infinitas)
Mario Graff (University of Essex) IEEE 2010 28 / 30

37. Conclusiones
y todo esto porqu´e (motivaciones)
Modelos Exactos
Cadenas de Markov
Teor´ıa de Esquemas
Cr´ıticas
N´umero de ecuaciones
Problemas no pr´acticos
Versiones simplificadas
Par´ametros no realistas (e.g. poblaciones infinitas)
Brecha entre la teor´ıa y la pr´actica
Mario Graff (University of Essex) IEEE 2010 28 / 30

38. Conclusiones
Conclusiones
¿Para qu´e modelar algoritmos?
Predecir calidad de la soluci´on
Seleccionar algoritmos
Obtener un mejor algoritmo
Optimizar recursos
Entender las diferencias entre diferentes algoritmos
Mario Graff (University of Essex) IEEE 2010 29 / 30

39. Conclusiones
...
¿Preguntas?
Mario Graff (University of Essex) IEEE 2010 30 / 30