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
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
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
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