uso de coevoluci´on para optimizaci´on evolutiva...
TRANSCRIPT
Uso de Coevolucionpara Optimizacion Evolutiva Multiobjetivo
Marıa Margarita Reyes Sierra
Avance de Trabajo Doctoral
Asesor: Dr. Carlos A. Coello Coello
Reyes Sierra Marıa Margarita Seminario de Doctorado
Contenido
1. Motivacion y Objetivos
2. Definicion del Problema
3. Coevolucion
4. Trabajo Previo
5. Descripcion del Algoritmo
6. Resultados
7. Publicaciones
8. Conclusiones y Trabajo Futuro
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
1. Motivacion y Objetivos
La mayorıa de los problemas de optimizacion del mundo realtienen varias funciones objetivo, si bien estas tienden asimplificarse transformandolas (todas excepto una) enrestricciones adicionales al problema.
Una de las motivaciones principales para usar algoritmosevolutivos en la optimizacion multiobjetivo es que estospermiten la generacion de multiples solucionessimultaneamente (dado que son una tecnica poblacional).
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
A pesar del considerable volumen de investigacion realizada ala fecha en optimizacion evolutiva multiobjetivo, no ha sidosino hasta recientemente que se ha enfatizado la importanciade desarrollar algoritmos mas robustos y eficientescomputacionalmente.
Por otra parte, el uso de mecanismos coevolutivos enoptimizacion multiobjetivo ha sido muy limitado en laliteratura especializada.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Objetivos
1. Implementar un algoritmo coevolutivo para optimizacionmultiobjetivo en el cual el enfasis principal sera la eficienciacomputacional (medida en terminos del numero de evaluacionesde la funcion de aptitud que se realicen).
2. Estudiar el papel de los operadores geneticos en el algoritmocoevolutivo multiobjectivo antes mencionado, sobre todo en loreferente a su desempeno y sus propiedades de convergencia.
3. Adquirir conocimientos profundos sobre algunos aspectosformales relacionados con los esquemas coevolutivos.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
2. Definicion del Problema
Formalmente, nos interesa resolver problemas del tipo:
minimizar [f1(~x), f2(~x), . . . , fk(~x)] (1)
sujeto a las m restricciones de desigualdad:
gi(~x) ≥ 0 i = 1, 2, . . . ,m (2)
y las p restricciones de igualdad:
hi(~x) = 0 i = 1, 2, . . . , p (3)
donde k es el numero de funciones objetivo fi : Rn → R.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Llamamos a ~x = [x1, x2, . . . , xn]T el vector de variables dedecision. Deseamos entonces determinar de entre el conjunto Fde todos los vectores que satisfacen (2) y (3), al vectorx∗1, x
∗2, . . . , x
∗n que nos proporcione los valores optimos para el
conjunto de las funciones objetivo.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Decimos que un vector de variables de decision ~x∗ ∈ F es unoptimo de Pareto si no existe otra ~x ∈ F tal que fi(~x) ≤ fi(~x∗)para toda i = 1, . . . , k y fj(~x) < fj(~x∗) para al menos una j.
Los vectores ~x∗ correspondientes a las soluciones incluidas en elconjunto de optimos de Pareto se denominan no dominados. Lagrafica de las funciones objetivo cuyos vectores estan en elconjunto de optimos de Pareto se denomina frente de Pareto.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
f1
f2
a
b c
d e
domina a todos los demas
domina a y c d e
a b y dominan a
a ´
c
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
��
����
����
��
����
��
��������
����
f1
Frente dePareto
2f
1
2x
xEspacio de las variables de decisión. Espacio de las funciones objetivo.
Individuos no dominados.
Individuos del espacio de busqueda.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
3. Coevolucion
La coevolucion es un cambio en la composicion genetica de unaespecie (o grupo de especies) como respuesta a un cambiogenetico en otra. De manera mas general y estricta, lacoevolucion es un cambio evolutivo recıproco en especiesque interactuan.
El termino es usualmente atribuido a Ehrlich y Raven por susestudios sobre las mariposas y las plantas en 1964, pero enrealidad fue usado por otros investigadores antes que ellos y laidea fue presentada originalmente en el Origen de las Especies.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
A B
Neutralismo 0 0 Las poblaciones A y B son independientes.
Mutualismo + + Las dos poblaciones se benefician de la
relacion.
Comensalismo + 0 Una de las especies se beneficia de la
relacion pero la otra no se beneficia
ni tampoco es perjudicada.
Competencia - - Ambas especies tienen un efecto negativo
sobre la otra dado que compiten por
los mismos recursos.
Predador-Presa + - El predador (A) se beneficia mientras
la presa (B) es afectada de manera
negativa.
Parasitismo + - El parasito (A) se beneficia mientras
el huesped (B) es afectada de
manera negativa.
El comensalismo y el mutualismo son comunmente agrupados y mejor conocidos
como simbiosis.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Dentro de la computacion evolutiva se han desarrollado algunosenfoques coevolutivos en los que generalmente se usan dos omas especies que se relacionan en alguna de las modalidadesmencionadas anteriormente, y que evolucionan de maneraindependiente a traves de un algoritmo genetico (propio), en lamayorıa de los casos.
La importancia de estos enfoques es que la aptitud de unindividuo esta en funcion de otros individuos de algunapoblacion distinta.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
4. Trabajo Previo
Existen pocas aplicaciones de esquemas coevolutivos a problemasde optimizacion multiobjetivo:
Parmee y Watson [1999] plantean un enfoque colaborativo paraun problema con dos funciones objetivo en el que se proponeusar una poblacion por cada funcion objetivo.
Jiangming Mao et.al. [2001] aplicaron el algoritmo geneticosimbiotico propuesto en [Hirasawa00] a problemasmultiobjetivo. En este trabajo se usan dos factores simbioticos:θij y θml. El primero representa la relacion entre individuos yel segundo la relacion entre funciones objetivo.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Barbosa y Barreto [2001] proponen un esquema cooperativopara una aplicacion multiobjetivo en diseno de graficas. Setrata de un algoritmo genetico coevolutivo interactivo, en elque se mantienen dos poblaciones que evolucionan de maneraindependiente: una de posibles soluciones y otra de pesos.
Keerativuttitumrong et.al [2002] proponen un esquemacooperativo para optimizacion multiobjetivo. Este enfoquepropone el uso de una poblacion por cada variable de decisiondel problema. La evolucion en cada una de las poblaciones selleva a cabo mediante el algoritmo MOGA [Fonseca93].
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
5. Descripcion del Algoritmo
La idea principal de este algoritmo es tratar de enfocar losesfuerzos de la busqueda unicamente en zonas prometedoras delespacio total. Para poder determinar que zonas del espacio debusqueda son prometedoras, se lleva a cabo un analisis muysimple del frente de Pareto conocido.
El proceso evolutivo del algoritmo que estamos proponiendoesta dividido en 4 etapas. Estas etapas estan determinadaspor el numero de generaciones que el algoritmo debe correr:cada una consta de un cuarto del total.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
1. gen = 0
2. poblaciones = 1
3. while (gen < Gmax){4. if(gen = Gmax/4 o Gmax/2 o 3 ∗Gmax/4){5. chequeo de poblaciones activas()
6. analisis de variables()
(calculo de divisiones)
7. construccion de nuevas poblaciones()
(actualizacion de poblaciones)
}8. for (i = 1; i ≤ poblaciones; i+ +)
9. if (poblacion i contribuye al frente de Pareto actual)
10. evoluciona y compite(i)
11. elitismo()
12. reasignacion de recursos()
13. gen+ +
}
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
En cada generacion, la evolucion de todas las poblaciones selleva a cabo de manera independiente (mediante el algoritmogenetico MOGA [Fonseca93]) y, posteriormente,
los elementos no dominados de cada subpoblacion son enviadosa la malla adaptativa (propuesta en [Knowles00]), donde“cooperan” y “compiten” al formar un solo frente de Pareto.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Analisis de Variables
Se lleva a cabo para cada una de las variables del problema.
Conviene dividir
No conviene dividir
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Calculo de divisiones
if (rango <0.8∗intervalo)while (dmin <0.2∗intervalo){
divisiones+ +;intervalo =0.2∗intervalo;
}
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Construccion de Poblaciones
1 1 32
variable 1 variable 2
1
1
1
1
2
3
variable 1 variable 2
Intervalo de la Intervalo de la
0 divisiones 2 divisiones
Poblacion 3
Poblacion 1
Poblacion 2
´
´
´
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Reasignacion de Recursos
Para cada poblacion, se calcula el porcentaje del total deindividuos con los que cuenta y el porcentaje de puntos en elfrente de Pareto que proporciono en la generacion anterior.
Estos porcentajes se comparan y, si el porcentaje de individuoscorrespondientes en el frente es mayor que el de individuostotales, la poblacion es “premiada” con una cantidad deindividuos proporcional a la diferencia en los porcentajes. Encaso contrario, el tamano de la poblacion es disminuida.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
50%
50% 20%
80% 80%
20%
Poblacion 1
Poblacion 2´
´
total de individuosporcentaje del
evolucionando de Paretoen el frente
De esta manera, entre mas individuos logre colocar unapoblacion en el frente de Pareto actual, mas oportunidadestiene de sobrevivir.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
1 n. . .
. . .
Pob 1 Pob n
malla(frente de Pareto)
nuev
o ta
mañ
o de
pob
nuev
o ta
mañ
o de
pob
Espacio de busqueda´
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Parametros
En general, el algoritmo disenado requiere los siguientesparametros:
1. Probabilidades de cruza (pc) y mutacion (pm).
2. Numero maximo de generaciones (Gmax).
3. Tamano de la poblacion inicial (popsizeinit) a usarse en laprimera etapa y tamano (mınimo) de la poblacion secundaria(popsizesec) a usarse en las etapas posteriores.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
6. Resultados
Con la finalidad de evaluar el algoritmo propuesto, se usaron cuatrofunciones distintas reportadas en la literatura de optimizacionevolutiva multiobjetivo [Coello02], y se realizaron comparacionescon los algoritmos µ-AG [Coello01], PAES [Knowles00] y NSGAII[Deb02].
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Metricas
TE: Metrica de Veldhuizen [1999] para calcular el numero demiembros del frente de Pareto conocido que no son miembrosdel verdadero frente (Tasa de Error).
TE =∑ni=1 ein
donde n es el numero de vectores en el conjunto actual devectores no dominados; ei = 0 si el vector i es miembro delconjunto de optimos de Pareto, y ei = 1 de lo contrario. Parapoder usar esta metrica fueron generados los verdaderos frentesde Pareto de cada funcion.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
DG: Metrica de Veldhuizen & Lamont [1999] para distancia alverdadero frente de Pareto (Distancia Generacional).
DG =
√∑ni=1 d
2i
n
donde n es el numero de vectores no dominados encontradospor el algoritmo y di es la distancia Euclidiana entre cada unode dichos puntos y el miembro mas cercano del verdaderofrente de Pareto.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
ESS: Metrica de Schott para dispersion ESS (Efficiente SetSpacing)[1995].
S =
√
√
√
√
1n− 1
n∑
i=1
(d− di)2
donde di = minj(∑mk=1 |f im − f jm|), i, j = 1, ..., n, m es el
numero de objetivos, d es el promedio de todas las di, y n es elnumero de vectores en el frente de Pareto encontrado por elalgoritmo.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
C: Metrica propuesta por Zitzler en [2000] para comparar lacobertura relativa entre dos conjuntos de vectores en el espaciode las funciones (Two Set Coverage). ConsiderandoX ′, X ′′ ⊆ X, C esta definida como:
C(X ′, X ′′) =|{a′′ ∈ X ′′ : ∃a′ ∈ X ′ : a′ � a′′}|
|X ′′|
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Funcion 1
Minf1(x) =
−x −5,0 ≤ x ≤ 1,0
−2 + x 1,0 ≤ x ≤ 3,0
4− x 3,0 ≤ x ≤ 4,0
−4 + x 4,0 ≤ x ≤ 10,0
Minf2(x) = (x− 5)2
−5,0 ≤ x ≤ 10,0
Los parametros que uso nuestro algoritmo fueron: popsizeinit = 20,popsizerec = 20, pc = 0,8 y pm = 1/codesize (codesize = tamanode la cadena).
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Funcion 1 (500 evaluaciones)
COEV Micro-AG PAES NSGAII
mejor 0.0 0.0 0.0 0.0
mediana 0.01 0.04 0.02 0.02
TE peor 0.07 0.09 0.46 0.07
promedio 0.015 0.04 0.12 0.028
desv.est. 0.0158 0.024 0.1639 0.0183
mejor 0.0006 0.0008 0.0001 0.0006
mediana 0.0008 0.0025 0.0123 0.0009
DG peor 0.004 0.0323 0.1369 0.0096
promedio 0.0001 0.0058 0.0381 0.0019
desv.est. 0.0006 0.0074 0.0471 0.0019
mejor 0.048 0.041 0.006 0.031
mediana 0.057 0.224 0.056 0.056
ESS peor 0.136 0.549 3.669 0.146
promedio 0.066 0.239 0.429 0.061
desv.est. 0.020 0.1141 0.8178 0.0256
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Funcion 1 - Valores de la metrica C
X C(X,COEV) C(X,Micro-AG) C(X,PAES) C(X,NSGAII)
COEV 0.0 0.048 0.02 0.01
Micro-AG 0.0 0.0 0.02 0.0
PAES 0.0 0.048 0.0 0.01
NSGAII 0.01 0.048 0.02 0.0
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
COEV Micro-AG
0
2
4
6
8
10
12
14
16
18
-1 -0.5 0 0.5 1
"coev_f1.dat"
0
2
4
6
8
10
12
14
16
18
-1 -0.5 0 0.5 1
"micro_f1.dat"
PAES NSGAII
0
2
4
6
8
10
12
14
16
18
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2
"paes_f1.dat"
0
2
4
6
8
10
12
14
16
18
-1 -0.5 0 0.5 1
"nsgaII_f1.dat"
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Funcion 2
Minf1(x1, x2) = x1
Minf2(x1, x2) =g(x2)x1
dondeg(x2) = 2,0− e−(
x2−0,20,004 )2
− 0,8e−(x2−0,6
0,4 )2
0,1 ≤ x1, x2 ≤ 1,0
Los parametros que uso nuestro algoritmo fueron:popsizeinit = 100, popsizerec = 30, pc = 0,8 y pm = 1/codesize.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Funcion 2 (9600 evaluaciones)
COEV Micro-AG PAES NSGAII
mejor 0.16 0.05 0.0 0.0
mediana 0.28 0.15 0.24 0.01
TE peor 1.0 1.0 1.0 1.0
promedio 0.40 0.19 0.44 0.243
desv.est. 0.277 0.180 0.4271 0.4251
mejor 0.01 0.0045 0.0027 0.0085
mediana 0.075 0.0349 0.0517 0.0091
DG peor 0.18 0.154 0.2257 0.2028
promedio 0.080 0.042 0.0771 0.0314
desv.est. 0.0361 0.0415 0.0717 0.0562
mejor 0.041 0.033 0.029 0.026
mediana 0.193 0.071 0.087 0.033
ESS peor 1.5 0.906 0.504 0.056
promedio 0.274 0.220 0.110 0.034
desv.est. 0.2186 0.2328 0.1065 0.0066
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Funcion 2 - Valores de la metrica C
X C(X,COEV) C(X,Micro-AG) C(X,PAES) C(X,NSGAII)
COEV 0.0 0.09 0.01 0.01
Micro-AG 0.24 0.0 0.16 0.02
PAES 0.06 0.04 0.0 0.01
NSGAII 0.35 0.12 0.24 0.0
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
COEV Micro-AG
0
2
4
6
8
10
12
14
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
"coev_f4.dat"
0
2
4
6
8
10
12
14
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
"micro_f4.dat"
PAES NSGAII
0
2
4
6
8
10
12
14
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
"paes_f4.dat"
0
2
4
6
8
10
12
14
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
"nsgaII_f4.dat"
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Version Paralela
La version secuencial del algoritmo se implemento en paralelousando un esquema maestro-esclavo y mediante dos estrategiasdistintas: Pthreads (memoria compartida) y MPI (memoriadistribuida).
Ambas versiones paralelas disminuyen el tiempo de ejecuciondel algoritmo secuencial de manera considerable, manteniendola calidad de los resultados.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
En el caso de Pthreads, dado un numero fijo de threads, se hizouna reparticion dinamica del numero total de poblaciones: losthreads llevan a cabo la evolucion de la siguiente poblaciondisponible.
En el caso de MPI, dado un numero fijo de procesos esclavos,se hizo una reparticion fija del numero total de poblacionesentre el numero de procesos, de manera que a todos les tocaranel mismo numero de poblaciones.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Para todas las pruebas realizadas con las tres versiones denuestro algoritmo se usaron los parametros: pc = 0,8,pm = 1/codesize y popsizeinit = popsizesec = 20.
El numero maximo de generaciones (Gmax) se ajusto en cadacaso de manera que siempre se realizaran un promedio de40,000 evaluaciones de la funcion objetivo. Las pruebas fueronrealizadas en una maquina con 4 procesadores.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Funcion 1
Minf1(x1, x2) = x1
Minf2(x1, x2) = (1,0 + 10,0x2)
(1,0− x1
1,0 + 10,0x2
2− x1
1,0 + 10,0x2Sen(2π4x1))
0,0 ≤ x1, x2 ≤ 1,0
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
PAES Serial Pthreads MPI
SP=2.9541 SP=2.5185
best 0.01 0.22 0.16 0.09
median 0.06 0.40 0.36 0.39
ER worst 0.12 0.57 0.57 0.56
average 0.057 0.39 0.37 0.36
std. dev. 0.0301 0.1164 0.1215 0.1283
best 0.001030 0.000596 0.000606 0.000564
median 0.001305 0.000818 0.000807 0.000875
IGD worst 0.003224 0.003277 0.003277 0.002906
average 0.001382 0.001062 0.001061 0.001204
std. dev. 0.000409 0.000638 0.000638 0.000637
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
PAES Serial Version
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
"paesf1.dat"
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
"sec1.dat"
Pthreads Version MPI Version
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
"pth1.dat"
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
"mpi1.dat"
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
8. Publicaciones
Congreso Nacional
Marıa Margarita Reyes Sierra y Carlos A. Coello Coello.Optimizacion multiobjetivo usando un algoritmocoevolutivo, XXXVI Congreso Nacional de la SociedadMatematica Mexicana. Pachuca, Hidalgo. Octubre de 2003.Presentado y a someterse para publicacion.
Congreso Internacional
Carlos A. Coello Coello and Marıa Margarita Reyes Sierra. ACoevolutionary Multi-Objective EvolutionaryAlgorithm, Congress on Evolutionary Computation, IEEEPress, Sydney, Australia, December 2003.Aceptado para publicacion.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
9. Conclusiones y Trabajo Futuro
Se diseno un algoritmo coevolutivo para optimizacion evolutivamultiobjetivo cuya idea principal es subdividir el espacio debusqueda en diferentes subregiones y detectar aquellas que seanzonas “prometedoras” para enfatizar la busqueda en ellas.
El algoritmo lleva a cabo un analisis muy sencillo para detectarque variables del problema son mas importantes y, con base enlos resultados, fracciona el espacio de busqueda.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
El algoritmo propuesto fue evaluado con 4 funciones de pruebaconocidas y comparado con los algoritmos Micro-AG, NSGAIIy PAES. Los resultados obtenidos muestran que el algoritmo escompetitivo dado que su desempeno es equiparable al de losalgoritmos representativos del estado del arte.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
La mayor desventaja del algoritmo propuesto es el numero depoblaciones que en determinado momento debiera manejar. Poreste motivo, se ha planteado como trabajo futuro una versionen la que no sea necesario el uso de multiples poblaciones.
Ası tambien, se planea implementar un algoritmo de clusterspara el analisis de sensibilidad de las variables del problema.Un algoritmo de este tipo proporcionarıa informacion masacertada respecto a las zonas en las cuales se debiera reforzar labusqueda.
CINVESTAV-IPN Otono 2003
Reyes Sierra Marıa Margarita Seminario de Doctorado
Se trabajara el grado de elitismo manejado por el algoritmopuesto que la version actual sufre de convergencia prematuracuando existen frentes falsos de fuerte atraccion.
Finalmente, se planea incorporar un esquema de manejo derestricciones que permitan la aplicacion del algoritmo enfunciones restringidas.
El trabajo realizado se relaciona con el primer objetivo definidopreviamente de esta tesis doctoral, por lo que siguen pendienteslos objetivos 2 y 3.
CINVESTAV-IPN Otono 2003