aplicaciones de algoritmos genéticos angel kuri instituto tecnológico autónomo de méxico mayo,...

Aplicaciones de Algoritmos Genéticos

Angel KuriInstituto Tecnológico Autónomo de

MéxicoMayo, 2003

Optimización

Los Algoritmos Genéticos son meta-heurísticos basados en una analogía con los procesos evolutivos, en donde tres ideas sobresalen:

a) Cualquier problema optimizable puede someterse a un proceso de codificación.

b) Un problema así codificado es más fácilmente atacable que su contraparte no codificada.

c) Los operadores genéticos, llamados selección, cruzamiento y mutación son suficientes para explorar completa y eficientemente el espacio de soluciones.

Optimización(Todo problema es codificable)

Para que esto se cumpla debemos restringir los espacios de solución a un subconjunto finito del original.

Esta no es una fuente de problemas ni conceptuales ni prácticos ya que, en todos los casos, la solución compu-tacional de cualquier problema está codificada digitalmente.

Optimización (Un problema codificado es más fácil de atacar)

Esto no es obvio. Pero la amplia evidencia al respecto deja poca posibilidad de duda.

Más importantemente, argumentos teóricos no dejan duda:

a) Los AGs siempre convergen a la mejor solución.

b) La convergenia es,usualmente, muy eficiente.

Optimización(La aplicación de los operadores genéticos arroja

un desempeño eficiente)

Nuestra meta al diseñar AGs es hacer que la convergencia mencionada sea tan eficiente como se pueda.

Dos fuentes de ineficiencia han sido claramente determinadas:

a) Funciones Deceptivas

b) Correlación Espuria

Algoritmo de Vasconcelos

Para evitar las limitaciones del AGS hemos introducido el llamado AG de Vasconcelos.

Posee:a) Acoplamiento determinístico (i -> n-i+1)b) Cruzamiento anular

c) Mutación uniformed) Elitismo completo

Acoplamiento Determinístico

Cruzamiento Anular

Elitismo Completo

Ejemplo de Aplicación

Optimización de una función sujeta a restricciones» Funciones Lineales» Restricciones Lineales» Funciones no-lineales» Restricciones No-lineales

Función de Adaptación

donde s es el número de restricciones satisfechas y

casootroens

cumplensescondicionelastodassixxxf

)1025(10

96)( 79

21

40 s

Representación Numérica

Genoma de punto Fijo

Ejemplo Numérico

Corrida de Muestra

Corrida de Muestra

Sample Run

Corrida de Muestra

Corrida de Muestra

Corrida de Muestra

Asignación de Tareas en una Línea de Producción (Job

scheduling)

Este problema consiste en encontrar el orden óptimo de ejecución de tareas en máquinas de un proceso industrial.

Cada una de las tareas tarda un cierto tiempo en ser ejecutada. Estos tiempos son diferentes para cada tarea (job) en cada máquina.

Job Scheduling

En la figura se ilustra una matriz de costos para 9 jobs y 6 máquinas:

Job Scheduling

La solución, entonces, consistirá de 9 números. Por ejemplo, una posible “solución” sería la secuencia

2,3,4,6,1,5,9,8,7 que indica que los jobs se alimentan a las 6

máquinas en el orden indicado. Es fácil ver, de la matriz de costos, que esta secuencia toma 119 unidades de tiempo

en ser procesada.

Job Scheduling

Para representar esta secuencia en binario, necesitamos 4 bits por cada job y, por tanto, 36 bits en total:

0010, 0011, 0100, 0110, 0001, 0101, 2 3 4 6 1 5

1001, 1100, 0111 9 8 7

Job Scheduling

Un individuo, para el algoritmo genético, consiste, entonces, de 36 bits.

Nótese, sin embargo, que las combinaciones binarias 1010, 1011, 1100, 1101, 1110 y 1111 están “prohibidas” ya que los jobs 10, 11, 12, 13, 14 y 15 no existen.

Job Scheduling

Tampoco es válido que alguno de los jobs se repita en el genoma.

Por ejemplo, la combinación 1,3,5,7,9,2,4,3,8 aunque contiene solamente jobs entre 1

y 9, es inválida porque el job 3 aparece dos veces.

Reparación

Estos individuos inválidos pueden aparecer como resultado de la aplicación de los operadores genéticos de cruzamiento y/o mutación.

Considérense los genomas válidos000100100011010001010110011110001001y100110000111011001010100001100100001

Reparación

Si el cruzamiento ocurre en el punto que se ilustra:00010010001101000101 0110011110001001 1 2 3 4 5 6 7 8 910011000011101100101 0100001100100001 9 8 7 6 5 4 3 2 1“nacen” los individuos00010010001101000101 0100001100100001 1 2 3 4 5 4 3 2 110011000011101100101 0110011110001001 9 8 7 6 5 6 7 8 9

Reparación

Por lo tanto, se debe incluir un operador de reparación, que convierta individuos inválidos en otros que no lo sean.

Ejemplo No-NuméricoJob Scheduling

Ejemplo No-Numérico

Ejemplo No-NuméricoResultados en la Generación 18

Ejemplo No-Numérico Resultados en la Generación 50

Como se puede ver, el algoritmo encontró la solución en la generación 18

Ejemplo No-NuméricoResultados

Problema de SchedulingSimulación

Problema de SchedulingSimulación

Conclusiones

En los problemas que ilustramos no hay, esencialmente, ningún cambio en el AG mismo. Es decir, el mismo algoritmos trabaja en problemas diferentes.

La metodología, por ello, es aplicable a un amplio rango de problemas.

Ahora veamos el programa!