Computación Evolutiva

Curso AprendizajeClase1: Introducción, Paradigmas de Computación Evolutiva, Relación con otras Areas

Motivación

Cual es el resolvedor de problemas mas poderoso del Universo? El cerebro humano: que creo la

rueda, las computadoras, etc El Mecanismo Evolutivo: Que

creo el cerebro humano

Técnicas para Solución de Problemas Inspiradas en la Naturaleza

Cerebro Neuro-Computación Humano (Redes Neurales)

Evolución Computación Evolutiva

(Algoritmos Evolutivos)

Computación Evolutiva

Area Interdisciplinaria: relacionada con Biología, Inteligencia Artificial, OptimizaciónEstudia métodos de búsqueda y resolución de problemas inspirados en los mecanismos de la Evolución Natural

Criaturas Virutuales – Karl Sims

Cangrejo vs. Brazo

Culebra de agua

Saltador

Seguidor de 3 brazos

Criaturas Virutuales – Karl Sims

Evolución

Proceso de descendencia con cambio, y posiblemente diversificación

Componentes:PoblaciónVariación: en una o mas caracterísitcas Herencia: Transmisión padres - hijosSelección: Diferentes tasas de reproducción y sobrevivencia. Mas adaptados se reproducen mas

Naturaleza / Computación

Nature ComputerIndividualPopulationFitnessChromosomeGene

Crossover andMutationNatural Selection

Solution to a problemSet of solutionsQuality of a solutionEncoding for a solutionPart of the encoding of asolutionSearch operators

Reuse of good (sub-)solutions

Contenido

Historia, Paradigmas en Computación Evolutiva Estrategias Evolutivas (ES) Programación Evolutiva (EP) Algoritmos Genéticos (GAs) Ramificaciones de los GAs

Relación con otras áres (Busqueda, IA, Optimización, Heurísticas, Soft Computing, Computación Emergente)

Breve Historia

En los 50s y 60s varios científicos de manera independiente estudiaron sistemas evolutivos, con la idea usar la evolución como método optimización en ingenieríaIdea: Evolucionar una población de posibles soluciones a un problema dado, utilizando operadores inspirados por la variación genética, y la selección natural

Enfoques en Computación Evolutiva

EC = GA + ES + EPComputación

EvolutivaAlgoritmos Genéticos

(Holland, 75)

Estrategias Evolutivas

(Rechenberger, 73)

Programación Evolutiva

(Fogel, Owens, Walsh, 66)

Similares en un nivel abstracto, inspiradas en los principios de la Evolución Natural.

Diferencias a nivel de implementación. Aspectos de representación de las estructuras, operadores de variación, métodos de Selección, medidas de desempeño

Ramas de Algoritmos Genéticos

Programación Genetica (Genetic Programming, GP) Jhon Koza, 1989. Espacio de búsqueda, programas de computación en un lenguaje que puede ser modificado por mutación y recombinaciónGAs basados en ordenamiento (Order based GAs): utilizados en optimización combinatoria. Espacio de búsqueda: permutacionesSistemas Clasificadores Genéticos (Classifier Systems). Especio de reglas de producción, sistema de aprendizaje, inducir y generalizar

Esqueleto de un Algoritmo Evolutivo

Generate [P(0)]t 0WHILE NOT Termination_Criterion [P(t)] DO

Evaluate [P(t)]P' (t) Select [P(t)]P''(t) Apply_Variation_Operators

[P'(t)]P(t+1) Replace [P(t), P''(t)]t t + 1

ENDRETURN Best_Solution

El Ciclo Evolutivo

Recombination

MutationPopulation

Offspring

ParentsSelection

Replacement

Solución de Problemas usando Algoritmos Evolutivos

Algoritmos Genéticos

Jhon Holland, 60s, y 70s, Univ. MichiganIdea original estudio teórico de la adaptación, no resolución de prolemasRepresentación genética independiente del dominio: cadenas de bitsEnfásis en recombinación, operador principal, mutación papel secundario aplicado con baja probabilidad, constanteSelección probabilistica

Estrategias Evolutivas (1)ES, Evolution Strategies, Alemania. Evolutionstrategies

• Utilizadas para resolver problemas duros (sin solución anílitica) de optimización de parámetros (No. reales)

• Cromosoma = vector de parámetors (float)

• Auto-adaptación de las tasas de mutación, Mutación Distribución Normal, dos parámetros

• Selección (, )-ES, (+ )-ES

• Poblacion de padres e hijospuenden tener distinto tamaño

• Métodos determinísticos que excluyen definitivamente a los peores de la población

Estrategias Evolutivas (2)(, )-ES: Los mejores individuos se escongen de los hijos, y se convierten en los padres de la siguiente Generación. Ej. (50,100)-ES

+ )-ES: Los mejores individuos se escongen delconjunto formado padres y hijos.Ej. (50+100)-ES

(, )-ES parece ser el mas recomendado para optimizar Funciones complejas y lograr la auto-adaptación de las tasas de mutación

Estrategias Evolutivas (3)

El progreso del Algoritmo evolutivo, ocurre solo en una pequeña banda de valores para el paso de la mutación.

Por esta razón, se requiere de una regla auto-adaptiva para el ramaño de los pasos de mutación

Programación Evolutiva

•Inicialmente, evolución a traves de mutaciones de maquinas de estado finito

•Representación adecuada al problema

•Mutación único operador de variación, distribución normal, Auto-adaptación

•Selección probabilistica

ES EP GA

Representacion

Números Reales Números Reales Digitos Binarios

Auto-Adaptación

Desviaciones estándares y angulos de rotación

No (Standard EP)Varianzas (Meta EP)

No

Mutación Gaussiana, Operador principal

Gaussiana, Operador unico

Inversión de bit, operador secundario

Recombinación

Discreta (azar) Intermedia (promedio)

Sexual (2 padres), Panmicitica (Varios)

No Crossover de n-puntos, UniformeOperador principalSexual (2 Padres)

Selección Determinística, extintiva o basada en preservación

Probabilistica, extintiva

Probabilistica, basada en preservación

Algoritmos Evolutivos y Métodos Tradicionales de Búsqueda

Búsqueda de datos almacenados: Accesar de manera eficiente información en la memoria del computador. Ej. Busqueda BinariaBúsqueda de rutas hacia metas: Encontrar de manera eficiente un conjunto de acciones que llevara de un estado inicial a uno final (meta). Ej. DFS, Branch-bound, A*Búsqueda de Soluciones: Mas general. Encontrar de manera eficiente la solución a un problema, en un espacio grande de soluciones candidatas. Ej. EAs, SA, HC, Tabu

Relación con Inteligencia Artificial

Enfoque Simbólico – top down Sistemas Expertos-Expert Systems (SE-ES)

Lógica Proposicional (Cálculo Proposicional) Lógica de Predicados (Cálculo de Predicados) Redes Semánticas Frames (Marcos)

Lógica difusa o borrosa-Fuzzy Logic (LD-FL)

Enfoque Subsimbólico – bottom up Redes Neurales Artificiales Computación Evolutiva

Soft Computing

Difiere de la Computación tradicional (hard computing), en que es tolerante a imprecisiones, incertidumbre, aproximación, verdades parciales Modelo: mente humanaPrincipio Guía: aprovechar la tolerancia a los aspectos mencionados arriba, para lograr tratabilidad, robustez, bajo costo

SC = EC + ANN + FL

Soft Computin

g

Computación

Evolutiva

Redes Neurales Artificiale

s

Lógica Difusa

Computación EmergenteProcesos de cómputo que resultan de la actividad colectiva de muchas unidades computacionales sencillas con interacción localSistema dinámico, evoluciona en el espacio de estados bajo conjunto de reglas

- REDES NEURALES ARTIFICIALES- ALGORITMOS EVOLUTIVOS- AUTOMATAS CELULARES- MODELOS DE VIDA ARTIFICIAL.- RECOCIDO SIMULADO