1 / 16

M. Lozano, D. Molina, A.M. Sánchez, F. Herrera

M. Lozano, D. Molina, A.M. Sánchez, F. Herrera. Sesión Especial basada en la Special Session on Real-Parameter Optimization at CEC-05, Edinburgh, UK, 2-5 Sept. 2005 . MAEBs para Optimización Continua. Algoritmos genéticos con codificación real. Estrategias de evolución.

patty
Télécharger la présentation

M. Lozano, D. Molina, A.M. Sánchez, F. Herrera

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. M. Lozano, D. Molina, A.M. Sánchez, F. Herrera Sesión Especial basada en la Special Session on Real-Parameter Optimization at CEC-05, Edinburgh, UK, 2-5 Sept. 2005

  2. MAEBs para Optimización Continua • Algoritmos genéticos con codificación real. • Estrategias de evolución. • Programación evolutiva. • PSO y ACO. • Algoritmos meméticos. • Metaheurísticas clasicas: • Enfriamiento simulado. • ILS y VNS. • Búsqueda tabú.

  3. Evolución (CMA-ES) Completely derandomized self-adaptation in evolution strategiesHansen N, Ostermeier AEVOLUTIONARY COMPUTATION   9(2), 159-195, 2001.

  4. Evolución (AGsCod. Real) Tackling real-coded genetic algorithms: Operators and tools for behavioural analysisHerrera F, Lozano M, Verdegay JLARTIFICIAL INTELLIGENCE REVIEW  12(4) , 265-319, 1998.

  5. Objetivos Posibilitar un foro de encuentro entre investigadores con el objetivo de: • Comparar distintos modelos de MAEBs para optimización continua. • Seguir un marco experimental común. • Compartir ideas para avanzar hacia la obtención de mejores MAEBs.

  6. Precedentes SpecialSessionon Real-ParameterOptimization at CEC2005, Edinburgh, UK, 2-5 Sept. 2005. F. Herrera, M. Lozano (Eds.) (2005). Special Issue on Real Coded Genetic Algorithms: Foundations, Models and Operators. Soft Computing 9:4. Sesión Invitada en MAEB'03: Algoritmos Evolutivos con Codificación Real: Modelos y Operadores. Organizadores: F. Herrera y M. Lozano. Black-Box Optimization Benchmarking (BBOB) 2009. A GECCO Workshop for Real-Parameter Optimization

  7. Marco Experimental • Sesión Especial de Optimización Continua del CEC’2005: Suganthan, P.N., Hansen, N., Liang, J.J., Deb, K., Chen, Y.P., Auger, A., Tiwari, S. (2005). Problem definitions  and evaluation criteria for the CEC 2005 Special Session on Real Parameter Optimization. Technical Report. Nanyang Technological University.

  8. Marco Experimental • Problemas de prueba:Funciones F6-25. • Número de ejecuciones: 25 veces. • Medida de calidad: Media del error del mejor individuo de la población. E(X) = f(X) − f(X*), donde X* es el optimo de la función. • Dos estudios: • D=10 y 100.000 evaluaciones. • D=30 y 300.000 evaluaciones. • Condición de parada: Error obtenido es menor que 10-8, o cuando se alcanza el número máximo de evaluaciones.

  9. Problemas de Prueba Dejamos fuera f1-f5

  10. Problemas de Prueba

  11. Problemas de Prueba

  12. Algoritmos para Comparación

  13. Contribuciones Sesión 1. Miércoles 11-02-2009, 10:00 – 11:30 AGs con Codificación Real T1. Domingo Ortiz, A. de Haro-García, R. del Castillo-Gomariz Aprendizaje por reforzamiento aplicado al operador de cruce en algoritmos genéticos con codificación real T2. A.M. Sánchez, M. Lozano, F. Herrera Algoritmos Genéticos para Codificación Real con Operador de Cruce Híbrido con Múltiples Descendientes: 2BLX0.5-2FR0.5-2PNX3-2SBX0.01 Algoritmos Distribuidos T3. I.Robles, J.M. Benitez, M. Lozano, F. Herrera Implementación de un algoritmo genético distribuido para optimización de problemas reales T4. S. Muelas, J.M. Peña, A. La Torre y V. Robles Algoritmos Distribuidos Heterogéneos para problemas de Optimización Continua

  14. Contribuciones Sesión 2. Miércoles 11-02-2009, 12:00 – 13:30 PSO, DE, DMO, AEF T5. José García-Nieto, Javier Apolloni y Enrique Alba Algoritmo Basado en Cúmulos de Partículas y Evolución Diferencial para la Resolución de Problemas de Optimización Continua T6. AmilkarYudierPuri, Rafael Bello, Optimización basada en Mallas Dinámicas Su aplicación en la solución de problemas de optimización continuos T7. Silvia Alonso, Juan I. Jiménez, Himar Carmona, Blas Galván, Gabriel Winter, Begoña González Comportamiento de un Algoritmo Evolutivo Flexible Para Problemas de Optimización continua T8. La Torre, J. M. Peña, J. Fernández, y S. Muelas MOS como Herramienta para la Hibridación de Algoritmos Evolutivos

  15. Contribuciones Sesión 3. Miércoles 11-02-2009, 15:00 – 16:30 Modelos Híbridos T9. C. Blum, P. Cardoso, F. Herrera ACOR híbrido con múltiples colonias para problemas de optimización continua T10. Abraham Duarte, Rafael Marti, Fred Glover Adaptive Memory Programming for Global Optimization T11. D. Molina, M. Lozano, F. Herrera Algoritmo Memético Basado en Encadenamiento de Búsquedas Locales para Problemas de Optimización Continua

  16. Análisis y Debate Presentación de un análisis global de resultados: F. Herrera (5 Minutos) Debate: Nuevos retos en el desarrollo de modelos MAEB para optimización continua (20 minutos)

More Related