Cómputo Inspirado en la Naturaleza para Optimización y sus

Anuncio
Departamento de Inteligencia Artificial
Facultad de Física e Inteligencia Artificial
Universidad Veracruzana
Cómputo Inspirado en la
Naturaleza para Optimización y
sus Aplicaciones
Dr. Efrén Mezura-Montes
emezura@uv.mx
http://www.uv.mx/personal/emezura
CA: Investigación y Aplicaciones de la Inteligencia Artificial
Agenda
1.
2.
3.
4.
Optimización
Cómputo inspirado en la naturaleza
Investigación básica
Aplicaciones
1. Optimización
Los problemas con los
problemas del mundo real
[Michalewicz. 2004]
El número de soluciones posibles puede llegar a
ser prohibitivo para una búsqueda exhaustiva
El problema es muy complicado y sólo se
pueden utilizar modelos simplificados del mismo
La función objetivo puede variar con respecto al
tiempo
Las soluciones están altamente restringidas
Clasificación de problemas
Optimización
Optimización paramétrica
Optimización combinatoria
Optimización con restricciones
Optimización de estructuras de datos
Optimización dinámica
Satisfacción de restricciones
Técnicas clásicas
La Investigación de operaciones es la parte de
las matemáticas que ofrece y aplica técnicas
para resolver problemas de este tipo
Programación lineal
Programación entera
Programación no lineal
Programación dinámica
Toma de decisiones multicriterio
Ventajas
Son la primera opción para resolver un
problema de búsqueda/optimización
Si las características del problema se ajustan a
las condiciones requeridas por el método,
pueden garantizar encontrar la mejor solución
El costo computacional puede ser bajo en
condiciones adecuadas
Desventajas
En algunos problemas no pueden ser aplicadas
o pueden tardar mucho tiempo en devolver una
solución aceptable
Pueden estancarse en soluciones óptimas
locales
La aplicación puede requerir la transformación
del problema original
Algunos métodos distan de ser sencillos de
entender y/o aplicar
2. Cómputo inspirado en la
naturaleza
¿Naturalmente inspirados?
El cómputo inspirado en la naturaleza agrupa un
conjunto de algoritmos meta-heurísticos que
basan su comportamiento en fenómenos
encontrados en la naturaleza. Algoritmo
Modelo Biológico
Implementación
Imagén tomada de www.ams.jhu.edu/~tucker/ta/
Imagén tomada de http://www.hormiga.com
Algoritmos evolutivos
Emulan la evolución de las especies y la
supervivencia del más apto
Las aplicaciones principales se centran en
problemas de optimización
Inteligencia colectiva
Emula comportamientos sociales de organismos
sencillos donde emerge cierto nivel de
inteligencia
La comunicación es el mecanismo clave
Las aplicaciones se centran en problemas de
optimización, clasificación, agrupamiento,
robótica, entre otros
Intereses en investigación
Investigación
básica
Aplicaciones
• Nuevos algoritmos
• Mecanismos avanzados
• Adaptación/diseño de
algoritmos
• Calibración
3. Investigación básica
Nuevos algoritmos bioinspirados
Artificial Bee Colony (ABC) [Karaboga and
Basturk, 2003]
Bacterial Foraging Optimization (BFO) [Passino,
2002]
http://photos-from-my-life.blogspot.com/2006/10/bee-swarm.html
Restricciones dinámicas
Mecanismos de detección de cambios
Combinación con dinamismo de la función
objetivo
Modelos subrogados
Métodos estadísticos
Redes neuronales artificiales
Aproximar las restricciones de un problema
Ensambles de subrogados
Optimización multi-objetivo
Manejo de restricciones
Búsqueda autónoma
Calibración de parámetros
Ensambles
Incorporación de conocimiento
Algoritmos multi-operadores
Hiper-heurísticas
4. Aplicaciones
Cadenas de suministro
Efecto Látigo
Algoritmos evolutivos e inteligencia colectiva
Geometría computacional
Optimización de triangulaciones
Ant System
Diseño de horarios
Diseño de horarios escolares (caso real)
Algoritmo memético
Robótica evolutiva
Evolucionar neuro-controladores
Evolución diferencial
Manufactura esbelta
Reducción de tiempos de espera por falta de
surtimiento
Algoritmos genéticos
Seguridad
Cadenas de adición en criptografía
Programación evolutiva
Cómputo ubicuo
Inestabilidad cíclica en ambientes inteligentes
dinámicos
Evolución diferencial y PSO
Diseño mecánico
Optimización de modelos dinámicos
Algoritmos evolutivos
Detección de cáncer cérvicouterino
Registro y segmentación de imágenes
colposcópicas
Programación evolutiva
Detección de cáncer cérvicouterino
Discretización de series de tiempo de datos
colposcópicos
Algoritmo genético
Gracias por su atención.
Dr. Efrén Mezura-Montes
emezura@uv.mx
http://www.uv.mx/personal/emezura
CA: Investigación y Aplicaciones de la Inteligencia Artificial
Descargar