lunes, 7 de julio de 2014

Algoritmo evolutivo de adaptación


Nesmachnow continúa mencionando que, diversas políticas para la selección y el reemplazo de individuos permiten modificar las características del algoritmo evolutivo. Aplicando políticas adecuadas es posible privilegiar los individuos más adaptados en cada generación, denominadas estrategias de elitismo, aumentar la presión selectiva sobre individuos mejor adaptados, generar un número reducido de descendientes en cada generación, con los modelos de estado estacionario, y otras muchas variantes. Los operadores evolutivos determinan el modo en que el algoritmo explora el espacio de soluciones del problema. Una gran diversidad de propuestas de operadores evolutivos ha surgido en los más de cuarenta años de vida de la computación evolutiva. Los diferentes operadores y las particularidades en su modo de aplicación dan características peculiares a las distintas variantes de algoritmos evolutivos. Los operadores de recombinación, que permiten combinar características de dos o más individuos con la idea de obtener descendientes mejor adaptados y los operadores de mutación, que introducen diversidad mediante modificaciones aleatorias, son los operadores evolutivos más difundidos. La condición de parada de la fase iterativa del algoritmo evolutivo usualmente toma en cuenta la cantidad de generaciones procesadas, deteniéndose el ciclo evolutivo al alcanzar un número prefijado de generaciones. Otras alternativas consideran la variación de los valores de adaptabilidad, deteniendo el ciclo evolutivo cuando el proceso se estanca y no obtiene mejoras considerables en los valores de adaptabilidad o estimaciones del error cometido respecto al valor óptimo del problema o una aproximación, en caso de conocerse.

El investigador Davis, en el libro escrito el año 1991 titulado “Manual de algoritmos genéticos”, menciona que las técnicas de hibridación refieren a la inclusión de conocimiento dependiente del problema en cuestión en un método de búsqueda, con el objetivo de mejorar el mecanismo de exploración del espacio de soluciones. La inclusión de conocimiento puede instrumentarse a nivel de la codificación empleada o a través de operadores específicos para la resolución del problema, diseñando los que se conocen como algoritmos híbridos fuertes. Una segunda posibilidad consiste en combinar dos o más métodos de resolución capaces de resolver el mismo problema, tratando de tomar ventajas de sus características distintivas para diseñar un nuevo algoritmo más preciso y más eficiente para la resolución del problema. De este modo se construyen los conocidos como algoritmos híbridos débiles. El algoritmo híbrido construido de esta manera define un nuevo mecanismo de exploración del espacio de soluciones del problema, que determina de qué modo y en qué momento se aplica cada uno de los métodos combinados, y cómo en los estados internos de cada algoritmo componente se reportan los resultados intermedios al otro algoritmo para que éste continúe la búsqueda. Usualmente, mediante el intercambio de pequeños conjuntos de soluciones parciales o de valores estadísticos es posible combinar algoritmos diferentes, diseñando algoritmos híbridos débiles de modo sencillo y con la posibilidad de esperar resultados eficientes y precisos en la resolución de un problema determinado.

El “algoritmo evolutivo de adaptación híbrida” fue propuesto por Gómez, en el artículo escrito el año 2004 bajo el titulo “Auto adaptación de las razones de los operadores en los algoritmos evolucionarios” y es presentado en un algoritmo evolutivo que desarrolla una técnica de control de parámetros híbrida, en la cual se mezclan técnicas de control de parámetros centralizadas y descentralizadas, donde cada individuo es evolucionado independientemente de los otros individuos de la población. En las generaciones del algoritmo, cada individuo selecciona solo un operador de un grupo de posibles operadores, tales operadores son seleccionados de acuerdo a una razón del operador codificada en el individuo que será actualizada utilizando un mecanismo de aprendizaje aleatorio, este mecanismo aleatorio se define localmente, por individuo, utilizando la probabilidad del operador genético y una probabilidad de aprendizaje. Si un operador no-unario es seleccionado, los padres adicionales son seleccionados utilizando alguna estrategia de selección, entre los descendientes producidos por el operador genéticos, sólo un individuo es elegido como hijo, y tomará el lugar de su padre en la siguiente generación. Para garantizar buenos individuos a través de la evolución, el algoritmo evolutivo de adaptación híbrida compara los padres contra la descendencia generada por el operador, el mecanismo de selección de la función “Mejor” determinará el descendiente que tiene el valor de adaptabilidad más alto. Sin embargo un padre es preservado a través de la evolución, si este es mejor que todos los posibles individuos generados aplicando el operador genético. Finalmente las probabilidades de los operadores son adaptadas de acuerdo al rendimiento alcanzado por la descendencia, comparada con la de sus padres y la probabilidad de aprendizaje generada.

No hay comentarios:

Publicar un comentario en la entrada