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 [email protected] 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 [email protected] http://www.uv.mx/personal/emezura CA: Investigación y Aplicaciones de la Inteligencia Artificial
