Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos

Dios San Feliciano, Antonio De. (2012). Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial.

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
DeDios_SanFeliciano_Antonio_TFM.pdf DeDios_SanFeliciano_Antonio_TFM.pdf application/pdf 1.22MB

Título Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
Autor(es) Dios San Feliciano, Antonio De
Resumen El presente trabajo trata la optimizacion de funciones de variable real. Para llevar a cabo dicha tarea se emplean metodos evolutivos, que consituyen una opcion util cuando los metodos analticos no son aplicables a estos problemas de optimizacion. Los algoritmos geneticos son metodos evolutivos de busqueda estocastica, inspirados en la teora de la evolucion, que permiten optimizar funciones. Sin embargo, los algoritmos geneticos poseen el problema de la convergencia prematura, que consiste en que la poblacion tiende a concentrarse sobre ciertos optimos locales, produciendo que el proceso de busqueda arroje como solucion un resultado suboptimo. En la practica, este problema es difcil de detectar pues muchas veces no se conoce a priori el valor del optimo global. Una de las causas de la convergencia prematura es una elevada presion selectiva, que restringe la exploracion en favor de la explotacion. La fase o tecnica de Agrupamiento (crowding en ingles) se emplea en algoritmos geneticos para mantener la diversidad de la poblacion y as evitar la convergencia prematura. A grandes rasgos, esta tecnica consiste en emparejar cada descendiente con un individuo similar en la poblacion actual (fase de emparejamiento) y decidir cual de los dos individuos sobrevive (fase de reemplazo). El presente trabajo se centra en controlar la fase de agrupamiento en algoritmos geneticos, de manera que se aplique en cada generacion del algoritmo la presion selectiva adecuada para que el proceso de busqueda sea lo mas efectivo posible. Cuando hay demasiada presion selectiva el algoritmo puede acabar en optimos locales y cuando hay poca presion selectiva se desperdicia mucho tiempo de computacion explorando soluciones poco prometedoras. Por tanto, se trata de conseguir un equilibrio entre estos dos aspectos a lo largo de todo el proceso de busqueda.
Notas adicionales Trabajo de Fin de Máster. Máster Universitario en I.A. Avanzada: Fundamentos, Métodos y Aplicaciones. UNED
Materia(s) Ingeniería Informática
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial.
Director/Tutor Fernandez Galan, Severino
Fecha 2012-06-21
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-IAA-Addios
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-IAA-Addios
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 194 Visitas, 70 Descargas  -  Estadísticas en detalle
Creado: Mon, 12 Jul 2021, 19:04:00 CET