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

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 b...

Full description

Bibliographic Details
Author: Dios San Feliciano, Antonio De
Format: master thesis
Publication Date:2012
Country:España
Institution:Universidad Nacional de Educación a Distancia
Repository:e-spacio. Repositorio Institucional de la UNED
Language:Spanish
OAI Identifier:oai:e-spacio.uned.es:20.500.14468/14126
Online Access:https://hdl.handle.net/20.500.14468/14126
Access Level:Open access
Keyword:1203.04 Inteligencia artificial
id ES_06407334caff06d7a93dff1d319cd6ab
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/14126
network_acronym_str ES
network_name_str España
repository_id_str
spelling Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos GenéticosDios San Feliciano, Antonio De1203.04 Inteligencia artificialEl 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.Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial.Fernández Galán, Severinoe-Spacio UNED20242024-05-2020122012-06-2120122012-06-21master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/14126reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/141262026-06-06T12:38:31Z
dc.title.none.fl_str_mv Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
title Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
spellingShingle Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
Dios San Feliciano, Antonio De
1203.04 Inteligencia artificial
title_short Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
title_full Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
title_fullStr Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
title_full_unstemmed Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
title_sort Técnicas Robustas de Control de la Fase de Agrupamiento en Algoritmos Genéticos
dc.creator.none.fl_str_mv Dios San Feliciano, Antonio De
author Dios San Feliciano, Antonio De
author_facet Dios San Feliciano, Antonio De
author_role author
dc.contributor.none.fl_str_mv Fernández Galán, Severino
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.04 Inteligencia artificial
topic 1203.04 Inteligencia artificial
description 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.
publishDate 2012
dc.date.none.fl_str_mv 2012
2012-06-21
2012
2012-06-21
2024
2024-05-20
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/14126
url https://hdl.handle.net/20.500.14468/14126
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial.
publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial.
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869402904837750784
score 15.812429

Similar Items