Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 60 vistas

    Practica 5

    Cargado por

    Patrick Anthony Lazo Colque
    Un algoritmo memético combina una búsqueda global basada en poblaciones con heurísticas de búsqueda local realizadas por cada individuo. Cada individuo realiza una búsqueda local análoga a la evolución cultural o aprendizaje para mejorar su solución. Los algoritmos meméticos inicializan una población que es optimizada mediante la alternancia de períodos de auto-mejora local y selección entre individuos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Practica 5

    Cargado por

    Patrick Anthony Lazo Colque
    60 vistas14 páginas
    Un algoritmo memético combina una búsqueda global basada en poblaciones con heurísticas de búsqueda local realizadas por cada individuo. Cada individuo realiza una búsqueda local análoga a la evolución cultural o aprendizaje para mejorar su solución. Los algoritmos meméticos inicializan una población que es optimizada mediante la alternancia de períodos de auto-mejora local y selección entre individuos.

    Descripción original:

    bioinspirada

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Un algoritmo memético combina una búsqueda global basada en poblaciones con heurísticas de búsqueda local realizadas por cada individuo. Cada individuo realiza una búsqueda local análoga a la evolución cultural o aprendizaje para mejorar su solución. Los algoritmos meméticos inicializan una población que es optimizada mediante la alternancia de períodos de auto-mejora local y selección entre individuos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    60 vistas14 páginas

    Practica 5

    Cargado por

    Patrick Anthony Lazo Colque
    Un algoritmo memético combina una búsqueda global basada en poblaciones con heurísticas de búsqueda local realizadas por cada individuo. Cada individuo realiza una búsqueda local análoga a la evolución cultural o aprendizaje para mejorar su solución. Los algoritmos meméticos inicializan una población que es optimizada mediante la alternancia de períodos de auto-mejora local y selección entre individuos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 14

    Computación Bioinspirada

    Dr. Edward Hinojosa Cárdenas


    ehinojosa@unsa.edu.pe
    Algoritmos Meméticos

    Es una población de agentes que alternan períodos de auto-


    mejora (mediante búsqueda local) con periodos de
    cooperación y competición (mediante selección).

    Significado: Unidad de imitación, análoga a un gen pero en


    el contexto de la “evolución cultural”

    El Término fue introducido por Richard Dawkins en el libro


    “The Selfish Gene” (“El Gen Egoista”) (University Press, 1976)

    2
    Algoritmos Meméticos

    Un algoritmo memético es una combinación es:


    Una búsqueda global basada en poblaciones
    Una heurística de búsqueda local (realizada por cada individuo)

    En la literatura, aparecen como sinónimos:


    Algoritmos Genéticos Híbridos
    Buscadores Locales Genéticos
    Algoritmos Genéticos Lamarckianos
    Algoritmos Genéticos Baldwinianos
    Algoritmos Meméticos

    3
    Algoritmos Meméticos

    Inicialización de la población

    Puede ser:
    Aleatoria
    Predeterminada
    Aplicando alguna heurística

    4
    Algoritmos Meméticos

    Cada individuo realiza una búsqueda local


    Analogía con Evolución Cultural  Aprendizaje

    Puede ser:
    Hasta encontrar un óptimo local
    Hasta lograr una mejora determinada
    Equivalente a la mutación en un Algoritmo Genético
    Diferencia: la exploración local es guiada

    5
    Algoritmos Meméticos

    6
    Algoritmos Meméticos

    7
    Algoritmos Meméticos

    Para optimizar la población inicial podemos considerar el


    siguiente mecanismo:
    Generar un número M de soluciones mayor a N (N tamaño de la
    población) de las M soluciones selecionamos N soluciones.

    Como algoritmo de búsqueda local podemos utilizar una


    variantes del método de búsqueda local hill-climbing
    (búsqueda por escalada) llamada Escala de primera opción
    con un número H de vecinos.

    8
    Búsqueda por escalada

    Es un algoritmo voraz, que no mantiene un árbol de


    búsqueda, sino sólo la representación del estado actual y el
    valor de su función objetivo

    No se mira más allá de los vecinos inmediatos del estado


    actual

    Escoge el vecino que tiene un mejor valor de la función


    objetivo .

    9
    Búsqueda por escalada

    Finaliza cuando alcanza un “extremo” (máximo o mínimo,


    depende del planteamiento)
    Obviamente no garantizan encontrar la solución óptima, la
    búsqueda se puede quedar atascada:
    en un máximo o mínimo local
    en una meseta, en una terraza
    en una cresta

    Pero es capaz de encontrar soluciones rápidamente

    10
    Búsqueda por escalada

    Escalada estocástica: escoge aleatoriamente entre todos los


    sucesores con mejor valoración que el estado actual
    Escalada de primera opción: generan aleatoriamente
    sucesores, escogiendo el primero con mejor valoración que el
    estado actual
    Escalada con reinicio aleatorio: se repite varias veces la
    búsqueda, partiendo cada vez de un estado inicial distinto,
    generado aleatoriamente:
    “si no te sale a la primera, inténtalo otra vez”
    si la probabilidad de éxito de una búsqueda individual es p, entonces
    el número esperado de reinicios es 1/p.

    11
    Práctica 05 (0 a 20)

    Implementar un Algoritmo Memético para resolver el


    siguiente TSP:

    12
    Práctica 05 (0 a 20)

    Utilizar codifición de permutación.


    Utilizar cruzamiento PBX.
    Utilizar como búsqueda loca búsqueda por escalada de primera
    opción (Todos los agentes hijos la realizan).
    Optimizar la población inicial con M >= 3N.
    Mostrar los valores de aptitud, los padres e hijos generados (y
    después de usar búsqueda local) con H >= 5,
    Cualquier lenguaje de programación.

    13
    GRACIAS
    Dr. Edward Hinojosa Cárdenas
    ehinojosa@unsa.edu.pe

    También podría gustarte

    pFad - Phonifier reborn

    Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

    Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


    Alternative Proxies:

    Alternative Proxy

    pFad Proxy

    pFad v3 Proxy

    pFad v4 Proxy