Manejo de Restricciones

en Algoritmos Evolutivos
Dr. Carlos Artemio Coello Coello
Tarea No. 2
26 de febrero de 2003
1. (100 puntos) Se debera realizar un estudio comparativo de varias tecnicas de
penalizacion de las vistas en clase. Para este estudio se adoptara un algoritmo
genetico simple (representacion binaria, cruza de un punto, seleccion mediante
ruleta, elitismo) al cual se le modificara la funcion de aptitud (y tal vez se le
agreguen variables globales o estructuras de datos requeridas por algun metodo
en particular), de manera que se implementen las tecnicas siguientes:
Penalizacion estatica de Homaifar, Lai and Qi [5].
Penalizacion estatica de Hoffmeister & Sprave [4].
Penalizacion estatica de Kuri [8].
Pena de muerte (asignar aptitud cero a todos los individuos infactibles).
Penalizacion dinamica de Joines and Houck [6].
Penalizacion basada en recocido simulado [7].
Penalizacion adaptativa de Bean and Hadj-Alouane [1, 3].
Algoritmo genetico segregado [9].
Para todos los algoritmos se usaran los siguientes parametros: poblacion de 100
individuos, Gmax = 100, 
 , 
  . Para fines de este estudio, se
usaran las funciones de prueba del libro de Floudas y Pardalos [2] entregadas en
clase. Para cada tipo de tecnica, deberan realizarse 20 corridas del algoritmo, y
se debera reportar lo siguiente:
Aptitud mejor (indicando si la solucion es o no factible), peor, promedio, mediana y desviacion estandar de las 20 corridas realizadas, para cada
metodo.
Valor de la funcion objetivo, las variables de decision y de las restricciones
para la mejor solucion global producida por cada metodo.
Grafica de convergencia de la corrida en la mediana de aptitud para cada
metodo.
Indicar en cada caso el o ptimo (o mejor solucion conocida) para cada problema, a fin de saber si se convergio a e l o no.
1

Medir el desempeno en lnea de cada metodo, para cada corrida. Para medir
este desempeno, se calculara el porcentaje de individuos factibles por generacion y la aptitud maxima encontrada (por generacion), indicando si es
factible o no. Solo se reportaran las estadsticas de las 100 generaciones:
media, varianza y desviacion estandar del porcentaje de individuos factibles
y el porcentaje de veces (sobre las 100 generaciones) en que la aptitud
maxima fue factible.
Usando el valor medio del porcentaje de individuos factibles obtenidos de
cada corrida (ver punto anterior), elaborar una eststica sobre las 20 corridas
realizadas por cada metodo (indicar media, varianza y desviacion estandar).
Discutir los resultados obtenidos tratando de identificar a un claro ganador
de entre los metodos comparados, o haciendo ver que ninguno gana claramente. Esta discusion tendra un fuerte peso en su calificacion, as que es
importante que sea clara, concisa y bien sustentada (basandose en los resultados obtenidos).
Fecha de entrega: Miercoles 12 de marzo a las 4:00pm. Toda tarea entregada tarde
sera penalizada con 10 % (sobre la calificacion obtenida) por cada periodo de 24 horas
que se retrase su entrega.

Referencias
[1] James C. Bean and Atidel Ben Hadj-Alouane. A Dual Genetic Algorithm for
Bounded Integer Programs. Technical Report TR 92-53, Department of Industrial and Operations Engineering, The University of Michigan, 1992. To appear in
R.A.I.R.O.-R.O. (invited submission to special issue on GAs and OR).
[2] C. A. Floudas and P. M. Pardalos. A Collection of Test Problems for Constrained
Global Optimization Algorithms. Number 455 in Lecture Notes in Computer Science. Springer-Verlag, 1990.
[3] Atidel Ben Hadj-Alouane and James C. Bean. A Genetic Algorithm for the
Multiple-Choice Integer Program. Operations Research, 45:92101, 1997.
[4] Frank Hoffmeister and Joachim Sprave. Problem-independent handling of constraints by use of metric penalty functions. In Lawrence J. Fogel, Peter J. Angeline,
and Thomas Back, editors, Proceedings of the Fifth Annual Conference on Evolutionary Programming (EP96), pages 289294, San Diego, California, February
1996. The MIT Press.
[5] A. Homaifar, S. H. Y. Lai, and X. Qi. Constrained Optimization via Genetic Algorithms. Simulation, 62(4):242254, 1994.
[6] J. Joines and C. Houck. On the use of non-stationary penalty functions to solve
nonlinear constrained optimization problems with GAs. In David Fogel, editor,
Proceedings of the first IEEE Conference on Evolutionary Computation, pages
579584, Orlando, Florida, 1994. IEEE Press.
2

[7] Zbigniew Michalewicz and Naguib F. Attia. Evolutionary Optimization of Constrained Problems. In Proceedings of the 3rd Annual Conference on Evolutionary
Programming, pages 98108. World Scientific, 1994.
[8] Angel Kuri Morales and Carlos Villegas Quezada. A Universal Eclectic Genetic
Algorithm for Constrained Optimization. In Proceedings 6th European Congress
on Intelligent Techniques & Soft Computing, EUFIT98, pages 518522, Aachen,
Germany, September 1998. Verlag Mainz.
[9] Rodolphe G. Le Riche, Catherine Knopf-Lenoir, and Raphael T. Haftka. A Segregated Genetic Algorithm for Constrained Structural Optimization. In Larry J.
Eshelman, editor, Proceedings of the Sixth International Conference on Genetic
Algorithms, pages 558565, San Mateo, California, July 1995. University of Pittsburgh, Morgan Kaufmann Publishers.