Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2016 - 2017
1
Objetivos
n Metaheurísticas: Optimización/búsqueda
n Intersección de campos:
n Inteligencia Artificial
n Inteligencia Computacional
n Teoría de Algoritmos, etc.
6
Ejemplo: El problema del viajante de comercio
10
1. RESOLUCIÓN DE PROBLEMAS MEDIANTE
ALGORITMOS DE BÚSQUEDA
n Función objetivo
Max (Min) una función con variables de decisión
Subject to (s.t.)
igualdad (=) restricciones
desigualdad (<,>, £, ³) restricciones
n Espacio de búsqueda
Valores de las variables de decisión que serán evaluados
durante el proceso de optimización.
Puede ser discreto, contable o continuo e incontable.
11
Ejemplo: El problema del viajante de comercio
2
8
7
1
4
5
6
13
Ejemplo: El problema del viajante de comercio
Representación de Orden
14
Ejemplo: El problema del viajante de comercio
2
8
7
1
4
5
6
15
Ejemplo: El problema del viajante de comercio
1. Esquema de representación:
Permutación de {1, ..., n}.
2. Función objetivo:
n -1
Min C (S ) = å (D [S [i ], S [i + 1]]) + D [S [n ], S [1]]
i =1
16
1. RESOLUCIÓN DE PROBLEMAS MEDIANTE
ALGORITMOS DE BÚSQUEDA
N (σ1 ) N (σ 2 )
N (σ 0 ) N (σ 4 )
σ1 σ2
σ3 σ4
Solución inicial σ0
Óptimo local/global
N (σ 3 )
2. ALGORITMOS APROXIMADOS: Búsqueda
global maximum
f(X) value
Neighbourhood of solution
( )
X
S
n Inconvenientes:
n Son algoritmos aproximados, no exactos
n Son no determinísticos (probabilísticos)
n No siempre existe una base teórica establecida
27
3. Metaheurísticas: Definición
28
3. Metaheurísticas: Definición
29
3. Metaheurísticas: Definición
Fuente de inspiración. Inspiración biológica. Ej. Algoritmos
de Optimización basados en Colonias de Hormigas
30
3. Metaheurísticas: Clasificación
n Basadas en trayectorias
n Basadas en poblaciones
31
3. Metaheurísticas: Clasificación
32
3. Metaheurísticas: Clasificación
N (σ1 ) N (σ 2 )
N (σ 0 ) N (σ 4 )
σ1 σ2
σ3 σ4
Solución inicial σ0
Óptimo local/global
N (σ 3 )
33
3. Metaheurísticas: Clasificación
n Basadas en trayectorias
global
local
34
3. Metaheurísticas: Clasificación
35
3. Metaheurísticas: Clasificación
n Basadas en poblaciones
I am at the
I am not at the top. top
My high is better! Height is ...
I will continue
n Basadas en poblaciones
Ejemplo: 17 ciudades
Representación de orden
(3 5 1 13 6 15 8 2 17 11 14 4 7 9 10 12 16)
38
Ejemplo: El problema del viajante de comercio
17! (3.5568734e14)
soluciones posibles
Solución óptima:
Coste=226.64
39
Viajante de Comercio
45
METAHEURÍSTICAS
TEMA 1. Introducción a las Metaheurísticas
OBJETIVOS
47
METAHEURÍSTICAS
TEMA 1. Introducción a las Metaheurísticas
Optimización
estructural Aprendizaje
Generación de
trayectorias
Planificación de
sistemas de Producción
49
Ejemplo Real: Equilibrado de líneas de montaje
50
Ejemplo Real: Registrado de imágenes.
Aplicación a la Superposición craniofacial
Algoritmos Genéticos para RI
51
Ejemplo Real: Registrado de imágenes.
Aplicación a la Superposición craniofacial
Búsqueda de la mejor superposición
Error de Registrado
(Algoritmo Evolutivo)
f´@f* Evaluación f ’
Medir la distancia
Rotación = {60°,(0,1,0)} entre cada par de
Traslación = {2, 0, 1}… puntos de referencia
f’
IMAGINÁTICA,
Sevilla, 4 de Marzo
de 2009 52
Ejemplo Real: Registrado de imágenes.
Aplicación a la Superposición craniofacial
53
Ejemplo Real: Registrado de imágenes.
Aplicación a la Superposición craniofacial
54
Ejemplo Real: Registrado de imágenes.
Aplicación a la Superposición craniofacial
Superposición manual Superposición automática
24 horas 25 segundos 55
Ejemplo Real: Registrado de imágenes.
Aplicación a la Superposición craniofacial
Aplicación: Identificación forense mediante
superposición craneofacial Oscar Cordón y
Sergio Damas
56
Ejemplo Real: Organización de equipos médicos
57
Ejemplo Real: Hyperloop train route
58
Ejemplo Real: Organización de flotas de
autobuses
Proyecto grupo
investigación SCI2S
59
Metaheurísticas: Resumen
61
Bibliografía general
62
METAHEURÍSTICAS
2016 - 2017
63