Está en la página 1de 9

ALGORITMO EVOLUTIVO DIFERENCIAL

APLICADO A LA OPTIMIZACIN DE
FUNCIONES CONTINUAS
Olivia Vzquez Bautista, Manuel Alejandro Lpez Morales
Instituto Tecnolgico de Len,
Av. Tecnolgico S/N Fracc. Julin de Obregn,
37290 Guanajuato, Mxico
{olivia_vazquez
alejandro_lopez207}@ieee.org
http://posgrado.itleon.edu.mx
Resumen El presente trabajo tiene como nalidad mostrar la utiliza-
cin del algoritmo evolutivo para la optimizacin de funciones continuas
con N-dimensin para encontrar mnimos locales. El cual consiste en te-
ner una poblacin de cuatro individuos, que se va modicando con el n
de optimizar la funcin objetivo.
Palabras Clave: Algoritmo evolutivo, evolutivo diferencial, funciones
continuas, poblacin e individuo
1. Introduccin
La evolucin diferencial es una rama de la computacin evolutiva desarrollada
por Rainer Storn y Kenneth Price para optimizacin en espacios continuos [4][5].
En la evolucin diferencial (ED), las variables se representan mediante n-
meros reales. La poblacin inicial se genera de forma aleatoria y se seleccionan
tres individuos como padres. Uno de los padres es el padre principal y ste se
perturba con el vector de los otros dos padres. Si el valor resultante es mejor
que el elegido para reemplazo, entonces lo reemplaza. De otra forma, se retiene
al padre principal.
2. Evolutivo Diferencial
La Evolucin Diferencial (ED) es un mtodo de optimizacin perteneciente
a la categora de computacin evolutiva, aplicado en la resolucin de problemas
complejos. Al igual que otros algoritmos de esta categora, la ED mantiene una
poblacin de soluciones candidatas, las cuales se recombinan y mutan para pro-
ducir nuevos individuos los cuales sern elegidos de acuerdo al valor de su funcin
de desempeo. Lo que caracteriza a la ED es el uso de vectores de prueba, los
cuales compiten con los individuos de la poblacin actual a n de sobrevivir.
2 Olivia Vzquez Bautista, Manuel Alejandro Lpez Morales
3. Funciones Continuas
Diremos que una funcin es continua en el intervalo (a,b) si lo es en cada
punto de (a,b). [2]
Generalmente una grca continua es aquella que puede dibujarse sin levantar
el lapz del papel.
Funcin de la esfera (sphere) La funcin esfera es una de las referencia de
prueba ms simple. La funcin es continua, convexa y unimodal. Se tiene la
denicin general siguiente (ver grcas g. 1).
f(x) =
n

i=0
x
2
i
; x
i
[100, 100] (1)
Figura 1. Grcas de la Funcin Esfera (sphere).
rea de pruebas generalmente se limita a -100 x
i
100, i = 1,. . . , N. Su
mnimo global f(x) = 0 se obtiene para x
i
= 0, i = 1,. . . , N.[1]
Funcin de Rosenbrock La funcin Rosenbrock es un problema de optimi-
zacin clsico, tambin conocido como funcin pltano o la segunda funcin de
De Jong (funcin de la esfera). El ptimo global se establecen dentro de un valle
plano largo y estrecho, con forma parablica. Para encontrar el valle es trivial,
sin embargo, la convergencia hacia el ptimo global es difcil y por lo tanto,
este problema ha sido utilizo con frecuencia para probar el rendimiento de los
algoritmos de optimizacin. La funcin tiene la siguiente denicin.(ver grcas
g. 2).
f(x) =
n1

i=0
_
_
x
i+1
x
2
i
_
2
+ (x
i
1)
2
_
; x
i
[100, 100] (2)
Algoritmo Evolutivo Diferencial en Funciones Continuas 3
Figura 2. Grcas de la Funcin Rosenbrock.
rea de pruebas generalmente se limita a -2.048 x
i
2,048, i = 1,. . . , N.
Su global mnimo igual f(x) = 0 se puede obtener de x
i
= 0, i = 1,. . . , N. [1]
Funcin de Griewank La funcin Griewangk es similar a la funcin de Ras-
trigin. Tiene muchos mnimos locales distribuidos regularmente. Funcin tiene
la siguiente denicin (ver grcas g. 3).
f(x) =
1
4000
n

i=1
x
2
i

n

i=0
cos
_
x
i

i
_
+ 1; x
i
[600, 600] (3)
Figura 3. Grcas de la Funcin de Griewank.
rea de pruebas generalmente se limita a -600 x
i
600, i = 1,. . . , N. Su
mnimo global de la funcin es igual f(x) = 0 se obtiene para x
i
= 0, i = 1,. . . ,
N. [1]
Funcin de la aguja en un pajar (ackley) La funcin Ackley es ampliamente
utilizada para prueba multimodal. Se tiene la siguiente denicin (ver grcas
4 Olivia Vzquez Bautista, Manuel Alejandro Lpez Morales
g. 4).
f(x) = 20exp
_
_
0,2

_
1
n
n

i=1
x
2
_
_
exp
_
1
n
n

i=1
cos2x
i
_
+20+e; x
i
[32, 32]
(4)
Figura 4. Grcas de la Funcin Ackley.
Se recomienda establecer un a = 20, b = 0.2, c = 2. rea de pruebas
generalmente se limita a -32 x
i
32, i = 1,. . . , N. Su mnimo global f(x) =
0 se obtiene para x
i
= 0, i = 1,. . . , N.[1]
Funcin de Rastrigin La funcin Rastrigin se basa en la funcin de la esfera
con la adicin de la modulacin del coseno con el n de producir frecuentes m-
nimos locales. As, la funcin de prueba es altamente multimodal. Sin embargo,
la localizacin de los mnimos estn regularmente distribuidos. Funcin tiene la
siguiente denicin (ver grcas g. 5).
f(x) =
n

i=1
[x
2
i
10 cos (2x
i
) + 10]; x
i
[10, 10] (5)
Algoritmo Evolutivo Diferencial en Funciones Continuas 5
Figura 5. Grcas de la Funcin Rastrigin.
rea de pruebas generalmente se limita a -10 x
i
10, i = 1,. . . , N. Su
mnimo global de funcin es igual f(x) = 0 se obtiene para x
i
= 0, i = 1,. . . ,
N.[1]
Funcin de Schwefel La funcin de Schwefel es engaosa ya que el mnimo
global es geomtricamente distante, en el espacio de parmetros, de los siguiente
mnimos locales. Por lo tanto, los algoritmos de bsqueda son potencialmente
propensos a la convergencia en la direccin equivocada. Funcin tiene la siguiente
denicin (ver grcas g. 7).
f(x) = 418,9829n
n

i=1
_
x
i
sin
_
|x
i
|
_
; x
i
[500, 500] (6)
Figura 6. Grcas de la Funcin Schwefel.
rea de pruebas generalmente se limita a -500 x
i
500, i = 1,. . . , N. Su
mnimo global f(x) =-418.9829n se pueda obtener para x
i
= 420,9687, i = 1,. .
. , N.[1]
6 Olivia Vzquez Bautista, Manuel Alejandro Lpez Morales
4. Desarrollo
4.1. Algoritmo
Algoritmo Evolutivo Diferencial [3]
CR [0,1]
F [0,2]
Generar aleatoriamente poblacin inicial P(t)
evaluar P(t)
mientras condicin de trmino hacer
para i = 1 hasta i = 4 hacer
para j = 1 hasta j = n(dimensin) hacer

E[i] =

E[j] + F (

E[k]

E[l]) donde i = j = k = l
r [0,1]
si r CR entonces
E[i]
si no
P[i][j]
n si
evaluar P(t)
n para
n para
P = poblacin nueva
n mientras
5. Resultados
Llamadas a funcin 10000
Dimensin (n) 2,24,50
Poblacin 4
CR 0.8
F 0.9
Tabla 1. Tabla de especicaciones
Algoritmo Evolutivo Diferencial en Funciones Continuas 7
X
X
X
X
X
X
X
X
X
Dimensin
Paro iteraciones = 10000
Mejor tness Promedio Desviacin
n = 2 3.56 46.126 35.656
n = 50 28627.37 46761.398 16511.091
Tabla 2. Resultados obtenidos para la funcin Sphere
X
X
X
X
X
X
X
X
X
Dimensin
Paro iteraciones = 10000
Mejor tness Promedio Desviacin
n = 2 13.77 206.932 187.44
n = 50 8.70E+007 9.67E+007 5618610.876
Tabla 3. Resultados obtenidos para la funcin Rosenbrock
X
X
X
X
X
X
X
X
X
Dimensin
Paro iteraciones = 10000
Mejor tness Promedio Desviacin
n = 2 0.051 0.156 0.169
n = 50 0.99 0.99 0
Tabla 4. Resultados obtenidos para la funcin Griewank
X
X
X
X
X
X
X
X
X
Dimensin
Paro iteraciones = 10000
Mejor tness Promedio Desviacin
n = 2 7.48 4.344 2.0088
n = 50 2.00E+009 4.71E+009 1816802709.56163
Tabla 5. Resultados obtenidos para la funcin Ackley
X
X
X
X
X
X
X
X
X
Dimensin
Paro iteraciones = 10000
Mejor tness Promedio Desviacin
n = 2 2.02 14.4 10.3025
n = 50 396.36 659.2 1 89.6015
Tabla 6. Resultados obtenidos para la funcin Rastrigin
8 Olivia Vzquez Bautista, Manuel Alejandro Lpez Morales
X
X
X
X
X
X
X
X
X
Dimensin
Paro iteraciones = 10000
Mejor tness Promedio Desviacin
n = 2 127.82 298.562 1198.5148
n = 50 1.68E+007 2.76E+016 6.1790E+016
Tabla 7. Resultados obtenidos para la funcin Schwefel
Figura 7. Grcas de la Funcin Sphere
6. Conclusiones
En conclusin la utilizacin del algoritmo Evolutivo Diferencial obtiene m-
nimos de una manera muy ecaz. A diferencia del algoritmo gentico el evolu-
tivo trabaja con nmeros decimales positivos o negativos de una manera ms
fcil; adems de que solo necesita una poblacin de 4 individuos pero con N-
dimensiones.
Las tcnicas de computacin evolutiva han mostrado la capacidad de resolver
una gran variedad de problemas difciles. De entre los diferentes algoritmos evo-
lutivos existentes, la evolucin diferencial ha resultado una tcnica muy efectiva
para optimizacin en espacios continuos.
Referencias
1. Czesaw Smutnicki Marcin Molga. Test functions for optimization needs. bioinfor-
maticslaboratory, 2005.
Algoritmo Evolutivo Diferencial en Funciones Continuas 9
2. Pablo Martn Ordez. Clculo. DELTA, Madrid (2005).
3. Luis Vicente Santana Quintero. Un algoritmo basado en evolucin diferencial para
resolver problemas multiobjetivo. Masters thesis, Centro de Investigacin y de
Estudios Avanzados del Instituto Politcnico Nacional Departamento de Ingeniera
Elctrica, Noviembre 2004.
4. Rainer Storn and Kenneth Price. Dierential evolution - a simple and ecient
adaptative scheme for global optimization over continuous spaces. International
Computer Science., March 1995.
5. Rainer Storn and Kenneth Price. Dierential evolution - a fast and ecient heuristic
for global optimization over continuous spaces. Journal of Global Optimization.,
11:341359, 1997.