Presentación de soporte de la tesis doctoral

506 views

Published on

Presentación de soporte de la tesis doctoral "Reliability of Performance Measures in Tree-Based Genetic Programming: A Study on Koza's Computational Effort". Contiene todas las figuras y tablas de dicha tesis.

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
506
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
1
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Presentación de soporte de la tesis doctoral

  1. 1. TESIS DOCTORALReliability of Performance Measures in Tree-Based Genetic Programming MATERIAL DE SOPORTE David Fernández Barrero Directores: Dra. María D. R-Moreno Dr. David Camacho Departamento de Automática Universidad de Alcalá Diciembre 2011
  2. 2. Capítulos 1 y 2 Capítulo 3 Capítulo 4 Capítulo 5 Capítulo 6Summary 1 Capítulos 1 y 2 Figuras Tablas 2 Capítulo 3 Figuras Tablas Algoritmos 3 Capítulo 4 Figuras Tablas 4 Capítulo 5 Figuras Tablas 5 Capítulo 6 Figuras Tablas 2 / 68
  3. 3. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 1Figura 1.1: Curvas de Koza Koza’s performance curves 1e+06 0.6 P(M,i) I(M,i,z) 0.5 8e+05 0.4 6e+05 I(M,i,z) P(M,i) 0.3 4e+05 0.2 2e+05 0.1 13: 117000 0e+00 0.0 0 10 20 30 40 50 Generation 3 / 68
  4. 4. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Figura 2.1: Marco de descripción experimental 4 / 68
  5. 5. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Figura 2.2: Clasificación Metaheurísticas 5 / 68
  6. 6. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Figura 2.3: Funciones de De Jong Sphere Step y y x2 x1 x2 x1 Quartic function with noise Rosenbrock y y x2 x1 x2 x1 6 / 68
  7. 7. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Figura 2.4: Camino de Santa Fe 7 / 68
  8. 8. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Figura 2.5: Clasificación de medidas 8 / 68
  9. 9. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Figura 2.6: Eficacia vs. Eficiencia 0.5 0.4 Function value 0.3 0.2 Efficiency 0.1 Effectivity 0 1 2 3 4 5 6 Function evaluations 9 / 68
  10. 10. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Tabla 2.1Tabla 2.1: Clasificación de diseños experimentales Author Publication Adjectives C.C. McGeoch [?] Dependency study Robustness study Proving study A. E. Eiben [?] Design Repetitive Control (particular case of repetitive) J. Derrac [?] Single problem analysis Multiprogram problem analysis M. Chiarandini [?] Univariable Multivariable R. L. Rardin [?] Scientifical/development Design/planning/control Sequential/factorial P. R. Cohen [?] Exploratory / confirmatory Manipulation / observation Several [?, ?, ?] Pilot or exploratory 10 / 68
  11. 11. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Tabla 2.2: Clasificación de problemas Author Publication Classes of problem A. E. Eiben [?] Useless Natural Artificial R. L. Rardin [?] Real world datasets Random variants of real datasets Published libraries Randomly generated instances T. Bartz-Beielstein [?] Test functions Real-world problems Randomly generated test problems 11 / 68
  12. 12. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 2Tabla 2.3: Funciones de De Jong Function Expression Domain Minimum Pn Sphere f1 (x) = x2 | xi |≤ 5,12 f (0, . . . , 0) = 0 Pi=1 i n−1 2 2 2 Rosenbrock f2 (x) = i=1P − xi ) + 100(xi+1 − xi ) ) ((1 | xi |≤ 2,048 f (1, . . . , 1) = 0 Step f3 (x) = 25 + n i=1 xi | xi |≤ 5,12 f (([−5,12, −5), . . . , [−512, −5))) = 0 Pn 4 Quartic f4 (x) = i=1 (ixi ) + N(0, 1) | xi |≤ 1,28 f (0, . . . , 0) = 0 Sheckel (2D) f (x1 , x2 ) = 1 | xi |≤ 65,536 f (−32, −32) = 1 0,02+ P25 1 j=1 j+P2 (xi −aji )6 i=1 Quartic w/n [?] Solution quality 12 / 68
  13. 13. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Figura 3.1: Arquitectura de Searchy 13 / 68
  14. 14. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Figura 3.2: Ejemplo de integración 14 / 68
  15. 15. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Figura 3.2: Ejemplo de despliegue 15 / 68
  16. 16. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Figura 3.3: Ejemplo de codificación 16 / 68
  17. 17. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Figura 3.3: Evolución del valor de fitness y tamaño 1 24 0.9 22 Avg. chromosome length 0.8 20 0.7 18 0.6 Fitness 16 0.5 14 0.4 12 0.3 0.2 10 Email URL 0.1 Phone 8 Email URL Phone 0 6 0 10 20 30 40 50 60 70 0 10 20 30 40 50 60 70 Generations Generations 17 / 68
  18. 18. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Figura 3.3: Probabilidad de éxito 90 80 70 Success rate (%) 60 50 40 30 20 Email 10 Phone URL 0 0 10 20 30 40 50 60 70 Generations 18 / 68
  19. 19. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Tabla 3.1: Parámetros del Algoritmo Genético para la evolución de regex Parameter Value Population 50 Mutation probability 0.003 Crossover probability 1 Tournament size 2 Elitism 1 Initial chromosome length 4 - 40 19 / 68
  20. 20. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Tabla 3.2: Capacidad de extracción Phone regex URL regex Email regex Ph. URL Email F P R F P R F P R Set 1 99 0 0 1 1 1 - - - - - - Set 2 0 51 0 - - - 0.24 0.14 0.84 - - - Set 3 0 0 862 - - - - - - 0.79 0.51 0.62 Set 4 20 77 0 1 1 1 0.27 0.16 1 - - - Set 5 37 686 0 1 1 1 0.20 0.11 0.97 - - - Set 6 24 241 0 1 1 1 0.02 0.01 0.37 - - - Set 7 83 0 88 0.92 1 0.96 - - - 0.92 1 0.96 Set 8 0 51 0 - - - 0.63 0.47 0.96 - - - Avg. - - - 0.98 1 0.99 0.27 0.18 0.83 0.85 0.79 0.79 20 / 68
  21. 21. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Tabla 3.3: Ejemplos de expresiones regulares evolucionadas Evolved regex (Phone) Fitness w+ 0 (d+) 0.33 (d+)d+ 0.58 (d+)d+-d+ 1 Evolved regex (URL) Fitness http://-http://http:// 0 /w+. 0.55 http://w+.w+ 0.8 http://w+.w+.com 1 Evolved regex (Email) Fitness w+. 0.31 w+.w+ 0.49 w+@w+.com 1 21 / 68
  22. 22. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Tabla 3.4: Comparación de Searchy con otras herramientas de integración de información Platform Agent support Semantic Web Web Services Interdomain support InfoSleuth Yes No No Yes SIMS Yes No No Yes Building Finder No Yes No No SODIA No Yes Yes Yes Knowledge Sifter Yes Yes Yes Limited Searchy Yes Yes Yes Yes 22 / 68
  23. 23. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Algoritmos Capítulo 6Capítulo 3Algoritmo 3.1: Algoritmo de selección de alfabeto 1 .- P := Set of positive examples 2 .- S := Set of candidate delimiters 3 .- D := T := { } 4 .- 5 .- for each p in P 6 .- for each s in S 7 .- tokens := split p using s 8 .- numberTokens := number of tokens 9 .- 10.- for each token in tokens 11.- occurrence(token) := occurrence(token) + 1 12.- endfor 13.- 14.- if (numberTokens > 0) add s to D 15.- endfor 16.- endfor 17.- 18.- sort occurrence 19.- add n first elements of occurrence to T 23 / 68
  24. 24. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figura 4.1: Histograma de probabilidad de éxito Regression Regression Regression Regression Regression Regression n=30 n=50 n=100 n=250 n=500 n=1000 0.00 0.05 0.10 0.15 0.00 0.04 0.08 0.00 0.02 0.04 0.02 0.10 0.000 0.015 0.00 0.00 5 10 15 5 10 15 20 25 15 20 25 30 35 40 45 50 60 70 80 90 100 120 140 160 180 260 280 300 320 340 6−Multiplexer 6−Multiplexer 6−Multiplexer 6−Multiplexer 6−Multiplexer 6−Multiplexer n=30 n=50 n=100 n=250 n=500 n=1000 0.00 0.04 0.08 0.0 0.2 0.4 0.6 0.00 0.10 0.20 0.0 0.1 0.2 0.3 0.10 0.04 0.00 0.00 Density 24 26 28 30 42 44 46 48 50 90 95 100 225 230 235 240 245 465 475 485 940 950 960 970 980 5−Parity 5−Parity 5−Parity 5−Parity 5−Parity 5−Parity n=30 n=50 n=100 n=250 n=500 n=1000 0.00 0.05 0.10 0.15 0.20 0.000.020.040.06 0.4 0.0 0.1 0.2 0.3 0.04 0.10 0.2 0.00 0.00 0.0 0 2 4 6 0 2 4 6 8 10 0 5 10 5 10 15 20 25 20 30 40 50 40 50 60 70 80 Artificial ant Artificial ant Artificial ant Artificial ant Artificial ant Artificial ant n=30 n=50 n=100 n=250 n=500 n=1000 0.00 0.10 0.20 0.30 0.08 0.00 0.02 0.04 0.00 0.05 0.10 0.10 0.02 0.04 0.00 0.00 0.00 0 2 4 6 8 10 0 5 10 15 5 10 15 20 25 20 30 40 50 40 50 60 70 80 90 100 120 140 160 Number of successes (k) 24 / 68
  25. 25. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figura 4.2: Diagrama QQ binomialidad Santa Fe trail Q−Q Plot 6−multiplexer Q−Q Plot 1940 300 Sample Quantiles Sample Quantiles 260 1910 220 1880 220 240 260 280 300 1880 1900 1920 1940 Theoretical Quantiles Theoretical Quantiles 5−parity Q−Q Plot Regression Q−Q Plot 660 160 Sample Quantiles Sample Quantiles 140 620 120 580 100 540 100 120 140 540 580 620 660 Theoretical Quantiles Theoretical Quantiles 25 / 68
  26. 26. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figura 4.3: Ejemplo 3D de CP y CIW 0.6 0.8 0.6 CIW 0.4 CP 0.4 0.0 0.0 0.2 0.2 0.2 0.2 (p) (p) 0.4 0.4 ility ility 20 20 bab bab 0.6 0.6 Nu40 Nu40 Pro Pro mb mb er 60 0.8 er 60 0.8 of of tria tria ls 80 ls 80 (n) (n) 1001.0 1001.0 26 / 68
  27. 27. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figura 4.4: CP 27 / 68
  28. 28. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figura 4.5: Comparación de métodos de intervalos binomiales n= 20 n= 50 n= 100 n= 500 1.00 Wilson CP 0.95 0.90 1.000.85 "Exact" CP 0.95 0.90 1.000.85 Standard CP 0.95 0.90 1.000.85 Agresti−Coull CP 0.95 0.90 0.85 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 p p p p 28 / 68
  29. 29. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figura 4.6: CP de intervalos de ejecuciones de GP simulados Wilson "Exact" 0.95 0.95 CP CP 0.85 0.85 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 p p Standard Agresti−Coull 0.95 0.95 CP CP 0.85 0.85 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 p p 29 / 68
  30. 30. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figuras 4.7 y 4.8: Valores medios de CP y CIW 0.80 0.85 0.90 0.95 1.00 0.6 Wilson Exact Standard Average CIW A−C Average CP 0.2 0.4 Wilson Exact Standard A−C 0.0 0 20 40 60 80 100 0 20 40 60 80 100 Number of runs (n) Number of runs (n) 0.5 0.6 0.7 0.8 0.9 1.0 0.1 0.2 0.3 0.4 Average CIW Average CP 0.0 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 Success probability (p) Success probability (p) 30 / 68
  31. 31. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figuras 4.9 y 4.10: CP de ejecuciones GP Artificial ant 6−multiplexer 4−parity Regression 1.00 1.00 1.00 1.00 0.95 0.95 0.95 0.95 0.90 0.90 0.90 0.90 CP CP CP CP 0.85 0.85 0.85 0.85 0.80 0.80 0.80 0.80 5 15 27 39 51 63 75 87 99 5 15 27 39 51 63 75 87 99 5 15 27 39 51 63 75 87 99 5 15 27 39 51 63 75 87 99 Number of runs (n) Number of runs (n) Number of runs (n) Number of runs (n) p=0.13168 p=0.95629 p=0.061 p=0.29462 1.00 1.00 1.00 1.00 0.95 0.95 0.95 0.95 0.90 0.90 0.90 0.90 CP CP CP CP 0.85 0.85 0.85 0.85 0.80 0.80 0.80 0.80 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 Number of runs (n) Number of runs (n) Number of runs (n) Number of runs (n) Artificial ant 6−multiplexer 4−parity Regression 0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30 CIW CIW CIW CIW Wilson "Exact" Standard Agresti 5 15 27 39 51 63 75 87 99 5 15 27 39 51 63 75 87 99 5 15 27 39 51 63 75 87 99 5 15 27 39 51 63 75 87 99 Number of runs (n) Number of runs (n) Number of runs (n) Number of runs (n) p=0.13168 p=0.95629 p=0.061 p=0.29462 0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30 0.05 0.10 0.15 0.20 0.25 0.30 CIW CIW CIW CIW 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 20 40 60 80 100 Number of runs (n) Number of runs (n) Number of runs (n) Number of runs (n) 31 / 68
  32. 32. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Figura 4.11: Tamaño de la muestra para error dado 10000 100 Standard Agresti−Coull Wilson 80 1000 Number of samples (n) 60 100 40 10 20 0 1 0.01 0.125 0.25 0.375 0.5 0.01 0.125 0.25 0.375 0.5 Anticipated success probability (p0) Half interval width (ε) 32 / 68
  33. 33. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Tabla 4.1: Simulación del lanzamiento de una moneda Experiment Successes pi ˆ 1 483 0.483 2 531 0.531 3 594 0.594 4 521 0.521 5 513 0.513 2642 Total 2642 5000 = 0,5284 33 / 68
  34. 34. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Tabla 4.2: Configuración de los casos de estudio de la estimación estática Parameter Artificial ant 6-multiplexer 5-parity Regression Population 500 500 4,000 500 Generations 50 50 50 50 Terminal Set Left, Right, Move, If- A0, A1, A2, D0, D1, D2, D0, D1, D2, D3, D4 X FoodAhead D3, D4, D5 Function set Progn2, Progn3, And, Or, Not, If And, Or, Nand, Nor Add, Mul, Sub, Div, Progn4 Sin, Cos, Exp, Log Success predicate fitness = 0 fitness = 0 fitness = 0 fitness ≤ 0,001 Initial depth 5 5 5 5 Max. depth 17 17 17 17 Selection Tournament (size=7) Tournament (size=7) Tournament (size=7) Tournament (size=7) Crossover 0.9 0.9 0.9 0.9 Reproduction 0.1 0.1 0.1 0.1 Elitism size 0 0 0 0 Terminals 0.1 0.1 0.1 0.1 Non terminals 0.9 0.9 0.9 0.9 Observations Timesteps=600 Even parity No ERC y = x4 + x3 + x2 + x x ∈ [−1, 1] 34 / 68
  35. 35. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Tabla 4.3: Mejor estimación de la probabilidad de éxito Artificial ant 6-multiplexer 5-parity Regression ˆ pbest 0.13168 0.95629 0.061 0.29462 k 13,168 95,629 305 29,462 n 100,000 100,000 5,000 100,000 CI Stdα=0,05 [0.1295842, 0.1337758] [0.9550228, 0.9575572] [0.05436622, 0.06763378] [0.2917945, 0.2974 CI Stdα=0,01 [0.12892566, 0.1344343] [0.9546247, 0.9579553] [0.05228174, 0.06971826] [0.2909067, 0.2983 CI ACα=0,05 [0.1295983, 0.1337900] [0.9550051, 0.9575399] [0.05468869, 0.06798535] [0.2918025, 0.2974 CI ACα=0,01 [0.12894997, 0.1344589] [0.9545939, 0.9579256] [0.05283056, 0.07033299] [0.2909204, 0.2983 CI Wilα=0,05 [0.1295984, 0.1337899] [0.9550052, 0.9575397] [0.05469723, 0.06797681] [0.2918025, 0.2974 CI Wilα=0,01 [0.12895008, 0.1344588] [0.9545942, 0.9579253] [0.05284989, 0.07031365] [0.2909204, 0.2983 35 / 68
  36. 36. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 4Tabla 4.4: Prueba χ2 de la binomialidad Santa Fe 6-Multiplexer 5-Parity N p − val sd diff p − val sd diff p − val sd diff p − val 15 0.2275 0.0032 0.2243 0.2206 0.0789 0.1417 0.2211 0.0042 0.2169 0.2331 30 0.2303 0.0243 0.206 0.2242 0.0060 0.2182 0.2279 0.0041 0.2238 0.2425 50 0.2374 0.0197 0.2177 0.2293 0.0053 0.224 0.2327 0.0048 0.2279 0.2453 100 0.2355 0.0535 0.182 0.2342 0.0285 0.2057 0.2383 0.0125 0.2258 0.2316 250 0.2397 0.1155 0.1242 0.2420 0.0249 0.2171 0.2300 0.0631 0.1669 0.2132 500 0.1885 0.1479 0.0406 0.2326 0.0756 0.157 0.2348 0.1044 0.1304 0.1303 1000 0.1279 0.1813 -0.0534 0.2109 0.1301 0.0808 0.2041 0.1006 0.1035 0.0407 36 / 68
  37. 37. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.1: Histograma de la generación de éxito Artificial ant Regression 0.04 0.08 Density Density 0.02 0.04 0.00 0.00 0 10 20 30 40 50 0 10 20 30 40 50 Generation−to−success Generation−to−success 4−Parity 5−Parity 0.006 0.08 0.004 Density Density 0.04 0.002 0.000 0.00 0 10 20 30 40 50 0 200 400 600 800 Generation−to−success Generation−to−success 6−Multiplexer 11−Multiplexer Normal 0.003 Lognormal 0.00 0.02 0.04 0.06 0.08 Weibull Logistic 0.002 Density Density 0.001 0.000 0 10 20 30 40 50 0 200 400 600 800 Generation−to−success Generation−to−success 37 / 68
  38. 38. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.2: Diagrama QQ del logaritmo de la generación de éxito vs. lognormal −3 −2 −1 0 1 2 3 Artificial ant 4−Parity 6−Multiplexer 6 5 4 log(generation−to−success) 3 2 1 Regression 5−Parity 11−Multiplexer 6 5 4 3 2 1 −3 −2 −1 0 1 2 3 −3 −2 −1 0 1 2 3 Normal 38 / 68
  39. 39. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.3: Histograma con la fase inicial eliminada Artificial ant 4−Parity 6−Multiplexer 40 40 30 30 30 20 20 20 10 10 10 0 0 0 Exponential 0 10 20 30 40 0 10 20 30 0 10 20 30 40 Regression 5−Parity 11−Multiplexer 800 40 600 600 30 400 400 20 200 200 10 0 0 0 0 10 20 30 40 0 200 400 600 800 0 200 400 600 Generation−to−success 39 / 68
  40. 40. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.4: Diagrama QQ con fase inicial eliminada contra exponencial Artificial ant 4−Parity 6−Multiplexer 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.00 0.01 0.02 0.03 0.04 0.05 0.00 0.02 0.04 0.06 0.08 Density 0 10 20 30 40 50 10 20 30 40 50 0 10 20 30 40 50 Regression 5−Parity 11−Multiplexer 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.003 0.000 0.001 0.002 0.003 0.004 0.002 0.001 0.000 0 10 20 30 40 50 0 200 400 600 800 1000 0 200 400 600 800 Generation−to−success 40 / 68
  41. 41. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.5: Tamaño medio del árbol AverageNodes 1000 800 600 400 AverageDepth + AverageNodes 200 11−Multiplexer 0 4−Parity 5−Parity 0 100 200 300 400 6−Multiplexer AverageDepth Artificial ant Regression 15 10 5 0 100 200 300 400 generation 41 / 68
  42. 42. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.6: Histograma de la generación de éxito sin presión selectiva Artificial ant 0.0030 1000 800 0.0020 600 Density Weibull 400 0.0010 200 0.0000 0 0 200 400 600 800 1000 0 200 400 600 800 1000 Generation−to−success Generation−to−success Regression 0.0030 1000 Normal Lognormal Weibull Logistic 800 0.0020 600 Density Weibull 400 0.0010 200 0.0000 0 0 200 400 600 800 1000 0 200 400 600 800 1000 Generation−to−success Generation−to−success 42 / 68
  43. 43. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.7: Modelo de Markov 43 / 68
  44. 44. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.8: Comparación de P(M, i) y P (M, i) Artificial ant 4−Parity 0.20 Standard Success probability Success probability Lognormal 0.08 0.10 0.04 0.00 0.00 0 10 20 30 40 50 0 10 20 30 40 50 Generation Generation 6−Multiplexer Regression 0.4 Success probability Success probability 0.8 0.3 0.2 0.4 0.1 0.0 0.0 0 10 20 30 40 50 0 10 20 30 40 50 Generation Generation 44 / 68
  45. 45. Capítulos 1 y 2 Capítulo 3 Figuras Capítulo 4 Tablas Capítulo 5 Capítulo 6Capítulo 5Figura 5.9: Comparación de P(M, i) y P (M, i) variando n n= 25 n= 50 n= 100 n= 200 Best est. 0.2 0.4 Artificial ant Standard Lognormal 0.0 6−Multiplexer 0.0 0.4 0.8 4−Parity 0.4 0.00 0.06 Regression 0.2 0.0 0 20 40 0 20 40 0 20 40 0 20 40 Generation Generation Generation Generation 45 / 68

×