Successfully reported this slideshow.

Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia

0

Share

Loading in …3
×
1 of 17
1 of 17

Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia

0

Share

Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia

Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia

More Related Content

Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia

  1. 1. Un prototipo para el modelado de un sistema de metaheurísticas cooperativas: obtención de conocimiento para el estudio del problema algoritmo-instancia 2006 Universidad de Murcia Facultad de informática Autores: Enrique Muñoz Ballester Emilio Serrano Fernández Directores: D. José Manuel Cadenas Figueredo Dña. Mª Carmen Garrido Carrera
  2. 2. 2 Exploración exhaustiva Heurísticas Metaheurísticas ¿debemos mejorar? ? Problemas de optimización
  3. 3. 3 Dificultades en el uso de metaheurísticas  Los algoritmos metaheurísticos son estrategias efectivas para encontrar soluciones aproximadas. Posibles problemas: •Tiempos de ejecución •¿Mejor algoritmo? •Algoritmo-instancia •¿Parámetros? •Características generales. •Independencia del problema. •Robustez. •Facilidad de implementar. •Capacidad de dar resultados aceptables y en tiempos razonables Puede ser difícil encontrar metaheurísticas con: ¿cómo podemos mejorar?
  4. 4. 4 Uso tradicional de metaheurísticas ¿Qué idea surge? Metaheurística A Metaheurística B Solución
  5. 5. 5 CoordinadorPizarra Sistema cooperativo centralizado ¿Cómo va a saber actuar el coordinador? Metaheurística A Metaheurística B Sistema multiagente 1 2 3 4 5 6 Acciones del coordinador Solución
  6. 6. 6 Proceso de extracción del conocimiento Alg_iProblema≡instancia Preparación de los datos Minería Datos Parámetros Soluciones parciales Soluciones Sistema Reglas Fuzzy Coordinador
  7. 7. 7 Preparación de los datos  Objetivo: obtener una base de datos para aplicar técnicas de minería.  Se debe recopilar la información aplicando diferentes metaheurísticas a un problema.  Problema escogido: Problema de la mochila.  Metaheurísticas:  Algoritmo genético  Búsqueda tabú  Colonia de hormigas  Temple simulado
  8. 8. 8 Preparación de los datos (II)  Entre la información que se extrae de las ejecuciones:  Parámetros utilizados.  Descripción de la instancia.  Soluciones final, inicial e intermedias.  Crear una estructura para representar un ejemplo que soporte todo tipo de datos.  Para aplicar la técnica de minería se debe aplicar un preproceso para seleccionar los atributos más relevantes. Alg1 AlgN Soluciones parciales Problema ≡ Instancia Sol1 SolN Parámetros
  9. 9. 9 Minería de datos  Objetivo: obtener un modelo del sistema basado en reglas fuzzy.  Esperamos obtener reglas del tipo IF <antecedente> THEN <consecuente> que modelen lo siguiente:  Cuando debe cambiarse la solución de un algoritmo.  Como debe modificarse el comportamiento de una metaheurística.  Cuando deben cambiarse los parámetros de un algoritmo.  Cuando debe parar la búsqueda.  Que regla debe seleccionarse cuando se dispare más de una.  Existe una amplia variedad de técnicas, buscamos:  Interpretabilidad  Tratamiento de datos imperfectos  Escogemos árboles de decisión, específicamente FID 3.4.
  10. 10. 10 Minería de datos (II)  Aplicamos esta técnica a diferentes conjuntos de datos para obtener información acerca de:  Comparativa entre distintos algoritmos.  Elección de parámetros para cada algoritmo.  Como resultado de la aplicación obtuvimos un gran número de árboles de los que se extrajeron:  Una jerarquía entre los algoritmos.  Parámetros interesantes en cada momento para cada algoritmo.  Usando esta información se obtuvieron reglas fuzzy de bajo nivel. Genético Temple Tabú Mayor Menor Metaheurística Calidad de soluciones
  11. 11. 11 Modelado del coordinador  Las reglas obtenidas en la fase de minería son válidas pero:  Numerosas  Poco Abstractas  Es necesario obtener un conjunto de reglas más general.  Se obtuvieron las siguientes tres reglas:  SI [(peso1*d1 O peso2*d2 O ... O peson*dn) ES suficiente] ENTONCES cambiar la solución actual de la peor metaheurística.  SI [ tiempo entre [tiempo1, tiempo2] ] ENTONCES cambiar las soluciones actuales de las MetaX por la solución actual de MetaG.  SI la Metaheurística esMuchoPeorQueTodas Y esMomentoDeCambiarParametros ENTONCES cambiar Parámetros de Metaheurística.
  12. 12. 12 Evaluación del modelo  Objetivo: comprobar la eficacia del sistema.  Se aplicarán al sistema una serie de tests.  Como resultado se puede:  Eliminar una metaheurística.  Añadir/eliminar información acerca de una metaheurística.  Añadir/eliminar características de instancias.  Cambiar la técnica de minería  Añadir una metaheurística.  Esta fase queda fuera del proyecto, pues no se realiza la implementación del sistema Alg1 AlgN Problema ≡ Instancia Parámetros Coordinador Solución Sistema de reglas
  13. 13. 13 Evaluación del modelo (II)  Añadiremos un algoritmo al sistema (colonia de hormigas).  Aplicamos el proceso completo pero ahora con el objetivo de añadir una nueva metaheurística:  Preparación de los datos: añadimos información de colonia de hormigas.  Minería de datos: realizamos una comparativa con el resto de metaheurísticas y un estudio de los parámetros convenientes.  Con los resultados se obtiene un conjunto de reglas de bajo nivel.  Estas reglas se pueden añadir al modelo sin necesidad de grandes cambios en este (robustez).
  14. 14. 14 Conclusiones  Prototipo para el modelado del coordinador.  Proceso de extracción del conocimiento.  Reglas que modelan el coordinador.  Problema de la mochila.  El proceso de extracción de conocimiento ha comprendido:  Preparación de los datos: análisis base de datos, estudio de metaheurísticas, aplicadas distintas metaheurísticas, extraído datos interesantes.  Minería de datos: estudio de técnicas, comparativa metaheurísticas, estudio de parámetros, enumeración conocimiento, reglas fuzzy.  Modelado del coordinador: adaptación de reglas.  Evaluación del modelo: añadir algoritmo, demostrar robustez.
  15. 15. 15 Conclusiones (II) Tabú Coordinador Instancia del problema de la mochila PIZARRA Temple Genético Reglas fuzzy Hormigas Se ha proporcionado inteligencia al coordinador para: Cuando un algoritmo esta más alejado de la solución que otros, cambiar su posición en el espacio de búsqueda por otra posición cercana a la que tenga otro algoritmo más eficiente. Cuando un algoritmo persiste en un mal comportamiento, cambiar sus parámetros de manera inteligente.
  16. 16. 16 Trabajos futuros  Implementar el sistema.  Mejorar la fase de evaluación del modelo.  Extensiones:  Repetir el proceso para otro problema.  Añadir metaheurísticas para la resolución del problema.  Aumentar las bases de datos usadas para el proceso de extracción de conocimiento con resoluciones de más instancias.  Aumentar los campos que aparecen en las bases de datos con nueva información acerca de las instancias.  Cambiar o añadir técnicas de minería.  Cambiar o añadir reglas al coordinador.  Etc.  Usar el proceso de extracción con un problema más complejo, como la p-mediana.  Conseguir un conjunto de instancias de la p-mediana que se ajusten a la geografía de la región.
  17. 17. 17 Gracias por su atención

×