Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Un prototipo para el modelado de un
sistema de metaheurísticas
cooperativas: obtención de
conocimiento para el estudio del...
2
Exploración exhaustiva
Heurísticas
Metaheurísticas
¿debemos mejorar?
?
Problemas de optimización
3
Dificultades en el uso de metaheurísticas
 Los algoritmos metaheurísticos son estrategias efectivas para
encontrar solu...
4
Uso tradicional de metaheurísticas
¿Qué idea surge?
Metaheurística A
Metaheurística B
Solución
5
CoordinadorPizarra
Sistema cooperativo centralizado
¿Cómo va a saber actuar el coordinador?
Metaheurística A
Metaheuríst...
6
Proceso de extracción del conocimiento
Alg_iProblema≡instancia
Preparación
de los datos
Minería
Datos
Parámetros
Solucio...
7
Preparación de los datos
 Objetivo: obtener una base de datos para aplicar
técnicas de minería.
 Se debe recopilar la ...
8
Preparación de los datos (II)
 Entre la información que se extrae de
las ejecuciones:
 Parámetros utilizados.
 Descri...
9
Minería de datos
 Objetivo: obtener un modelo del sistema basado en reglas fuzzy.
 Esperamos obtener reglas del tipo I...
10
Minería de datos (II)
 Aplicamos esta técnica a diferentes
conjuntos de datos para obtener
información acerca de:
 Co...
11
Modelado del coordinador
 Las reglas obtenidas en la fase de minería son válidas pero:
 Numerosas
 Poco Abstractas
...
12
Evaluación del modelo
 Objetivo: comprobar la eficacia del
sistema.
 Se aplicarán al sistema una serie de
tests.
 Co...
13
Evaluación del modelo (II)
 Añadiremos un algoritmo al sistema (colonia de
hormigas).
 Aplicamos el proceso completo ...
14
Conclusiones
 Prototipo para el modelado del coordinador.
 Proceso de extracción del conocimiento.
 Reglas que model...
15
Conclusiones (II)
Tabú
Coordinador
Instancia del
problema
de la mochila
PIZARRA
Temple
Genético
Reglas fuzzy
Hormigas
S...
16
Trabajos futuros
 Implementar el sistema.
 Mejorar la fase de evaluación del modelo.
 Extensiones:
 Repetir el proc...
17
Gracias por su atención
Upcoming SlideShare
Loading in …5
×

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

664 views

Published on

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

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

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

×