SISTEME INTELIGENTE DE SUPORT DECIZIONAL · Studiu de caz Optimizare multiobiectiv Ș.l.dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizional Real MOO Ierarhizarea

SISTEME INTELIGENTEDE SUPORT DECIZIONAL

Ș.l.dr.ing. Laura-Nicoleta IVANCIU

Curs 11 – Optimizare multiobiectiv. Aplicații ale AG.

2

Cuprins

➢ Optimizare multiobiectiv➢ Aplicații ale AG

Ș.l.dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizional


3

Să ne aducem aminte...Algoritmi genetici (AG)

➢ tehnici de căutare și optimizare, având ca punct de porniremetafora biologică a moștenirii genetice și evoluției naturale

John Henry Holland, 1960

➢ teoria evoluționistă a lui Darwin (1896) – “survival of the fittest”➢ populația evoluează, prin mecanisme de inspirație biologică: selecție, încrucișare, mutație



4

Să ne aducem aminte...Structura unui AG



5

Optimizare multiobiectiv➢ Ce înseamnă optimizare multiobiectiv?➢Ce înseamnă front Pareto?➢ Studiu de caz



6

MOO (multiobjective optimization)

➢ mai multe obiective (criterii) care trebuie optimizate

(îndeplinite) simultan

➢ obiectivele sunt de cele mai multe ori contradictoriiconflicting objectives (goals)

vs. SOO (single objective optimization)➢ un singur obiectiv (criteriu) care trebuie optimizat

Optimizare multiobiectiv



7

Metode de rezolvare a problemelor de tip MOO


❑ Real MOO – Pareto frontier, multiple solutions – multibjective ranking to order solutions

❑ Transform MOO into SOO – weighted sum between objectives; single solution



8

Front Pareto = granița dintre regiunea în care toate cerințele sunt satisfăcute (feasible points) și cea în care cerințele nu sunt satisfăcute (infeasible point)


Fie o problemă MOO cu 2 obiective, f1 și f2.

O soluție x domină o soluție y dacă soluția x este cel puțin la fel de bună ca soluția y în îndeplinirea oricărui obiectiv, și strict mai bunădecât soluția y în cel puțin un obiectiv.

Puncte albastre – soluții non-dominate == Front Pareto

Puncte roșii – soluții dominate



9

Studiu de caz



Să se afle x care minimizează {f1(x), f2(x)} unde:

f1(x) = (x + 2)2 – 10f2(x) = (x - 2)2 + 20


10

Studiu de caz



f1(x) = (x + 2)2 – 10f2(x) = (x - 2)2 + 20

f1min = -10, x = -2

f2min= 20, x = 2


11

Studiu de caz



❑ Real MOO

Ierarhizarea indivizilor – fiecare individ din populație primește un rang, conform calității sale

Rang 1: Indivizii non-dominați – soluții optimale Pareto – front Pareto

Rang 2: indivizi dominați doar de indivizi de rang 1

Rang 3: indivizi dominați doar de indivizi de rang 1 și rang 2…


12

Studiu de caz



❑ Real MOO


13

Studiu de caz



❑ Real MOO


14

Studiu de caz



❑ Real MOO

Soluția finală este aleasă de utilizator


15

Studiu de caz



❑ Transformare MOO în SOO

f1(x) = (x + 2)2 – 10f2(x) = (x - 2)2 + 20

f(x) = w1*f1(x) + w2*f2(x)

Soluția finală variază în funcție de ponderi!

w1 = 0.75 w2 = 0.25

w1 = 0.2 w2 = 0.8


16

Aplicații ale AG➢ Care sunt domeniile în care AG sunt folosiți cu succes?➢ Care sunt avantajele/dezavantajele folosirii AG?➢ Aspecte de implementare



17

Domenii de aplicabilitate pentru AG➢ automotive design- compoziția materialelor - forma aerodinamică

➢ engineering design- optimizarea proiectării structurale și operaționale- aplicații CAD

Aplicații ale AG



18

Domenii de aplicabilitate pentru AG➢ hardware evolutiv= circuite electronice care pot evolua în noi configurații- auto-adaptive, auto-reparabile

➢ rutare optimizată în rețele de telecom- anticiparea nevoii de re-rutare- optimizarea poziționării stațiilor de bază/routerelor

Aplicații ale AG



19

Domenii de aplicabilitate pentru AG➢ creativitate artificialăScop: modelarea, simularea și replicarea creativității umane- muzică, pictură- sisteme pentru persoane cu handicap

➢ biomimetică= dezvoltarea de tehnologii sustenabile, inspirate de natură

Ex.: velcro (scai) – 1948 (George de Mestral),fotosinteză artificială, etc

Aplicații ale AG



20

Domenii de aplicabilitate pentru AG➢ jocuri pe calculatorSims, jocuri de strategie- AG “învață” și încorporează strategii

➢ criptare și spargere de coduri

➢ strategii financiare și de investiții

➢marketing, etc.

Aplicații ale AG



21

Domenii de aplicabilitate pentru AGEvolution of Monalisa

Formularea problemei:Să se realizeze o replică cât mai bună a tabloului

Monalisa, folosind 50 de poligoane semi-transparente.

http://www.youtube.com/watch?v=eHWZcPLRMjQ

Populație: 2 indiviziFuncție obiectiv: distanța pixel cu pixel dintre imaginea dorită și imaginea obținută

http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-mona-lisa/

Aplicații ale AG



http://www.youtube.com/watch?v=eHWZcPLRMjQ

http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-mona-lisa/

22

Avantaje➢ concepte simple➢ structură modulară➢multi-criteriu, multi-obiectiv➢ se comportă bine și pentru date cu zgomot➢ îmbunătățire cu fiecare iterație➢ se pot exploata oricând soluții anterioare

Dezavantaje➢ nu garantează obținerea optimului global➢ pentru aplicații în timp real, este necesară testarea prealabilă pe un model

Aplicații ale AG



23

Aspecte de implementare

➢ reprezentarea datelor – valori binare/reale, alfabet

➢ definirea funcției obiectiv

“Solution is only as good as the objective function”

➢ dimensiunea populației

➢metode și parametri pentru operații (selecție, recombinare, mutație)

➢ condiția de oprire a algoritmuluinumăr de iterații, timp, variația funcției obiectiv

Aplicații ale AG



19

Sumar

➢ Optimizare multiobiectiv➢ Aplicații ale AG

În episodul următor: Studii de caz



Documents

SISTEME INTELIGENTE DE SUPORT DECIZIONAL · Studiu de caz Optimizare multiobiectiv Ș.l.dr.ing. Laura-Nicoleta IVANCIU, Sisteme inteligente de suport decizional Real MOO Ierarhizarea