Upload
dmolina
View
50
Download
0
Embed Size (px)
Citation preview
Algoritmo memético basado enregiones con archivo externo
para optimización multimodal
Benjamin Lacroix1 Daniel Molina2 Francisco Herrera1
(1) Universidad de Granada (2) Universidad de Cádiz
http://sci2s.ugr.es
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Resumen
1 Introducción
2 Concepto de Regiones
3 AM basado en regiones con archivo externo, RMAwA
4 Estudio Experimental
5 Conclusiones
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Índice
1 Introducción
2 Concepto de Regiones
3 AM basado en regiones con archivo externo, RMAwA
4 Estudio Experimental
5 Conclusiones
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Problema de Optimización Multimodal
Problema de Optimización
General f (x∗) ≤ f (x) ∀x ∈ Domain
Real Domain ⊆ <D x∗ = [x1, x2, · · · , xD ]
Distintos objetivos
Un óptimo Encontrar una única solución óptima.
Multimodal Tantos óptimos como sea posible.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Diferencias de la optimización multimodal
Elementos comunes
Explotar soluciones.
Evitar óptimos locales.
Diferencias1 No centrarse en región.
2 Identi�car óptimos.
3 Guardarlos aparte.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Diferencias de la optimización multimodal
Elementos comunes
Explotar soluciones.
Evitar óptimos locales.
Diferencias1 No centrarse en región.
2 Identi�car óptimos.
3 Guardarlos aparte.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Diferencias de la optimización multimodal
Elementos comunes
Explotar soluciones.
Evitar óptimos locales.
Diferencias1 No centrarse en región.
2 Identi�car óptimos.
3 Guardarlos aparte.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Evolutivo para Optimización Multimodal
1. No centrarse en región
Mantener distancia mínima entre soluciones.
Técnicas de nichos
2. Identi�car los óptimos
De�niendo valores umbrales de error.
3. Almacenar aparte los óptimos
Pueden ser mayor que la población.
Condicionar mucho la búsqueda.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Evolutivo para Optimización Multimodal
1. No centrarse en región
Mantener distancia mínima entre soluciones.
Técnicas de nichos
2. Identi�car los óptimos
De�niendo valores umbrales de error.
3. Almacenar aparte los óptimos
Pueden ser mayor que la población.
Condicionar mucho la búsqueda.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Evolutivo para Optimización Multimodal
1. No centrarse en región
Mantener distancia mínima entre soluciones.
Técnicas de nichos
2. Identi�car los óptimos
De�niendo valores umbrales de error.
3. Almacenar aparte los óptimos
Pueden ser mayor que la población.
Condicionar mucho la búsqueda.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Evolutivo para Optimización Multimodal
1. No centrarse en región
Mantener distancia mínima entre soluciones.
Técnicas de nichos
2. Identi�car los óptimos
De�niendo valores umbrales de error.
3. Almacenar aparte los óptimos
Pueden ser mayor que la población.
Condicionar mucho la búsqueda.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Evolutivo para Optimización Multimodal
1. No centrarse en región
Mantener distancia mínima entre soluciones.
Técnicas de nichos
2. Identi�car los óptimos
De�niendo valores umbrales de error.
3. Almacenar aparte los óptimos
Pueden ser mayor que la población.
Condicionar mucho la búsqueda.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Evolutivo para Optimización Multimodal
1. No centrarse en región
Mantener distancia mínima entre soluciones.
Técnicas de nichos
2. Identi�car los óptimos
De�niendo valores umbrales de error.
3. Almacenar aparte los óptimos
Pueden ser mayor que la población.
Condicionar mucho la búsqueda.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Índice
1 Introducción
2 Concepto de Regiones
3 AM basado en regiones con archivo externo, RMAwA
4 Estudio Experimental
5 Conclusiones
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmos Meméticos
Componentes
Algoritmo Poblacional responsable de la Búsqueda Global.
Método de Mejora Local que consigue precisión.
+
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Concepto de Regiones para Nichos
Regiones
Dividen el espacio de búsqueda en hipercubos, regiones.
Se acepta sólo una solución (mejor) por región.
Nichos usando distancia Nichos usando regiones
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Ventajas de las regiones
Simples.
Fáciles de dividir
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Ventajas de las regiones
Simples.
Fáciles de dividir
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Índice
1 Introducción
2 Concepto de Regiones
3 AM basado en regiones con archivo externo, RMAwA
4 Estudio Experimental
5 Conclusiones
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
AM Basado en Regiones con archivo externo
Características generales
Aplica un Algoritmo Genético para explorar.
Aplica el CMA-ES para explotar.
Características novedosas
Aplica técnica de nichos basada en regiones dinámicas.
Usa un archivo para almacenar óptimos y regiones.
Identi�ca regiones no explorables.
¾Cúales regiones no explora más?
Aquel cuya solución no mejora por la BL.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
AM Basado en Regiones con archivo externo
Características generales
Aplica un Algoritmo Genético para explorar.
Aplica el CMA-ES para explotar.
Características novedosas
Aplica técnica de nichos basada en regiones dinámicas.
Usa un archivo para almacenar óptimos y regiones.
Identi�ca regiones no explorables.
¾Cúales regiones no explora más?
Aquel cuya solución no mejora por la BL.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo RMAwA
Algoritmo: Pseudo-código de RMAwA
Inicializa población aleatoriamente de forma uniforme.mientras MaxFEs no se alcance hacer
Aplica el AE durante iEA evaluacionessbest ← mejor individuo de la poblaciónAplica la BL sobre sbestsi se debe incrementar el número de regiones entonces
NDi = mu · NDi−1Actualiza los índices de la memoria
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Archivo
2.1 0.3
4.5 3.8
0.5 0.1
0.3 1.1
1.4 1.6
1 1
0 1 2 0
0 0 1 3 4 3
List Index
1.2 3.9 1 3
sn
rn
Solution to be inserted inthe archive
1.2 3.9
Archive
Almacena
Soluciones.
Regiones.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Archivo
Permite
Recuperar rápidamente las regiones ocupadas.
Almacena óptimos encontrados.
Almacena regiones a no visitar (no mejoradas por la BL).
Uso de la memoria
Detectar soluciones en misma región, mantiene la mejor.
Si encuentra óptimo marca región como no explorable, ylo borra de la población.
Impide crear soluciones en regiones no explorables.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Poblacional
Algoritmo Genético Estacionario
Cruce BLX − α.Mutación BGA.
Selección NAM, con NNAM = 3.
Reemplaza la Peor.
Modi�caciones
Evita soluciones en regiones con óptimo.
Si cae en región ocupada, mantiene sólo la mejor.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Poblacional
Algoritmo: Pseudo-código del AE en RMAwA
i ← 0mientras i < iEA hacer
Selecciona dos padresrepetir
Crea una solución sn mediante cruce y mutaciónCalcula la región rn en donde pertenece sn
hasta que ri se deba explorar
Evalúa sn, i = i + 1Recupera de la población conjunto de soluciones Srn de la región rnsi Srn 6= ∅ entonces
Srn ← Srn ∪ snBorra peor individuo de Srn
en otro caso
Reeplaza el peor individuo sworst de la población si f (sworst) > f (sn)
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Algoritmo Poblacional
Algoritmo: Pseudo-código del AE en RMAwA
i ← 0mientras i < iEA hacer
Selecciona dos padresrepetir
Crea una solución sn mediante cruce y mutaciónCalcula la región rn en donde pertenece sn
hasta que ri se deba explorar
Evalúa sn, i = i + 1Recupera de la población conjunto de soluciones Srn de la región rnsi Srn 6= ∅ entonces
Srn ← Srn ∪ snBorra peor individuo de Srn
en otro caso
Reeplaza el peor individuo sworst de la población si f (sworst) > f (sn)
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Aplicación de la BL
Aplicando la BL
Aplica sobre La mejor solución actual en la población.
Mientras mejore la solución (CMA-ES es rápido).
Al terminar marca regiones inicial y �nal como exploradasy elimina solución de la población.
¾Por qué marca regiones como exploradas?
Para no explorar con el AG región explorada por la BL.
¾Por qué marca soluciones inicial y �nal?
Supone que la región inicial está en la base de atracción.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Aplicación de la BL
Aplicando la BL
Aplica sobre La mejor solución actual en la población.
Mientras mejore la solución (CMA-ES es rápido).
Al terminar marca regiones inicial y �nal como exploradasy elimina solución de la población.
¾Por qué marca regiones como exploradas?
Para no explorar con el AG región explorada por la BL.
¾Por qué marca soluciones inicial y �nal?
Supone que la región inicial está en la base de atracción.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Aplicación de la BL
Aplicando la BL
Aplica sobre La mejor solución actual en la población.
Mientras mejore la solución (CMA-ES es rápido).
Al terminar marca regiones inicial y �nal como exploradasy elimina solución de la población.
¾Por qué marca regiones como exploradas?
Para no explorar con el AG región explorada por la BL.
¾Por qué marca soluciones inicial y �nal?
Supone que la región inicial está en la base de atracción.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Índice
1 Introducción
2 Concepto de Regiones
3 AM basado en regiones con archivo externo, RMAwA
4 Estudio Experimental
5 Conclusiones
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Marco experimental
Benchmark de optimización multimodal del CEC'2013
20 Combinaciones, 12 Funciones con distintadimensionalidad (1-20).
Distintos valores ε: 10−1, 10−2, . . . , 10−5.
Distintos número de óptimos:
Quince con menos de 10.
Tres entre 10 y 40: F6,F7,F10 con 18, 36 y 12.
Uno con 81 óptimos: F8.
Uno con más de 200: F9.
Medida de bondad: Ratio de óptimos
Para cada ε el ratio de óptimosencontrado.
PR =∑
NR
i=1 NPFiNKP·NR
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Parámetros de aplicación
Aplicación de IRace
Automatic tuning.
Fácil de con�gurar.
Parámetros
Parámetro Rango Obtenido
iEA [100, 1000] 550iLS [100, 1000] 150ND0 [2, 10] 2u [2, 5] 4mu [1, 5] 1.7NP [40, 120] 70α [0,1, 0,9] 0.9
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Comparativa Region-MA vs Euclidean-MA
¾Uso de regiones?
¾Mejora el uso de regiones vs cleaning con distancia euclídea?
Problema F1 F2 F3 F4 F5Regiones 0.81 0.42 1.00 0.97 0.99D. Euclídea 0.77 0.56 1.00 0.36 0.87
Problema F6 F7 F8 F9 F10Regiones 0.00 0.70 0.06 0.22 0.94D. Euclídea 0.00 0.05 0.06 0.01 0.13
Problema F11 F12 F13 F14 F15Regiones 0.68 0.86 0.63 0.64 0.15D. Euclídea 0.27 0.14 0.20 0.18 0.14
Problema F16 F17 F18 F19 F20Regiones 0.36 0.16 0.17 0.13 0.13D. Euclídea 0.19 0.13 0.17 0.13 0.13
Comparativa con Wilcoxon
R+ R-Region-MA Euclídea-MA p-value
189 21 0.0008
Además, es de media 17% más rápido.
Conclusión
El uso de regiones mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Comparativa Region-MA vs Euclidean-MA
Problema F1 F2 F3 F4 F5Regiones 0.81 0.42 1.00 0.97 0.99D. Euclídea 0.77 0.56 1.00 0.36 0.87
Problema F6 F7 F8 F9 F10Regiones 0.00 0.70 0.06 0.22 0.94D. Euclídea 0.00 0.05 0.06 0.01 0.13
Problema F11 F12 F13 F14 F15Regiones 0.68 0.86 0.63 0.64 0.15D. Euclídea 0.27 0.14 0.20 0.18 0.14
Problema F16 F17 F18 F19 F20Regiones 0.36 0.16 0.17 0.13 0.13D. Euclídea 0.19 0.13 0.17 0.13 0.13
Comparativa con Wilcoxon
R+ R-Region-MA Euclídea-MA p-value
189 21 0.0008
Además, es de media 17% más rápido.
Conclusión
El uso de regiones mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Comparativa Region-MA vs Euclidean-MA
Problema F1 F2 F3 F4 F5Regiones 0.81 0.42 1.00 0.97 0.99D. Euclídea 0.77 0.56 1.00 0.36 0.87
Problema F6 F7 F8 F9 F10Regiones 0.00 0.70 0.06 0.22 0.94D. Euclídea 0.00 0.05 0.06 0.01 0.13
Problema F11 F12 F13 F14 F15Regiones 0.68 0.86 0.63 0.64 0.15D. Euclídea 0.27 0.14 0.20 0.18 0.14
Problema F16 F17 F18 F19 F20Regiones 0.36 0.16 0.17 0.13 0.13D. Euclídea 0.19 0.13 0.17 0.13 0.13
Comparativa con Wilcoxon
R+ R-Region-MA Euclídea-MA p-value
189 21 0.0008
Además, es de media 17% más rápido.
Conclusión
El uso de regiones mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Comparativa Region-MA vs Euclidean-MA
Problema F1 F2 F3 F4 F5Regiones 0.81 0.42 1.00 0.97 0.99D. Euclídea 0.77 0.56 1.00 0.36 0.87
Problema F6 F7 F8 F9 F10Regiones 0.00 0.70 0.06 0.22 0.94D. Euclídea 0.00 0.05 0.06 0.01 0.13
Problema F11 F12 F13 F14 F15Regiones 0.68 0.86 0.63 0.64 0.15D. Euclídea 0.27 0.14 0.20 0.18 0.14
Problema F16 F17 F18 F19 F20Regiones 0.36 0.16 0.17 0.13 0.13D. Euclídea 0.19 0.13 0.17 0.13 0.13
Comparativa con Wilcoxon
R+ R-Region-MA Euclídea-MA p-value
189 21 0.0008
Además, es de media 17% más rápido.
Conclusión
El uso de regiones mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Uso de archivo: RMAwA vs RMAwSA
¾Uso de archivos?
¾Mejora el uso de archivo los resultados?
Problema F1 F2 F3 F4 F5
RMAwA 1.00 1.00 1.00 1.00 1.00RMAwSA 1.00 0.31 1.00 1.00 1.00
Problema F6 F7 F8 F9 F10RMAwA 0.00 0.92 0.82 0.51 1.00RMAwSA 0.00 0.66 0.91 0.34 0.98
Problema F11 F12 F13 F14 F15RMAwA 1.00 1.00 0.99 0.81 0.70RMAwSA 0.67 0.93 0.67 0.67 0.65
Problema F16 F17 F18 F19 F20RMAwA 0.67 0.66 0.23 0.13 0.12RMAwSA 0.67 0.32 0.18 0.12 0.12
Comparativa con Wilcoxon
RMAwA RMAwSA p-value186.5 23.5 0.00132
Conclusión
El uso de archivo mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Uso de archivo: RMAwA vs RMAwSA
Problema F1 F2 F3 F4 F5
RMAwA 1.00 1.00 1.00 1.00 1.00RMAwSA 1.00 0.31 1.00 1.00 1.00
Problema F6 F7 F8 F9 F10RMAwA 0.00 0.92 0.82 0.51 1.00RMAwSA 0.00 0.66 0.91 0.34 0.98
Problema F11 F12 F13 F14 F15RMAwA 1.00 1.00 0.99 0.81 0.70RMAwSA 0.67 0.93 0.67 0.67 0.65
Problema F16 F17 F18 F19 F20RMAwA 0.67 0.66 0.23 0.13 0.12RMAwSA 0.67 0.32 0.18 0.12 0.12
Comparativa con Wilcoxon
RMAwA RMAwSA p-value186.5 23.5 0.00132
Conclusión
El uso de archivo mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Uso de archivo: RMAwA vs RMAwSA
Problema F1 F2 F3 F4 F5
RMAwA 1.00 1.00 1.00 1.00 1.00RMAwSA 1.00 0.31 1.00 1.00 1.00
Problema F6 F7 F8 F9 F10RMAwA 0.00 0.92 0.82 0.51 1.00RMAwSA 0.00 0.66 0.91 0.34 0.98
Problema F11 F12 F13 F14 F15RMAwA 1.00 1.00 0.99 0.81 0.70RMAwSA 0.67 0.93 0.67 0.67 0.65
Problema F16 F17 F18 F19 F20RMAwA 0.67 0.66 0.23 0.13 0.12RMAwSA 0.67 0.32 0.18 0.12 0.12
Comparativa con Wilcoxon
RMAwA RMAwSA p-value186.5 23.5 0.00132
Conclusión
El uso de archivo mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Uso de archivo: RMAwA vs RMAwSA
Problema F1 F2 F3 F4 F5
RMAwA 1.00 1.00 1.00 1.00 1.00RMAwSA 1.00 0.31 1.00 1.00 1.00
Problema F6 F7 F8 F9 F10RMAwA 0.00 0.92 0.82 0.51 1.00RMAwSA 0.00 0.66 0.91 0.34 0.98
Problema F11 F12 F13 F14 F15RMAwA 1.00 1.00 0.99 0.81 0.70RMAwSA 0.67 0.93 0.67 0.67 0.65
Problema F16 F17 F18 F19 F20RMAwA 0.67 0.66 0.23 0.13 0.12RMAwSA 0.67 0.32 0.18 0.12 0.12
Comparativa con Wilcoxon
RMAwA RMAwSA p-value186.5 23.5 0.00132
Conclusión
El uso de archivo mejora los resultados.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Comparando con otros algoritmos
PNA-NSGA-II: Aplica optimización multimodal como unproblema bi-objetivo, usando diversidad.
dADE/nrand DE con mutación basada en vecindario yuna memoria dinámica.
DE/nrand DE con mutación basada en vecindario.
CrowdingDE DE con método de multitud (crowding) paraevitar convergencia prematura.
NCDE DE con mutación basada en vecindario ymecanismo crowding.
r3pso PSO con topología de vecindario en anillo.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Resultados de la comparativa: tests de Wilcoxon
Ranking medio
Nivel Precisión 10−1 10−2 10−3 10−4 10−5
CrowdingDE 4.3 4.3 4.5 4.7 4.7DE/nrand 5.1 4.2 4.1 3.6 3.4r3pso 5.0 5.8 6.0 6.0 6.2NCDE 4.0 4.4 4.3 4.4 4.5PNA-NSGAII 3.4 3.7 3.8 4.1 3.9dADE/nrand 3.0 3.0 3.0 3.0 3.1RMAwA 3.3 2.7 2.3 2.2 2.2
Test de Wilcoxon
Nivel precisión 10−1 10−2 10−3 10−4 10−5
CrowdingDE 0.0935 0.0016 0.0001 0.0000 0.0001DE/nrand 0.0039 0.0089 0.0077 0.0082 0.0108r3pso 0.0004 0.0000 0.0000 0.0000 0.0000NCDE 0.2273 0.0001 0.0001 0.0001 0.0001PNA-NSGAII 0.9839 0.2549 0.0837 0.0484 0.0274dADE/nrand 0.2862 0.4441 0.1279 0.0227 0.0323
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Comparando globalmente
Comparando globalmente
RMAwA vs R+ R− p-valueCrowdingDE 4531 431.5 0DE/nrand 4197.5 768 2e-9r3pso 4844.5 115 0NCDE 4502 462.5 0
PNA-NSGAII 3427 1535.5 0.0010dADE/nrand 3288 1762 0.0087
Conclusiones
RMAwA es mejor que el resto.
Para ε = 10−4, 10−5 es estadísticamente mejor que todos.
La diferencia aumenta con nivel de precisión ε.
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Índice
1 Introducción
2 Concepto de Regiones
3 AM basado en regiones con archivo externo, RMAwA
4 Estudio Experimental
5 Conclusiones
Introducción Regiones Propuesta:RMAwA Experimentos Conclusiones
Conclusiones
Hemos presentado un AM para optimización multimodalbasado en regiones con memoria externa, RMAwA.
Niching con regiones es más e�ciente y ofrece mejoresresultados (especialmente dimensiones bajas).
El uso de archivo para marcar regiones exploradas permitemejorar resultados.
RMAwA es estadísticamente mejor que los algoritmoscomparados.
Especialmente con mayor precisión.