ıllı Internet y Tecnologías de la Información (2018)

internet, Hosting, dominios, seo, antivirus, banco de imágenes, páginas web, tiendas online

[Enciclopedia Online Gratuita] Diccionario de Internet y Tecnologías de la Información y la Comunicación (TIC):

ıllı Optimización multimodal evolutiva wiki: info, historia y vídeos


La información contenida en esta web debe ser considerada como información general, de carácter formativo, educativo o divulgativo, y no puede ser utilizada o interpretada como consejo o diagnótico médico, psicológico o de ningún otro tipo. Es posible que algunos datos mostrados no esten actualizados. Por ello, en caso de duda lo recomentable es consultar a un experto cualificado.


 


 

videos internet

salud  Optimización multimodal evolutiva 


En matemáticas aplicadas, la optimización multimodal evolutiva se encarga de las labores de optimización que implican localizar todas y cada una o bien la mayor parte de las soluciones múltiples (cuando menos de forma local inmejorables) de un inconveniente, en vez de una sola y mejor solución. La optimización multimodal evolutiva es una rama de la computación evolutiva , que está de manera estrecha relacionada con el aprendizaje automático. Wong da una breve encuesta, en la que el capítulo de Shir y el libro de Preuss cubren el tema con más detalle.



El conocimiento de múltiples soluciones para una labor de optimización es singularmente útil en ingeniería, cuando debido a restricciones físicas (y/o de costo), los mejores resultados pueden no siempre y en todo momento ser realizables. En tal escenario, si se conocen soluciones múltiples (local y/o globalmente inmejorables), la implementación puede mudarse velozmente a otra solución y conseguir el mejor desempeño posible del sistema. Asimismo se podrían examinar múltiples soluciones para descubrir propiedades (o bien relaciones) ocultas del inconveniente de optimización latente, lo que las hace esenciales para conseguir conocimiento de dominio. Además de esto, los algoritmos para optimización multimodal no solo encuentran perfectos múltiples en una ejecución, sino asimismo conservan la diversidad de su población, lo que da como resultado su capacidad de optimización global en funciones multimodales. Además de esto, las técnicas para la optimización multimodal acostumbran a tomarse prestadas como técnicas de mantenimiento de diversidad para otros inconvenientes.


Las técnicas tradicionales de optimización precisarían múltiples puntos de reinicio y múltiples ejecuciones con la esperanza de que se pueda descubrir una solución diferente en todos y cada ejecución, sin garantía. Los algoritmos evolutivos (EA) debido a su enfoque basado en la población, dan una ventaja natural sobre las técnicas de optimización tradicionales. Sostienen una población de soluciones posibles, que se procesan cada generación, y si las soluciones múltiples se pueden conservar durante todas y cada una estas generaciones, a la terminación del algoritmo vamos a tener múltiples soluciones buenas, en vez de solo la mejor solución. Tenga presente que esto va contra la tendencia natural de las técnicas de optimización tradicionales, que siempre y en toda circunstancia confluirán a la mejor solución, o bien una solución subóptima (en una función robusta de "mal comportamiento"). La busca y el mantenimiento de soluciones múltiples es donde reside el reto de utilizar EA para la optimización multimodal. Niching es un término genérico referido como la técnica de localizar y conservar múltiples nichos estables, o bien partes convenientes del espacio de soluciones probablemente en torno a múltiples soluciones, para eludir la convergencia a una sola solución.


El campo de los algoritmos evolutivos engloba algoritmos genéticos (GA), estrategia de evolución (ES), evolución diferencial (DE), optimización de enjambre de partículas (PSO) y otros métodos. Se han efectuado intentos para solucionar la optimización multimodal en todos estos campos y la mayor parte, si no todos y cada uno de los diferentes métodos incorporan niching de alguna manera o bien otra.


Optimización multimodal usando algoritmos genéticos / estrategias de evolución


El procedimiento de hacinamiento de De Jong, el enfoque de la función de intercambio de Goldberg, el procedimiento de compensación de Petrowski, el apareamiento limitado y el mantenimiento de múltiples subpoblaciones son ciertos enfoques populares que la comunidad ha propuesto. Los primeros 2 métodos están singularmente bien estudiados, no obstante, no efectúan una separación explícita en soluciones que pertenecen a diferentes cuencas de atracción.




El procedimiento de hacinamiento de De Jong, el enfoque de la función de intercambio de Goldberg, el procedimiento de compensación de Petrowski, el apareamiento limitado y el mantenimiento de múltiples subpoblaciones son ciertos enfoques populares que la comunidad ha propuesto. Los primeros 2 métodos están singularmente bien estudiados, no obstante, no efectúan una separación explícita en soluciones que pertenecen a diferentes cuencas de atracción.


La aplicación de la optimización multimodal en ES no fue explícita a lo largo de muchos años, y se ha explorado solo últimamente. Shir introdujo un framework de niching que usa ES no azaroso, planteando el CMA-ES como optimizador de niching por vez primera . El fundamento de ese framework fue la selección de un pico individual por subpoblación en todos y cada generación, seguido de su muestreo para generar la dispersión sucesiva de los puntos de busca. La analogía biológica de esta maquinaria es que un macho alfa gana todas y cada una de las competiciones impuestas y domina desde entonces su nicho ecológico , que entonces consigue todos y cada uno de los recursos sexuales para producir su descendencia.


Recientemente, se planteó un enfoque evolutivo de optimización multiobjetivo (EMO), en el que se añade un segundo objetivo conveniente al inconveniente de optimización multimodal objetivado originalmente, de forma que las soluciones múltiples forman un frente pareto-inmejorable enclenque . Por tanto, el inconveniente de optimización multimodal se puede solucionar para sus múltiples soluciones utilizando un algoritmo EMO. Mejorando su trabajo, exactamente los mismos autores han hecho su algoritmo autoadaptativo, suprimiendo de esta manera la necesidad de preespecificar los factores.


En cambio, se plantea un enfoque que no usa ningún radio para separar la población en subpoblaciones (o bien especies) sino emplea la topología espacial.


Optimización multimodal usando DE


Los métodos de niching empleados en GA asimismo se han explorado de forma exitosa en la comunidad DE. La selección local basada en DE y los enfoques de selección global asimismo se han intentado para solucionar inconvenientes multimodales. Los DE conjuntados con los algoritmos de busca locales (Memetic DE) se han explorado como un enfoque para solucionar inconvenientes multimodales.


Para un tratamiento integral de los métodos de optimización multimodal en DE, consulte la tesis Ronkkonen, J. (dos mil nueve). Optimización global multimodal continua con métodos basados ??en la evolución diferencial.


Optimización multimodal usando algoritmo GSO basado en inteligencia de enjambre


Glowworm swarm optimization (GSO) es un algoritmo basado en inteligencia de enjambre, introducido por KN Krishnanand y D. Ghose en dos mil cinco, para el cálculo simultáneo de múltiples funciones perfectas multimodales. El algoritmo comparte ciertas peculiaridades con ciertos algoritmos más conocidos, como la optimización de colonia de hormigas y la optimización de enjambre de partículas , mas con múltiples diferencias significativas. Los agentes en la OSG son considerados como luciérnagas que llevan una cantidad de luminiscencia llamada luciferina junto con ellos. Los luciérnagas codifican la destreza de sus localizaciones actuales, evaluadas a través de la función objetivo, en un valor de luciferina que transmiten a sus vecinos. La luciérnaga identifica a sus vecinos y calcula sus movimientos a través de la explotación de un vecindario acomodable, que está limitado por su rango de sensores. Cada luciérnaga escoge, utilizando un mecanismo probabilístico, un vecino que tiene un valor de luciferina más alto que el suyo y se mueve hacia él. Estos movimientos, basados ??únicamente en la información local y las interactúes vecinas selectivas, dejan que el enjambre de luciérnagas se divida en subgrupos disjuntos que confluyen en inmejorables múltiples de una función multimodal determinada. En contraste a la mayor parte de los otros algoritmos de optimización multimodales evolutivos, la propiedad de dividirse en subgrupos deja que el algoritmo confluya simultáneamente a valores perfectos locales de diferentes valores, lo que lo hace conveniente para solucionar inconvenientes de busca de fuentes de señales múltiples usando robots.



  • Optimización de enjambre de luciérnagas
  • Algoritmo de Firefly


  1. ?Wong, K. C. (dos mil quince), Evolutionary Multimodal Optimization: A Short Survey arXiv preprint arXiv:1508.00457
  2. ?Shir, O bien.M. (dos mil doce), Niching in Evolutionary Algorithms
  3. ?Preuss, Mike (dos mil quince), Multimodal Optimization by Means of Evolutionary Algorithms
  4. ?Wong, K. C. et al. (dos mil doce), Evolutionary multimodal optimization using the principle of locality Information Sciences
  5. ?Mahfoud, S. W. (mil novecientos noventa y cinco), "Niching methods for genetic algorithms"
  6. ?Shir, O bien.M. (dos mil ocho), "Niching in Derandomized Evolution Strategies and its Applications in Quantum Control"
  7. ?Deb, K., Saha, A. (dos mil diez) "Finding Multiple Solutions for Multimodal Optimization Problems Using a Multi-Objective Evolutionary Approach" (GECCO dos mil diez, In press)
  8. ?Saha, A., Deb, K. (dos mil diez) "A Bi-criterion Approach to Multimodal Optimization: Self-adaptive Approach " (Lecture Aprecies in Computer Science, dos mil diez, Volume 6457/2010, 95–104)
  9. ?C. Stoean, M. Preuss, R. Stoean, D. Dumitrescu (dos mil diez) Multimodal Optimization by means of a Topological Species Conservation Algorithm. In IEEE Transactions on Evolutionary Computation, Vol. catorce, Issue seis, pages 842–864, dos mil diez.
  10. ?Ronkkonen,J., (dos mil nueve). Continuous Multimodal Global Optimization with Differential Evolution Based Methods
  11. ?K. N. Krishnanand and D. Ghose (dos mil cinco). Detection of multiple source locations using a glowworm metaphor with applications to collective robotics. IEEE Swarm Intelligence Symposium, Pasadena, California, USA, pp. 84–91,
  12. ?K. N. Krishnanand and D. Ghose. Glowworm swarm optimization for simultaneous capture of multiple local optimiza of multimodal functions. Swarm Intelligence, Vol. tres, No. dos, pp. 87–124, June dos mil nueve.
  13. ?K. N. Krishnanand and D. Ghose. (dos mil ocho). Theoretical foundations for rendezvous of glowworm-inspired agent swarms at multiple locations. Robotics and Autonomous Systems, 56(siete): 549–569.
  14. ?K. N. Krishnanand and D. Ghose. (dos mil seis). Glowworm swarm based optimization algorithm for multimodal functions with collective robotics applications. Multi-agent and Grid Systems, 2(tres): 209–222.
  15. ?K. McGill and S. Taylor, Robot algorithms for localization ofmultiple emission sources, ACM Computing Surveys, Vol. 43,Issue tres, April dos mil once, pp. 15:1 – 15:25


  ELIGE TU TEMA DE INTERÉS: 


autoayuda.es   Internet y Tecnologias 





Está aquí: Inicio > [ INTERNET ] > ıllı Optimización multimodal evolutiva wiki: info, historia y vídeos

Las cookies nos permiten ofrecer nuestros servicios. Al utilizar nuestros servicios, aceptas el uso que hacemos de las cookies. Ver políticas