bola: un nuevo mtodo para los problemas de optimizacin.

Resumen El artculo presenta un nuevo enfoque a los problemas de optimizacin, el nuevo mtodo hace uso de la analoga biolgica inspirado en el comportamiento que presenta el virus del bola en el organismo, esta tcnica fue probada en varias funciones no lineales, algunas de ellas multimodales como lo son las funciones Sphere, (unimodal separable), la funcin de Rastrigin, (multimodal separable) y la funcin de Ackley (multimodal no separable), los resultados obtenidos por nuestro algoritmo fueron comparados con el algoritmo gentico clsico encontrado en la literatura cientfica. bola obtiene significativamente mejores resultados que el algoritmo gentico.
1. Introduccin

En este trabajo se aborda la problemtica de la optimizacin, la cual es el conjunto de tcnicas, mtodos, procedimientos y algoritmos que se puedan utilizar para situaciones donde se necesite minimizar o maximizar costos, demoras, recorridos, etc. (Antoniou & Lu, 2007). Recientemente, algoritmos para encontrar ms de un ptimo de una funcin, normalmente se conoce como una optimizacin de una funcin multimodal de hecho campo que han sido ampliamente estudiado, la mayora de estos estudios se basan en el algoritmos genticos (Im, Kim, Jung, Member, & Choi, 2004). Varios conceptos se han introducido para realizar la optimizacin de funciones multimodales utilizando el algoritmo gentico, como es el caso de Lu, Liang, & Zhang (2008), ms adelante Miller & Shaw (1996), tambin Sareni & Krahenbuhl (1998), muy seguidamente Lee (1999), poco despus, el tema entre muchos otros es tratado por Kim, Cho, Jung, & Lee, (2002), para la misma poca Rupela & Dozier (2002) y ms recientemente (J. -ping Li, X. -dong Li, & Wood, 2010) lo que indica que en muchos aos se ha trabajado bastante el tema con los algoritmos genticos. Hoy en da tambin existen algunos intentos de aplicar estrategias evolutivas ms el concepto de algoritmos genticos (AG) para la optimizacin de funciones multimodales, como lo son Buckles, Koutsougeras, & Amer (1999) y (Aichholzer et al., 2002). Sin embargo la aplicacin excesiva de estos conceptos puede perder la gran ventaja de las estrategias evolutivas, la rapidez de convergencia de estos mtodos (Im et al., 2004). En este artculo es propuesto un nuevo algoritmo para la optimizacin de funciones multimodales, basado en el concepto de estrategia evolutiva, este nuevo mtodo llamado bola hace uso de la analoga biolgica inspirado en el comportamiento que presenta el virus del bola en el organismo, el nuevo mtodo es comparado con el algoritmo gentico clsico y este presenta resultados significativos con respecto a la rapidez de convergencia y la calidad de la solucin, otra desventaja del algoritmo gentico es que necesita el ajuste algunas de las operaciones tales como crossover y

mutacin o en el peor de los casos excesiva combinacin entre estos mtodos (Lee et al.
2007)

2. El virus bola Este virus es miembro de la familia Filoviridae, a su vez integrada en el orden de los Mononegavirales, que emergi de la oscuridad con espectaculares y graves brotes de fiebre hemorrgica, fue identificado por primera vez en 1976 cuando ocurrieron simultneamente dos brotes al sur de Sudn y al norte de Zaire, en la regin del ro bola que dio nombre al virus (Feldmann et al., 1992). El virus bola al igual que todos los organismos vivos, se caracterizan por su capacidad de transferir sus propiedades estructurales y funcionales a sus descendientes, los elemento a que incumbe la trasferencia de los caracteres hereditarios, se denomina genes, estos genes se conservan normalmente y se copian sin alteraciones, no obstante algunas veces se producen en ellos cambios o mutaciones que dan origen a nuevos tipos o mutantes de virus, diferentes de la cepa original o silvestre. Los resultados obtenidos mediante cruces entre un mutante h y distintos mutantes r, permitieron interpretar estas investigaciones en trminos de la gentica clsica. Lo genes, segn esta interpretacin estn alineados linealmente, y por lo tanto una mutacin de ellos debe estar situada en un lugar particular o locus de esta estructura lineal. La recombinacin entre los mutantes hr+ y h+r puede ser entonces entendida como un intercambio de partes homologas entre los genomas de los virus (figura. 1) este intercambio se cree que ocurre por un entrecruzamiento (crossover) en cualquier parte comprendida entre los locus mutados [9 Bacterifagos].

3. Descripcin del Algoritmo bola. Un problema de minimizacin global se puede formular utilizando un par (S, F) donde S es un conjunto de soluciones factibles; SRp, S, conjunto acotado sobre Rp y F: SR una funcin p-dimensional que toma valores reales, el objetivo es encontrar un punto Xmin S tal que Fmin sea un mnimo global sobre S. Generamos la poblacin inicial de individuos de tamao nv, tomando una muestra aleatoria simple de dos poblacin de genes distribuida uniformemente en el rango de definicin de las variables de cada funcin. Cada individuo se codifica como un vector de nmeros reales. (nvk), donde k {1,..., NA}. Se calcula el valor de aptitud de cada individuo de la poblacin basndonos en la funcin objetivo f(x). Se escoge el mejor de la poblacin para aplicar el criterio de elitismoesto es, introducimos el mejor individuo de una generacin en la siguiente

Se calcula el valor promedio de la funcin de aptitud de toda la poblacin. Al conjunto de individuos que tienes el valor de aptitud menor o igual al promedio, se calcula el promedio de cada dimensin, siendo este un nuevo individuo. Es aplicado un tipo de recombinacin gentica entre el nuevo individuo y los individuos que tiene el valor de actitud menor o igual al promedio. (Cruzamiento: el operador de cruce de un punto, los individuos seleccionados se cortan sus cromosomas por un punto seleccionado aleatoriamente para generar dos segmentos diferenciados en cada uno de ellos: la cabeza y la cola. Se intercambian las colas entre los dos individuos para generar los nuevos descendientes. De esta manera ambos descendientes heredan informacin gentica de los padres). Ahora para completar el resto de la nueva poblacin se muta el mejor individuo de la poblacin anterior tantas veces se necesite, la mutacin del individuo provoca que algunos de sus genes, en nuestra practica uno solo, vari su valor de forma aleatoria. La mejor solucin ser aquel virus con mayor patogenidad (menor valor de la funcin de aptitud. 3.1 Descripcin del Algoritmo Gentico Generamos la poblacin inicial de individuos de tamao nv, tomando una muestra aleatoria simple de una poblacin de genes distribuida uniformemente en el rango de definicin de las variables de cada funcin. Cada individuo se codifica como un vector de nmeros reales. Se calcula el valor de aptitud de cada individuo de la poblacin basndonos en la funcin objetivo f(x). Se realiza una seleccin por torneo de 2 individuos, puesto que junto con la seleccin por ruleta, es la que mejores resultados proporciona (Zhang & Kim, 2000) Adems tiene una menor complejidad que sta (Bck 1996). La idea principal de este mtodo consiste en realizar la seleccin en base a comparaciones directas entre individuos. Para el algoritmo se selecciona al zar un numero p de individuos (generalmente se escoge p=2). De entre los individuos se seleccionados el ms apto para pasarlo a la siguiente generacin. Para asegurar que el mejor individuo de una generacin siempre pasa a la siguiente se utilizar el criterio de elitismo. De esta forma la dinmica del proceso de seleccin consiste en seleccionar el mejor individuo, y a continuacin, aplicar una seleccin por torneo de 2 para seleccionar los N-1 individuos restantes. Una vez seleccionado los individuos, estos son recombinados para producir la descendencia que se insertara en la siguiente generacin. Esta recombinacin se hace utilizando el operador de cruce de un punto con una probabilidad de 0.95, los individuos seleccionados se cortan sus cromosomas por un punto seleccionado aleatoriamente para generar dos segmentos diferenciados en cada uno de ellos: la cabeza

y la cola. Se intercambian las colas entre los dos individuos para generar los nuevos descendientes. De esta manera ambos descendientes heredan informacin gentica de los padres. Conjunto con las operaciones de cruce se realiza una mutacin sobre un individuo, la mutacin del individuo provoca que algunos de sus genes, en nuestra practicar uno solo, vari su valor de forma aleatoria. La probabilidad de mutacin es muy baja, en el experimento utilizamos 0.05. Esto es para que todos los individuos suelan tener un ajuste menor despus de mutados, sin embargo se realizan mutaciones para garantizar que ningn punto del espacio de bsqueda tenga una probabilidad nula de ser examinado. 4. Funciones de Prueba y Dominios Para poder realizar comparaciones entre los algoritmos. Hemos considerado tres funciones tipo del conjunto de pruebas propuesto por (Eiben & Bck 1997). Funciones cuya ecuacin y dominios de definicin se muestran en la tabla 1. Son la funcin Sphere, (unimodal separable), la funcin de Rastrigin, (multimodal separable) y la funcin de Ackley (multimodal no separable). Todas las funciones estn definidas en un espacio de bsqueda de dimensin p= 30 y tienen el mnimo global en fi, min= 0, para x= (0,0,...,0). En la tabla 1 se muestran las tres funciones con los dos dominios de definicin, dominios donde el ptimo se encuentra en el interior o en el borde del dominio respectivamente. Los algoritmos fueron ejecutados 100 veces bajo las mismas condiciones iniciales para las tres funciones consideradas a efectos de obtener su mnimo global.

Nombre

Definicin

Dominio [-5.12 , 5.12]

Sphere

Rastrigin

[-5.12 , 5.12]

Ackley

[-30 , 30]

5. Resultados En este estudio se realizaron 100 ejecuciones, cada ejecucin consta de 3 segundos con los mismos parmetros para los dos algoritmos, tomando como poblacin inicial 50, y un espacio de 30 dimensiones, el algoritmo gentico clsico fue sometido a un diseo experimental Para encontrar sus mejores parmetros el cual arrojo para una probabilidad de cruzamiento de 0,95 y una probabilidad de mutacin del 0,05. Se inici con la funcin Sphere, es relativamente sencillo obtener el mnimo global para esta funcin, aunque consideremos espacios de 30 variables y el ptimo se encuentre en uno de los bordes del intervalo, por lo tanto los dos algoritmos ofrecieron muy buenos resultados. Para la funcin de Rastrigin el nuevo enfoque meta-heurstico mantiene la misma calidad en cuanto a solucin se refiere, mientras el algoritmo gentico obtiene significativamente peores resultados. Por ltimo, los resultados para la funcin Ackley del algoritmo gentico son significativamente mejores con respecto a las soluciones encontradas en las Rastrigin, pero a la vez son significativamente inferiores a los resultados encontrados en la funcin Sphere. Para el nuevo algoritmo propuesto la calidad se mantiene en las funciones de Sphere y Rastrigin pero disminuye significativamente en la funcin Ackley.

A continuacin reflejamos los resultados obtenidos por los dos algoritmos evolutivos con los tres tipos de funciones. En la Tabla 2 presentamos las medias y desviaciones tpicas obtenidas en las cien ejecuciones.

A. G. bola

Sphere Media Desv. Est. 0,169362 0,248910 0,00E+00 0,00E+00

Rastrigin Media Desv. Est. 9,795236 10,342919 0,00E+00 0,00E+00

Ackley Media Desv. Est. 3,001568 1,771537 -8,88E-16 9,9104E-32

6. Conclusiones. En este artculo hemos presentado un nuevo enfoque a los problemas de optimizacin llamado bola, emulando el comportamiento que presenta este virus en el organismo. Este mtodo fue probado con las funciones Sphere, (unimodal separable), la funcin de Rastrigin, (multimodal separable) y la funcin de Ackley (multimodal no separable), los resultados fueron comparados con el mejor algoritmo gentico clsico encontrado en la literatura cientfica. bola obtiene exageradamente mejores resultados que el algoritmo gentico. Entre los principales resultados obtenidos podemos destacar los siguientes: Obtenemos resultados muy cercanos al ptimo global con pocas iteraciones y con pocos nmeros de virus en la poblacin inicial. No existen dificultades a medida que se incrementa el nmero de variables.

En el caso con ms o menos variables no es necesario la modificacin del algoritmo. En los ejemplos de 30 variables aunque estemos ante una funcin multimodal difcil, como la de Rastrigin con muchos ptimos locales, el algoritmo es capaz de escapar de ellos y llegar al ptimo global.

Estamos ante un prometedor algoritmo para la optimizacin de funciones con muchas variables, nos queda, como tarea pendiente, estudiar su comportamiento en otros tipos de problemas (scheduling).

7. Bibliografa Antoniou, A., Lu, Wu-Sheng. (2007). Practical Optimization: Algorithms and Engineering Applications. Springer Science. (1), 2-4.

Im, C.-hwan, Kim, H.-kyu, Jung, H.-kyo, Member, S., & Choi, K. (2004). A Novel Algorithm for Multimodal Function Optimization Based on Evolution Strategy. IEEE, 40(2), 1224-1227. Lu, Q., Liang, C., & Zhang, E. (2008). A Dynamic Sharing Scheme-based Multimodal Niche Genetic Algorithm. In 7th World Congress on Intelligent Control and Automation (pp. 5333-5338). doi: 10.1109/WCICA.2008.4593798. Miller, B. L., & Shaw, M. J. (1996). Genetic algorithms with dynamic niche sharing for multimodal function optimization. Proceedings of IEEE International Conference on Evolutionary Computation (pp. 786-791). Ieee. doi: 10.1109/ICEC.1996.542701.
Sareni, B., & Krahenbuhl, L. (1998). Fitness sharing and niching methods revisited. IEEE Transactions on Evolutionary Computation, 2(3), 97-106. doi: 10.1109/4235.735432. Lee, C.-gyun. (1999). Niching genetic algorithm with restricted competition selection for multimodal function optimization. IEEE Transactions on Magnetics, 35(3), 1722-1725. doi: 10.1109/20.767361. Kim, J.-kwang, Cho, D.-hyeok, Jung, H.-kyo, & Lee, C.-gyun. (2002). Niching genetic algorithm adopting restricted competition selection combined with pattern search method. IEEE, 38(2), 1001-1004. Rupela, V., & Dozier, G. (2002). Parallel and distributed evolutionary computations for multimodal function optimization. Proceedings of the 5th Biannual World Automation Congressb (pp. 307-312). TSI Press. doi: 10.1109/WAC.2002.1049561. Li, J.-ping, Li, X.-dong, & Wood, A. (2010). Species Based Evolutionary Algorithms for Multimodal. World congress on Computational Intelligence (pp. 18-23). doi: 10.1109/CEC.2010.5586349.

Buckles, B. P., Koutsougeras, C., & Amer, S. (1999). Niching in an ES/EP context. Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat. No. 99TH8406) (pp. 14261433). Ieee. doi: 10.1109/CEC.1999.782650.

Feldmann H., Nichol S.T., Klenk H.D. y col. (1994). Characterization of filoviruses based on differences in structure and antigenicity of the virion glycoprotein. Virology. 199: 469-473.
Kim, Jung-jib. Zhang, B.-T. (2000). Comparison of Selection Methods for Evolutionary Optimization. International Journal, 2(1), 55-70.

Bck, Thomas. (1996). Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic Algorithms. Oxford university press, Eiben, Agoston. Bck, Thomas. (1997). Empirical investigation of multiparent recombination operators in evolution strategies. Journal Evolutionary Computation, 5(3):347-365.1997.