Académique Documents
Professionnel Documents
Culture Documents
Evolución Diferencial
UMSNH
23 de junio de 2009
Breve Panorama de ED
Estructura de la población
Estructura de la población
Estructura de la población
Inicialización
Mutación Diferencial
Cruza
Selección
ui ,g si f (ui ,g ) ≤ f (xi ,g )
(
xi ,g +1 =
xi ,g de otra manera
Diagrama de Flujo
Contour Matching
Figura: Generacion 1
Facilidad de uso
Eciente utilización
Inicialización
Inicialización
DIstribuciones Uniformes
Distribución uniforme
Conjuntos de Halton (Método que esta basado en números
primos para generar puntos distribuidos de manera uniforme
pero irregular)
Xj ,i ,0 = bj ,L + pdf () ∗ (bj ,U − bj ,L )
Inicialización
Selección De Permutación
Para asegurar que cada vector sirva como un vector base solo una
vez por generación, selección de permutacion apunta a índices de
vectores base consecutivos desde un arreglo conteniendo una
permutación aleatoria de la secuencia [0, 1, 2... Np − 1].
El vector meta con índice i es cruzado con su vector base el cual es
el i-ésimo elemento de la permutación.
El arreglo de permutación puede ser iniciada con un vector de
enteros consecutivos y el vector r 0 es computado con una llamada
a un generador de números aleatorios.
Otra manera de hacerlo es asignar a i el vector el cual es el
producto, módulo Np, de i y un entero relativamente primo a Np.
r 0 = (i + rg )Np
rg = oor (randg (0, 1) ∗ Np )
rg es escogido al comienzo de cada nueva generación
Cada uno de los Np posibles valores para rg dene un mapeo uno a
uno entre el vector base y meta.
r0,r1,r2.
r 1 = r 2(= r 0) : vi ,g = Xr 0,g
r 1 = r 2(= r 0) ∧ Cr = 1 : ui ,g = vi ,g = xr 0,g
(D − 1)!
p (X = D − 1) = Cr D −1 (1 − Cr )0 = Cr D −1 , 0! =1
(D − 1)!0!
i=r1 o i=r2
Forzar i 6= r 0.
Excluir todos los índices: i 6= r 0 6= r 1 6= r 2
1 Método Best
1 Mutación Diferencial
2 Control de la escala de Mutación por medio del parámetro F
Mutación Diferencial
Se da diversidad a la población
El Factor de Escala: F
F >=1
Cuando F = 1
El Factor de Escala: F
F<1
El Factor de Escala: F
Np −1 Np −1
1 1
Var (Px ,g ) = (x − < x > g )2 ; < x >g = x
X X
Np i =0 i ,g Np i =0 i ,g
El Factor de Escala: F
El Factor de Escala: F
Np − 1
E (Var (Pv ,g ) = (2 ∗ F 2 + )Var (Px ,g )
Np
Si la población mutante es cruzada con la población original,
la población de prueba esperada es:
pcr pCr
2
2
E (Var (Pu,g )) = (2F 2 pCr − + + 1)Var (Px ,g )
Np Np
El Factor de Escala: F
2 pCr
2 P2 − + =0
Np Np
Puede ser considerada crítica desde que resulta en una
población la cual la varianza sigue siendo una constante sin
contar las uctuaciones aleatorias.
El Factor de Escala: F
El Factor de Escala: F
n+1
2
r = (xi + Ci )2
X
i =1
Minimizando Hiper-elipsoide
o
Al rotar 45 , la función se vuelve en una con parámetros
dependientes.
Otras Distribuciones
Cuando τ = 0, Fj = F .
Se puede controlar la varianza de la distribución de
independientemente de F.
Distribucion Uniforme
Figura: Con F = 0,9, la Ley de la Energía tiene pequeña varianza, asi que
los resultados para Jitter y Ditter en el hiper-elipsoide 10 -
dimensional estan cerca a aquellos para Fi = constante .
Recombinación
Cruza
Cruza
Crosover de N-Puntos
Cruza
Crosover Exponencial
Cruza
p (x = 2) = (1 − Cr )Cr
En base a esto, la probabilidad que el vector de prueba sea
heredado exactamente n parámetros mutantes es:
k =1
Rodrigo López Farías Evolución Diferencial
Vision General, Evolución Diferencial
Cruza
Cruza
p = n, D =D −1 Crn−1 Cr n−1 (1 − Cr )D −n
Donde:
D −1
D −1 Cn−1 =
(n − 1)!(D − n)!
Cruza
Cruza
El Rol de Cr en Optimización
D − dimensionales
Al encontrar el óptimo de las funciones , se
combinan para formar la función D − dimensional
o
En la elipse rotada 45 , el óptimo no podria alcanzarse en dos
movimientos, si cada paso fuera tomado paralelo al eje de las
coordenadas. Se necesitan muchas mutaciones para poder
alcanzar el óptimo global.
Invarianza Rotacional
Invarianza Rotacional
Recombinacion Aritmética
Recombinacion Aritmética
u = xr 0 + k1 ∗ (xr 1 − xr 0 ) + k2 ∗ (xr 2 − xr 0 )
Haciendo un Cambio de Variable
(K + F )
k1 = √
2
(K − F )
k2 = √
2
Se obtiene:
K +F K −F
u = xr 0 + √ ∗ (xr 1 − xr 0 ) + √ ∗ (xr 2 − xr 0 )
2 2
K F
u = xr 0 + √ ∗ (xr 1 + xr 2 − 2xr 0 ) + √ ∗ (xr 1 − xr 2 )
2 2
Bibliografía