Tema09 AlgoritmosMemeticos 12 13

ALGORTMICA
2012 - 2013
n Parte I. Introduccin a las Metaheursticas

n Tema 1. Metaheursticas: Introduccin y Clasificacin
n Parte II. Mtodos Basados en Trayectorias y Entornos
n Tema 2. Algoritmos de Bsqueda Local Bsicos
n Tema 3. Algoritmos de Enfriamiento Simulado
n Tema 4. Algoritmos de Bsqueda Tab
n Tema 5. Mtodos Basados en Trayectorias Mltiples I: Mtodos Multiarranque Bsicos y GRASP
n Tema 6. Mtodos Basados en Trayectorias Mltiples II: ILS y VNS
n Parte III. Mtodos Basados en Poblaciones
n Tema 7. Algoritmos Genticos
n Parte IV. Intensificacin y Diversificacin
n Tema 8. Estudio del Equilibrio entre Intensificacin y Diversificacin
n Parte V. Metaheursticas Hbridas: Poblaciones y Trayectorias
n Tema 9. Algoritmos Memticos
n Tema 10. Scatter Search
n Parte VI. Paralelizacin de Metaheursticas
n Tema 11. Metaheursticas en Sistemas Descentralizados
n Parte VII. Conclusiones
n Tema 12. Algunas Consideraciones sobre la Adaptacin de Metaheursticas a la Resolucin de Problemas
1
ALGORTMICA
TEMA 9: ALGORITMOS MEMTICOS
Bibliografa:
P. Moscato, C. Cotta, A Gentle Introduction to Memetic

Algorithms, Handbook of Metaheuristics, F. Glover, G.
Kochenberger (eds.), pp. 105-144, Kluwer Academic
Publishers, Boston MA, 2003.
P. Moscato, C. Cotta, Una Introduccin a los Algoritmos

Memticos, Inteligencia Artificial 19 (2003) 131-148.
2
TEMA 9: ALGORITMOS MEMTICOS
SUMARIO
n Qu es un Algoritmo Memtico?
n Por qu hibridar? Los lmites de los Algoritmos

Evolutivos
n Algoritmos Memticos: Introduccin
n Sobre el Diseo de Algoritmos Memticos
n Algoritmos Memticos: Estudios Recientes
n Aplicaciones
n Conclusiones
3
SUMARIO
n Por qu hibridar? Los lmites de los

Algoritmos Evolutivos
n Aplicaciones
n Conclusiones
4
Qu es un Algoritmo Memtico?
Algoritmo basado en la evolucin de poblaciones

que para realizar bsqueda heurstica intenta
utilizar todo el conocimiento sobre el problema
(usualmente conocimiento en trminos de
algoritmos especficos de bsqueda local para el
problema)
Por qu esta hibridacin?

5
SUMARIO

n Aplicaciones
n Conclusiones
6
Por qu hibridar?
Los lmites de los AEs
Algoritmosevolutivos son
buenos exploradores
Algoritmos de bsqueda
local son malos
exploradores
Algoritmosevolutivos son
malos explotadores l Bsqueda global
Algoritmos de bsqueda Exploracin
local son buenos
explotadores l Bsqueda local
Explotacin
7
Por qu hibridar?
Sobre el Comportamiento de los

Comportamineto
Algoritmos Especializados
Dominio de Problemas
8
Por qu hibridar?
No Free Lunch Theorem (1995):
"...for any algorithm, any elevated performance over one class of problems is exactly paid
for in performance over another class. Wolpert and Macready (1997)

f
E (c / f , m, a ) = f
E (c / f , m, b)
David. H. Wolpert William G. Macready

No free lunch theorems for optimization
Wolpert, D.H.; Macready, W.G.;
Evolutionary Computation, IEEE Transactions on 1:1, April 1997, 67 82
9
Por qu hibridar?
Implicaciones
de NFL (I)
f
E (c / f , m, a ) =
f
E (c / f , m, b)
Superioridad del Algoritmo A

Superioridad del Algoritmo B
Comportamiento
+ =
10
Por qu hibridar?
Implicaciones de NFL (II): Ganar en un cierto

dominio implica perder en los restantes
Comportamiento
A1 A1
A3 A2
A2
A3
Dominio de Problemas
11
Por qu hibridar?
La bsqueda aleatoria se comporta

como nuestro algoritmo?
Discusin
Hay que discutir algunas cuestiones
en el teorema de NFL!
12
Por qu hibridar?
Evaluacion f(x)
Valor x
Algoritmo Funcin (el adversario)
13
Por qu hibridar?
Consideremos los diferentes grados de conocimiento
del problema:
1. Conocimiento perfecto
2. Conocimiento parcial
3. Poco conocimiento
4. Muy poco conocimiento
5. Ningn conocimiento (NFL)
Los resultados del teorema NFL son crticos tanto en
cuanto (2) es comparado con (5).
14
Por qu hibridar?
Los AEs pueden mejorar su comportamiento con

conocimiento
n El conocimiento sobre el problema debe ser incluido en el

algoritmos de bsqueda.
n Lawrence Davis resalt esta aproximacin a finales de los 80

y primeros de los 90:
n Utiliz representacin del problema ad-hoc.
n Introdujo heuristicas especficas del problema en los AEs.
Se obtiene un AE hbrido.
n Usualmente, las heursticas especficas son algoritmos de

bqueda local.
15
Por qu hibridar?
AEs Buspeda Local

Bsqueda Global Bsqueda Local
Fiabilidad
AMs precisin
Balance entre
Bsqueda Global y Local
Robustos
(especficos para cada problema)
16
SUMARIO

n Aplicaciones
n Conclusiones
17
Algoritmos Memticos
n Los Algoritmos Memticos (AMs) se construyen sobre la nocin

de meme.
n Significado: Unidad de imitacin, anloga a un gen pero en el
contexto de la evolucin cultural
n El Trmino fue introducido por Richard Dawkins en el libro
The Selfish Gene (El Gen Egoista) (University Press, 1976)
18
Algoritmos Memticos
Examples of memes are tunes,
ideas, catch-phrases, clothes
fashions, ways of making pots or
of building arches. Just as genes
propagate themselves in the gene
pool by leaping from body to body
via sperms or eggs, so memes
propagate themselves in the
meme pool by leaping from brain
to brain via a process which, in
the broad sense, can be called
imitation.
R. Dawkins, 1976
19
Algoritmos Memticos
Ejemplos de memes son
melodas, ideas, frases echas,
modas en la vestimenta, formas
de hacer vasijas, o de construir
bvedas. Del mismo modo que los
genes se propagan en el acervo
gentico a travs de gametos, los
memes se propagan en el
acervo memtico saltando de
cerebro a cerebro en un proceso
que, en un amplio sentido, puede
denominarse imitacin.
R. Dawkins, 1976
20
Algoritmos Memticos
A Memetic Algorithm is a population of agents that alternate

periods of self-improvement (via local search) with periods of
cooperation (via recombination), and competition (via selection).
P. Moscato, 1989
Moscato, P.A. (1989). On Evolution, Search, Optimization, Genetic Algorithms and Martial Arts: Towards Memetic
Algorithms. Caltech Concurrent Computation Program Report 826, Catech, Pasadena, California.
21
Algoritmos Memticos
TERMINOLOGA EN ALGORITMOS MEMTICOS
n En los Algoritmos Memticos se utiliza el trmino de

agentes en lugar de individuos ya que se consideran una
extensin de los segundos.
n Tanto la seleccin como la actualizacin (reemplazo), son
procesos puramente competitivos.
n La reproduccin es la encargada de crear nuevos agentes
(cooperacin). Aunque puede aplicarse una gran variedad
de operadores de reproduccin, existen bsicamente dos:
Recombinacin y Mutacin.
22
Algoritmos Memticos
TERMINOLOGA EN ALGORITMOS MEMTICOS
n Recombinacin: Realiza el proceso de cooperacin.

Crea nuevos agentes utilizando principalmente la
informacin extrada de los agentes recombinados.
Se suele hablar de combinacin inteligente de informacin.
n Mutacin: Permite incluir informacin externa creando
nuevos agentes mediante modificacin parcial del agente
mutado.
23
Algoritmos Memticos
MUTACIN
Nuevo
Agente 1 Agente 1
Nuevo
Agente 2 Agente 2
CRUCE OPTIMIZACIN LOCAL
24
Algoritmos Memticos
Inicializar Poblacin Pop

ESQUEMA DE UN
ALGORITMOS MEMTICOS Optimizar Pop
Evaluar Pop
Mientras no
Criterio parada hacer
Seleccionar Padres de Pop
Recombinar Padres
Optimizar Pop
Evaluar Pop
Devolver mejor sol. de Pop

25
Algoritmos Memticos
OBJETIVO: Ir con los mejores!
Algoritmos de Bsqueda Local Fase de bsqueda independiente

- Tabu search
- Simulated annealing Fase de bsqueda sincronizada
-...
26
SUMARIO

n Aplicaciones
n Conclusiones
27
Sobre el diseo de Algoritmos Memticos
n Cuando se aborda el diseo de un AM efectivo para un

cierto problema, hay que partir de la base de que no
existe un procedimiento sistemtico para tal fin (de lo
contrario entrara en conflicto con los resultados del
Teorema NFL).
n nicamente pueden considerarse heursticas de diseo,

que probablemente resultarn en un AM efectivo, pero
que obviamente no lo pueden garantizar.
28
n Cundo se aplica el Algoritmo de Bsqueda Local?
n Sobre qu agentes se aplica?
n Qu uso se hace del agente optimizado?
n Cmo se aplica el optimizador local? (Intensidad de la

aplicacin)
n Uso de conocimiento: Otras hibridaciones
n Qu Algoritmo de Bsqueda Local se utiliza?

Depende del problema a optimizar
29
Cundo y sobre qu agentes se aplica?
n Los optimizadores locales, considerados como un operador

ms, pueden aplicarse de diferentes formas:
n En la fase de inicializacin de la poblacin
n En cada generacin o cada cierto nmero
n Como fin del ciclo reproductivo o durante los operadores

de recombinacin
n
NOTA: Para que un algoritmo hbrido sea considerado AM,
la Bsqueda Local siempre debe aplicarse dentro del
proceso evolutivo.
30
Cundo y sobre qu agentes se aplica?
n A toda la poblacin, o
n slo a un subconjunto de ella
n sobre el mejor.
n sobre representantes de clases tras un proceso de

agrupacin).
n Se puede utilizar una probabilidad de actuacin de la
bsqueda local.
n Sobre los agentes resultantes de la reproduccin o sobre los

agentes de la poblacin globalmente.
n
31
Qu uso se hace del agente optimizado?
Dos modelos (clsicos)
n Lamarkiano
n El agente resultante del proceso de optimizacin local se
introduce en la poblacin (cede su genotipo) y reemplaza
en la poblacin al agente sobre el que se inici el proceso
o al ms cercano.
n Baldwiniano
n El agente inicial del proceso de optimizacin local recibe el
fitness del agente final pero no su genotipo (cede su
fitness)
32
Cmo se aplica el optimizador local?
n Al aplicar los optimizadores locales, es esencial

regular adecuadamente el equilibrio entre
n anchura (frecuencia de aplicacin del optimizador)
(uso de probabilidad de actuacin de la Bsqueda Local: pLS)
n profundidad (intensidad del optimizador)
AMs baja intensidad (pocas iteraciones del

optimizador local/alta frecuencia)
AMs alta intensidad (muchas iteraciones del

optimizador local/baja frecuencia)
33
SUMARIO

n Aplicaciones
n Conclusiones
34
Algoritmos Memticos: Estudios Recientes
N. Krasnogor and J.E. Smith.

A tutorial for competent memetic algorithms: model, taxonomy and design issues.
IEEE Transactions on Evolutionary Computation 9(5):474- 488, 2005.
Y.S. Ong and M.-H. Lim and N. Zhu and K.W. Wong.
Classification of Adaptive Memetic Algorithms: a Comparative Study
IEEE Transactions on System, Man. and Cybernetics. Part B: Cybernetics 36:1, 141-152, 2006.
J. E. Smith. Coevolving Memetic Algorithms: A Review and Progress Report. IEEE Transactions on
System, Man, and Cybernetics. Part B: Cybernetics 37:1, 2007, 6-17.
Y.S. Ong, N. Krasnogor, H. Ishibuchi (Eds.)

SPECIAL ISSUE ON MEMETIC ALGORITHMS.
IEEE Transactions on System, Man. and Cybernetics. Part B: Cybernetics Vol. 37, No. 1, Feb 2007
Recent Advances in Memetic Algorithms

Studies in Fuzziness and Soft Computing, Vol. 166
Hart, William E.; Krasnogor, N.; Smith, J.E. (Eds.)
2005, X, 408 p., Hardcover
ISBN: 3-540-22904-3
35
Algoritmos Memticos Multiobjetivo
n M-PAES
M-PAES: a memetic algorithm for multiobjective optimization
Knowles, J.D.; Corne, D.W.;
Evolutionary Computation, 2000. Proceedings of the 2000 Congress on
Volume 1, 16-19 July 2000 Page(s):325 - 332 vol.1
n MOGLS
Genetic Local Search for Multi-Objective Combinatorial Optimization
Andrzej Jaszkiewicz
European Journal of Operational Research 137, 2002, 50-71.
Balance between genetic search and local search in memetic algorithms for multiobjective
permutation flowshop scheduling
Ishibuchi, H.; Yoshida, T.; Murata, T.;
Evolutionary Computation, IEEE Transactions on 7:2 (2003), 204 223
36
Adaptacin de la Bsqueda Local
Meta-Lamarckian Learning (Ong et al., 2004)

n El AM que utiliza un conjunto de mtodos de
optimizacin local
n Aprende la efectividad de cada optimizador local a lo
largo del proceso de evolucin
n La mejor Bsqueda Local tiene grandes posiblidadades
de ser aplicada
Meta-Lamarckian learning in memetic algorithms

Yew Soon Ong; Keane, A.J.;
Evolutionary Computation, IEEE Transactions on, 8:2, April 2004, 99 110
37
Ejemplo: Adaptacin de la Bsqueda Local
n Adaptive pLS mechanism (Lozano et al., 2004)

Real Coded Memetic Algorithms with Crossover Hill-Climbing.
M. Lozano, F. Herrera, N. Krasnogor and D. Molina.
Evolutionary Computation Vol 12(2) 273-302, 2004.
Uso de una probabilidad de actuacin de la Bsqueda Local: pLS
En muchos casos, pLS 0.05 proporciona una

rpida convergencia hacia buenas soluciones
(Hart, 1994) 38
Ejemplo: Adaptacin de la Bsqueda Local
Resultado: Ajuste del balance entre bsqueda global y local para

producir un operador robusto en problemas con diferente complejidad.
Alta Bsqueda Local

Baja Bsqueda Local
(Alta Bsqueda Global)
% evals.
para BL
Complexity +
39
D. Molina, M. Lozano, C. Garca-Martnez, F. Herrera, Memetic

Algorithms for Continuous Optimization Based on Local Search
Chains. Evolutionary Computation, 18(1), 2010, 2763.
40

D. Molina, M. Lozano, C. Garca-Martnez, F. Herrera, Memetic Algorithms for Continuous Optimization Based on
Local Search Chains. Evolutionary Computation, 18(1), 2010, 2763
Every time the LS algorithm is applied to refine a particular chromosome, a fixed LS

intensity should be considered for it, which will be called LS intensity stretch (I_str). In
this way, a LS chain formed throughout n_app LS applications and started from solution
s_0 will return the same solution as the application of the continuous LS algorithm to s_0
employing n_app I_str fitness function evaluations.
After the LS operation, the parameters that define the current state of the LS processing
are stored along with the reached final individual (in the steady-state GA population).
When this individual is latter selected to be improved, the initial values for the parameters
of the LS algorithm will be directly available. For example, if we employ the Solis and
Wets algorithm as LS algorithm, the stored strategy parameter may be the current value
of the parameter. For the more elaborate CMA-ES, the state of the LS operation may be
defined by the covariance matrix (C), the mean of the distribution (~m), the size (), and
some additional variables used to guide the adaptation of these parameters.
41

42

MA-LSCh-CMA
Steady-state GA.
BLX-.
Negative Assortative Mating.
BGA Mutation Operator.
Standard replacement strategy Hansen, N. and Ostermeier,A. (2001). Completely
derandomized self-adaptation in evolution
CMA-ES as Continuous LS algorithm. strategies. Evolutionary Computation 9(2): 159
195.
Parameter setting. For the experiments,MA-LSCh-CMA applies BLX- with =

0.5. The population size is 60 individuals and the probability of updating a
chromosome by mutation is 0.125. The n_ass parameter associated with the
negative assortative mating is set to 3. The value of the L G ratio, r_L/G, was
set to 0.5, which represents an equilibrated choice. Finally, a value of 1e-8 was
assigned to the min LS threshold. 43

I_str = 500 is the best choice

44

45

46

47

Comparison with State-of-the-Art MACOs
Noman, N. and Iba, H. (2008). Accelerating differential evolution using an

adaptive local search. IEEE Transactions on Evolutionary Computation. 12:1
(2008)107125.
48

Comparison with the Winner of the CEC2005 Competition: G-CMA-ES
49
Auger, A. and Hansen, N. (2005a). A restart CMA evolution strategy with increasing
population size. In Proc. of the 2005 IEEE Congress on Evolutionary Computation, pages
1769-1776.
S. Garca, D. Molina, M. Lozano, F. Herrera, A Study on the Use of Non-Parametric Tests for
Analyzing the Evolutionary Algorithms' Behaviour: A Case Study on the CEC'2005 Special
Session on Real Parameter Optimization. Journal of Heuristics,
doi: 10.1007/s10732-008-9080-4, 15 (2009) 617-644

Comparison with the Other CEC2005 Competitors
50

Comparison with the Other CEC2005 Competitors
51
SUMARIO

n Aplicaciones
n Conclusiones
52
Aplicaciones
n En las prcticas, emplearemos un Algoritmo Memtico

consistente en un Algoritmo Gentico que aplica Bsqueda Local
(BL) a cierto nmero de cromosomas cada cierto tiempo
n Se estudiarn las siguientes cuatro posibilidades de hibridacin:

n AM-(1,0.1): En cada generacin, aplicar la BL sobre los 0.1N
mejores cromosomas de la poblacin (N es el tamao de la
poblacin)
n AM-(1,1.0): En cada generacin, aplicar la BL sobre todos los
cromosomas de la poblacin
n AM-(10,0.1): Cada 10 generaciones, aplicar la BL sobre los 0.1N
mejores cromosomas
n AM-(10,1.0): Cada 10 generaciones, aplicar la BL sobre todos los
cromosomas de la poblacin
53
SUMARIO

n Aplicaciones
n Conclusiones
54
Conclusiones
n Los AMs son tcnicas de optimizacin que explotan el

conocimiento disponible de un problema embebido en un
modelo de evolucin de poblaciones.
n No son un paradigma purista u ortodoxo. Tienen

muchos grados de libertad para el usuario.
n Cuando se aborda el diseo de un AM efectivo para un

cierto problema, hay que partir de la base de que no
existe un procedimiento sistemtico para tal fin.
n Han demostrado ser ms eficaces que los AGs para
diferentes problemas.
55
Conclusiones
Bibliografa Bsica
P. Moscato, Memetic Algorithms: A short introduction, New Ideas in Optimization (pp.
219-234), Corne D., Dorigo M., Glover F., McGraw-Hill-UK, 1999
P. Moscato, C. Cotta, A Gentle Introduction to Memetic Algorithms, Handbook of
Metaheuristics, F. Glover, G. Kochenberger (eds.), pp. 105-144, Kluwer Academic
Publishers, Boston MA, 2003
P. Moscato, C. Cotta, Una Introduccin a los Algoritmos Memeticos, Inteligencia Artificial.
Revista Iberoamericana de IA, No. 19,2003, 131-148.
W E Hart, N Krasnogor and J E Smith. "Memetic Evolutionary Algorithms, Recent
Advances in Memetic Algorithms, Hart, William E.; Krasnogor, N.; Smith, J.E. (Eds.)
2005, 3-27.
N. Krasnogor and J.E. Smith.
A tutorial for competent memetic algorithms: model, taxonomy and design issues.
IEEE Transactions on Evolutionary Computation 9(5):474- 488, 2005.
Y.S. Ong and M.-H. Lim and N. Zhu and K.W. Wong.
Classification of Adaptive Memetic Algorithms: a Comparative Study
IEEE Transactions on System, Man. and Cybernetic. Part B. 36:1, 141-152, 2006.
J. E. Smith. Coevolving Memetic Algorithms: A Review and Progress Report. IEEE
Transactions on System, Man, and Cybernetics. Part B: Cybernetics 37:1, 2007, 6-17.
56
ALGORTMICA
2012 - 2013
n Parte I. Introduccin a las Metaheursticas

n Tema 1. Metaheursticas: Introduccin y Clasificacin
n Parte II. Mtodos Basados en Trayectorias y Entornos
n Tema 2. Algoritmos de Bsqueda Local Bsicos
n Tema 3. Algoritmos de Enfriamiento Simulado
n Tema 4. Algoritmos de Bsqueda Tab
n Tema 5. Mtodos Basados en Trayectorias Mltiples I: Mtodos Multiarranque Bsicos y GRASP
n Tema 6. Mtodos Basados en Trayectorias Mltiples II: ILS y VNS
n Parte III. Mtodos Basados en Poblaciones
n Tema 7. Algoritmos Genticos
n Parte IV. Intensificacin y Diversificacin
n Tema 8. Estudio del Equilibrio entre Intensificacin y Diversificacin
n Parte V. Metaheursticas Hbridas: Poblaciones y Trayectorias
n Tema 9. Algoritmos Memticos
n Tema 10. Scatter Search
n Parte VI. Paralelizacin de Metaheursticas
n Tema 11. Metaheursticas en Sistemas Descentralizados
n Parte VII. Conclusiones
n Tema 12. Algunas Consideraciones sobre la Adaptacin de Metaheursticas a la Resolucin de Problemas
57

Tema09 AlgoritmosMemeticos 12 13

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tema09 AlgoritmosMemeticos 12 13

Transféré par

Droits d'auteur :

Formats disponibles

ALGORTMICA

n Parte I. Introduccin a las Metaheursticas

P. Moscato, C. Cotta, A Gentle Introduction to Memetic

P. Moscato, C. Cotta, Una Introduccin a los Algoritmos

n Por qu hibridar? Los lmites de los Algoritmos

n Algoritmos Memticos: Introduccin

n Sobre el Diseo de Algoritmos Memticos

n Algoritmos Memticos: Estudios Recientes

n Por qu hibridar? Los lmites de los

n Algoritmos Memticos: Introduccin

n Sobre el Diseo de Algoritmos Memticos

n Algoritmos Memticos: Estudios Recientes

Algoritmo basado en la evolucin de poblaciones

Por qu esta hibridacin?

n Por qu hibridar? Los lmites de los

n Algoritmos Memticos: Introduccin

n Sobre el Diseo de Algoritmos Memticos

n Algoritmos Memticos: Estudios Recientes

Sobre el Comportamiento de los

David. H. Wolpert William G. Macready

Superioridad del Algoritmo A

Implicaciones de NFL (II): Ganar en un cierto

La bsqueda aleatoria se comporta

Algoritmo Funcin (el adversario)

Los AEs pueden mejorar su comportamiento con

n El conocimiento sobre el problema debe ser incluido en el

n Lawrence Davis resalt esta aproximacin a finales de los 80

n Usualmente, las heursticas especficas son algoritmos de

AEs Buspeda Local

n Por qu hibridar? Los lmites de los

n Algoritmos Memticos: Introduccin

n Sobre el Diseo de Algoritmos Memticos

n Algoritmos Memticos: Estudios Recientes

n Los Algoritmos Memticos (AMs) se construyen sobre la nocin

A Memetic Algorithm is a population of agents that alternate

TERMINOLOGA EN ALGORITMOS MEMTICOS

n En los Algoritmos Memticos se utiliza el trmino de

TERMINOLOGA EN ALGORITMOS MEMTICOS

n Recombinacin: Realiza el proceso de cooperacin.

CRUCE OPTIMIZACIN LOCAL

Inicializar Poblacin Pop

Seleccionar Padres de Pop

Devolver mejor sol. de Pop

OBJETIVO: Ir con los mejores!

Algoritmos de Bsqueda Local Fase de bsqueda independiente

n Por qu hibridar? Los lmites de los

n Algoritmos Memticos: Introduccin

n Sobre el Diseo de Algoritmos Memticos

n Algoritmos Memticos: Estudios Recientes

n Cuando se aborda el diseo de un AM efectivo para un

n nicamente pueden considerarse heursticas de diseo,

n Cundo se aplica el Algoritmo de Bsqueda Local?

n Sobre qu agentes se aplica?

n Qu uso se hace del agente optimizado?

n Cmo se aplica el optimizador local? (Intensidad de la

n Uso de conocimiento: Otras hibridaciones

n Qu Algoritmo de Bsqueda Local se utiliza?

Cundo y sobre qu agentes se aplica?

n Los optimizadores locales, considerados como un operador

n En la fase de inicializacin de la poblacin

n En cada generacin o cada cierto nmero

n Como fin del ciclo reproductivo o durante los operadores

Cundo y sobre qu agentes se aplica?

n sobre representantes de clases tras un proceso de