Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

ASIGNACIN DE PARMETROS EN LOS ALGORITMOS EVOLUTIVOS

Giovanni Antonio Cantor Monroy Ingeniero de Sistemas la Universidad Nacional de Colombia, Estudiante de Maestra en Ingeniera de Sistemas y Computacin de la Universidad Nacional de Colombia. Integrante Grupo de investigacin Evo-Alife. gacantorm@unal.edu.co Jonatan Gmez Perdomo Ingeniero de Sistemas de la Universidad Nacional de Colombia. Con Maestra en Matemticas de la Universidad Nacional de Colombia y Master of Sciences en Matemticas con concentracin en Computer Sciences de la Universidad de Memphis (USA). Con Ph. D. en Matemticas con concentracin Computer Science de la Universidad de Memphis (USA). Integrante Grupo de investigacin Evo-Alife. jgomezpe@unal.edu.co
Fecha de Publicacin: 15/12/2008

RESUMEN: Asignar adecuadamente los parmetros de un algoritmo evolutivo permite solucionar problemas de optimizacin de manera exitosa, por esta razn muchos investigadores buscan estrategias o mtodos que realicen esta tarea por ellos. Este documento realiza una introduccin al tema de asignacin de parmetros y presenta las principales formas de clasificar estas tcnicas de asignacin, as como los principales estudios que se han realizado en el rea.

PALABRAS CLAVE: Meta-evolucin, adaptacin de parmetros, algoritmos evolutivos, control de parmetros.

INTRODUCCIN

Los algoritmos evolutivos (AEs) son tcnicas de optimizacin que utilizan principios de evolucin natural [1]. Estos algoritmos han sido utilizados para solucionar muchos problemas de optimizacin de manera exitosa, su rendimiento (medido en tiempo consumido y calidad de la solucin producida) depende de la seleccin adecuada de sus parmetros: tamao de la poblacin, operadores genticos, probabilidad de aplicacin de los mismos, esquema de seleccin, etc. [2]. Asignar de manera eficiente los parmetros del algoritmo evolutivo permite optimizar tanto la calidad de sus soluciones como los recursos requeridos por el algoritmo. Este documento permite conocer las principales taxonomas utilizadas para clasificar los diferentes mtodos de asignacin de parmetros, permitiendo que el nicho
Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

de investigadores que realizan trabajos relacionados con AE, conozcan las perspectivas de trabajos futuros en el tema as como las investigaciones ms relevantes en el rea. Este documento est estructurado de la siguiente forma: en la seccin 2 se realiza una introduccin al tema amplio de los algoritmos evolutivos, efectuando una descripcin detallada de cada una de sus partes. La seccin 3 introduce los parmetros a controlar por un Algoritmo Evolutivo. La seccin 4 explica los principales mtodos utilizados para realizar la asignacin de parmetros. La seccin 5 muestra los trabajos ms relevantes realizados en el rea. El capitulo 6 da una perspectiva de los trabajos futuros en el rea. La seccin 7 concluye con una discusin sobre este trabajo.

60

Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

ALGORITMO EVOLUTIVO

Los Algoritmos evolutivos son tcnicas de optimizacin basados en los principios de evolucin natural [1]. Este tipo de Algoritmos estn en un constante cambio, ya que no se ha definido a cabalidad como obtener su mejor desempeo, muchos investigadores trabajan en como mejorar su desempeo a partir del perfeccionamiento de cada una de sus partes. A continuacin se realizar una descripcin de las principales partes de un algoritmo evolutivo, para contextualizar mejor su funcionamiento [3]. Representacin: Cuando se quiere definir un algoritmo evolutivo, lo primero en lo que se tiene que pensar es en como llevar el problema original al espacio donde se resuelve por medio del algoritmo. Para esto las posibles soluciones del problema son codificadas en individuos. La forma en que se codifican los individuos es llamada representacin, algunos ejemplos de representacin pueden ser cadenas binarias, como 1010001, cadenas de enteros o de reales. Funcin de Evaluacin: La funcin de evaluacin, tambin llamada funcin fitness, es la funcin encargada de evaluar si un individuo representa la mejor solucin a un problema, para esto la funcin de evaluacin asigna un valor a cada individuo en funcin de lo bien que resuelve el problema, la mejor solucin tendra el mejor valor. Poblacin: La poblacin es el conjunto de todas las soluciones o individuos, los individuos son objetos que no cambian o se adaptan, la poblacin si, continuamente la poblacin elimina y crea nuevos individuos con el fin de buscar individuos que sean mejores. Entre mayor sea el tamao de las poblacin mayor ser la cantidad de soluciones y mayor la posibilidad de conseguir la solucin ptima, desafortunadamente configurar tamaos de poblacin muy grande consume recursos de procesamiento muy grandes.

Mecanismo de Seleccin de Padres: Para que la poblacin evolucione, es necesario crear nuevos individuos con el fin de que algunos de estos sean mejores individuos que los actuales. Los individuos creados no salen de la nada, son creados a partir de uno o ms individuos ya existentes, a los cuales se les llama padres. El mecanismo de seleccin de padres escoge qu individuos son seleccionados para generar nuevos individuos, llamados hijos. El escoger a los mejores individuos como padres, aumenta la posibilidad de generar buenos individuos, pero los otros individuos tambin tiene posibilidad, aunque menor, de generar los mejores individuos. Operadores de Variacin, Cruce y Mutacin: Los operadores de variacin se encargan de crear los nuevos individuos a partir de los viejos. Estos operadores se clasifican en dos tipos segn su aridad, es decir, segn la cantidad de viejos individuos que necesitan para generar un nuevo individuo. La mutacin es la operacin que solo necesita un padre para generar un individuo, esto se hace cambiando una parte del genotipo del individuo. El cruce necesita de dos o ms padres para generar un individuo, se combinan partes de su genotipo para esto. Mecanismo de Seleccin de Sobrevivientes: Una vez se han generado los nuevos individuos, es necesario eliminar algunos de la poblacin con el fin de mantener el tamao de la poblacin. Para esto el mecanismo de seleccin escoge quin contina en la poblacin, normalmente se escogen a los individuos que tienen los mejores valores de fitness.

CONTROL DE PARMETROS

Los parmetros de los AEs son piezas muy importantes, ya que influyen directamente en el desempeo del algoritmo, estos parmetros pueden ser tratados independientemente, pero el desempeo global del algoritmo no depende exclusivamente de un nico parmetro sino de la combinacin de todos los parmetros.

Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

61

Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

Ya que los AEs estn abiertos en su forma de implementacin, muchos investigadores le prestan mas atencin a unos parmetros que a otros, pero la mayora coincide en que los parmetros a controlar son los siguientes, aunque puede ser que algunas personas utilicen otros adicionales: Esquemas de seleccin Tamao de la poblacin Variacin de los operadores genticos y sus probabilidades

El Control de Parmetros se basa en cambiar los valores de los parmetros del algoritmo gentico durante su ejecucin, buscando un valor ptimo para este. Eiben diferencia tres tipos de Control de Parmetros, los determinsticos, los adaptativos y los auto-adaptativos. Los determinsticos son los algoritmos en los cuales el cambio de valor de los parmetros no tiene en cuenta informacin externa al algoritmo que realiza el cambio, esto es, sin retroalimentacin. Un ejemplo de este tipo de algoritmo es uno en el que el cambio del parmetro se hace con base en el nmero de iteraciones que lleve ejecutndose el algoritmo Gentico, sin tomar en cuenta como acta el cambio.

Se pueden utilizar diversas formas para asignar el valor adecuado de los parmetros, estos mtodos la mayora de las veces divergen dependiendo de los intereses propios del investigador.

MTODOS UTILIZADOS PARA ASIGNACIN DE PARMETROS

LA

El problema de la correcta configuracin de los parmetros de un AE ha sido estudiado arduamente a lo largo de los aos, incluso se han hecho clasificaciones de los AEs tomando como punto de referencia la forma en que se asignan los valores de los parmetros dentro de estos. Eiben, Hinterding y Michalewicz [4] dividen los AEs en dos tipos (Figura 1), la configuracin de parmetros antes de la ejecucin, la cual el llama Afinamiento de Parmetros, y la configuracin de parmetros durante la ejecucin, llamada Control de Parmetros. La Afinacin de Parmetros es una tcnica para encontrar parmetros ptimos para el algoritmo Gentico antes de correr el algoritmo y luego configurar el algoritmo con ellos. Los valores de los parmetros para un problema pueden no son los mejores para otro problema, es por eso que el Afinamiento de Parmetros debe hacerse para cada algoritmo gentico que se implemente. Debido a la gran cantidad de diferentes opciones de configuracin que puede tener un algoritmo [3], este mtodo necesita de la accesoria de un experto y actualmente es el ms utilizado.
Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

Figura 1. Taxonoma Asignacin de Parmetros (Clasificacin Uno)

Los algoritmos adaptativos son descritos como los algoritmos que toman alguna forma de retroalimentacin de la bsqueda y la usan para determinar la direccin y/o magnitud del cambio de los valores de los parmetros que se estn controlando. Los Algoritmos auto-adaptativos son el ltimo tipo de algoritmo descrito. En estos algoritmos, mientras el algoritmo est evolucionando, los parmetros cambian de una a otra evolucin. Los parmetros son codificados y al igual que el problema por resolver es expuesto a operadores de mutacin y cruce, a medida que el algoritmo se est ejecutando, los valores de los parmetros van

62

Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

evolucionando, adaptndose al mejorando los resultados de este.

problema

PRINCIPALES TRABAJOS REALIZADOS

Otra clasificacin utilizada por algunos autores [14][15], es un poco mas especifica que la expuesta anteriormente. Se dividen las tcnicas de adaptacin de parmetros en dos, las tcnicas centralizadas y las descentralizadas (Figura 2). En las tcnicas de control centralizado, existe una regla definida globalmente que es la encargada de evaluar la productividad de cada operador iteracin por iteracin y con esta informacin realiza la adaptacin de sus parmetros. En las tcnicas de control descentralizado, este tipo de tcnicas no tiene una nica regla de control sino que utilizan comnmente estrategias evolutivas para la adaptacin de los parmetros. Cuando un algoritmo rene caractersticas de tcnicas de control centralizado y descentralizado se le llama algoritmo Hbrido.

Los investigadores utilizan las clasificaciones mencionadas en la seccin 4, pero normalmente para clasificar o agrupar sus mtodos de asignacin de parmetros, los autores se refieren al parmetro que adaptan. A continuacin se agruparn los principales estudios realizados en el campo del control de parmetros usando como referencia qu parmetro o parmetros son los que adaptan.

5.1

Tamao de la Poblacin

GAVaPS (1994) [9]

El algoritmo llamado Gentico de Variacin del tamao de la poblacin (GAVaPS por sus siglas en ingls), fue propuesto por, Arabas, Michalewicz, y Mulawka, usando el concepto de edad y tiempo de vida. Cuando se crea la primera generacin se le asigna a todos una edad de cero, haciendo referencia al nacimiento del individuo, cada vez que llega una nueva generacin la edad aumenta en uno. Al mismo tiempo que se crea un individuo se le asigna un tiempo de vida, que representa cunto tiempo vivir el individuo dentro de la poblacin, cuando su edad llegue a este tiempo de vida, morir. En cada generacin se escoge a los individuos que se utilizarn para generar nuevos individuos, a los cuales tambin se les asigna un tiempo de vida. El tiempo de vida depende del fitness en comparacin con el promedio de la poblacin, as, si un individuo tiene mejor fitness tendr mayor tiempo de vida, dndole mayor posibilidad de generar nuevos individuos, con sus caractersticas.

Figura 2. Taxonoma Adaptacin de Parmetros (Clasificacin Dos)

Si se comparan las clasificaciones de la Figura.1 y la Figura.2, se pueden encontrar puntos de similitud entre las dos clasificaciones, la segunda clasificacin es ms especfica y solo clasifica la adaptacin de parmetros, a la que en la primera se le llama Control de Parmetros. La adaptacin centralizada y la descentralizada que pertenecen a la segunda clasificacin son similares a la adaptativa y autoadaptativa propuesta en la primera. La clasificacin hbrida no es contemplada por la primera clasificacin.

Estrategia de Adaptacin por Competencia de Sub-Poblaciones [9] (1994-1996)

Schlierkamp-Voosen y Muhlenbein propusieron un esquema en el cual la poblacin se divide en varias poblaciones, sub-poblaciones, las cuales compiten entre si por un recurso, como lo hacen las especies reales por recursos como comida. Esta competicin se simula evolucionando por separado cada una de las poblaciones, esta evolucin se realiza con un algoritmo de bsqueda diferente para cada una de estas, y cada cierto tiempo, las poblaciones

Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

63

Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

compiten entre si. La poblacin con el mejor mayor de fitness aumenta su poblacin, mientras las dems lo disminuyen, se utiliza un criterio de calidad para obtener el fitness de una poblacin. Durante todo el momento la suma de los tamaos de poblacin de todas las subpoblaciones es constante. En 1996, los autores extendieron este esquema agregndole un factor de consumo a cada poblacin, esto con la idea de que cada algoritmo trabaja mejor con diferentes tamaos de poblacin.

seleccionar el tamao de poblacin adecuado para el algoritmo.

APGA [9, 6] (2000)

El Algoritmo Gentico con Adaptacin de Tamao de Poblacin (APGA por sus siglas en ingls), fue propuesto por Back, Eiben, y Van der Vaart. Esta es una variacin del algoritmo GAVaPS, que utiliza el concepto de edad y tiempo de vida, la diferencia con este algoritmo es que el individuo con el mejor fitness de la poblacin no envejece, es decir, cada vez que se le aumenta la edad a los individuos, el mejor de estos mantiene su edad, esto hace que pueda vivir ms tiempo que el designado por su tiempo de vida. Para este algoritmo se design un MaxLT, mximo tiempo de vida, y un MinLT, mnimo tiempo de vida, los valores de tiempo de vida van de 1 a 11, esto porque segn su experimentacin, MaxLT = 11 posee un buen desempeo.

SAGA [9] (1996)

Hinterding, Michalewicz, y Peachey, proponen el Algoritmo Gentico Auto Adaptativo (SAGA por sus siglas en ingls), donde se describe un esquema de adaptacin del tamao de la poblacin, en el cual existen tres poblaciones diferentes las cuales son inicializadas con tamao de poblacin diferente y adems utilizan un algoritmo gentico diferente para cada una de estas poblaciones. El mejor fitness de cada poblacin es utilizado como criterio de ajuste del tamao de la poblacin utilizando unas reglas globales (mover-derecha, mover-izquierda, comprimir-derecha, comprimir-izquierda), las cuales analizan las tres poblaciones y dependiendo del mejor fitness de cada poblacin se realiza el crecimiento o reduccin del tamao de cada una de la poblaciones.

PRoFIGA [6, 11] (2004)

El algoritmo llamado Algoritmo Gentico de Cambio de tamao de poblacin sobre mejoramiento del fitness (PRoFIGA por sus siglas en ingls), es un algoritmo gentico tpico excepto en que el tamao de su poblacin que puede aumentar o disminuir dependiendo del mejoramiento del mejor fitness que contiene la poblacin. La poblacin crece cuando existe una mejora en el mejor fitness de la poblacin o cuando no se mejora en un largo tiempo, y decrece cuando no ocurre ninguno de los dos casos anteriores, esta disminucin se hace por un pequeo porcentaje (1-5%).

Parameter Less [6, 10, 12, 13, 15] (1999)

Harik y Lobo, 1999 proponen un nuevo algoritmo en el cual los parmetros de Rata de Seleccin y Probabilidad de Cruce son afinados con los valores de 4 y 0.5 respectivamente, el operador gentico de mutacin no es utilizado por los autores, ellos dedican su mayor esfuerzo en encontrar una estrategia para asignar el tamao de la poblacin, esta estrategia consiste en simular un continuo crecimiento del tamao de poblacin en busca del tamao adecuado, estableciendo mltiples poblaciones de varios tamaos, las poblaciones estn en diferentes estados de evolucin en un momento dado, as cada una estas poblaciones estara en una diferente nmero de generacin. La creacin y eliminacin de poblaciones est controlado por un supervisor de promedios de fitness, el cual utilizar esta informacin para

5.2

Esquema de Seleccin

GAHSAT y GASAT [7] (2006)

A.E. Eiben, M.C. Schut y A.R. de Wilde realizan un acercamiento a dos tipos de seleccin la autoadaptativa y la hbrida, utilizndolas como mecanismos para la asignacin del parmetro de tamao del torneo. El primero de los dos algoritmos propuestos es el GASAT, el cual utiliza la autoadaptacin como mtodo de asignacin del parmetro, este tiene como base la codificacin de un parmetro extra k para cada individuo y un mecanismo de votacin que determina el tamao

Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

64

Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

del torneo El segundo algoritmo es el GAHSAT el cual es una versin extendida del GASAT, este algoritmo mezcla la auto-adaptacin con la adaptacin convirtindose en un mtodo hbrido, Este mecanismo no es un esquema adaptativo porque utiliza el parmetro k que fue codificado en el individuo y esta evolucionando, ni un esquema autoadaptativo porque los valores finales de k son influenciados por una heurstica global definida por el usuario.

en forma individual. Se realiz la configuracin y pruebas experimentales de los algoritmos, con estas pruebas se afirma que si es posible la autoadaptacin de varios parmetros del algoritmo al mismo tiempo mejorando en un gran porcentaje la velocidad del algoritmo.

CRE [5] (2006)

El mtodo CRE es utilizado para calibrar los parmetros de un algoritmo evolutivo y estimar la relevancia de cada parmetro dentro del algoritmo, el mtodo CRE busca estimar la sensibilidad el desempeo del algoritmo evolutivo utilizando valores para cada parmetro del algoritmo y con esta informacin CRE selecciona los parmetros ms adecuados para el algoritmo. Este mtodo en primera medida define cuales sern los parmetros que el algoritmo utilizar, a continuacin se realiza la afinacin de los parmetros examinado tanto el desempeo como la complejidad del algoritmo. Los resultados presentados por CRE en ejecucin, muestra como este mtodo reduce la complejidad y aumenta el desempeo en gran medida, entre las pruebas que se realizan aumenta y disminuyen el nmero de parmetros, con lo cual verifican que el algoritmo se comporta mejor cuando est afinando menos parmetros.

5.3

Probabilidad Genticos

de

los

Operadores

HAEA [14] (2004)

Se desarrolla una tcnica de control de parmetros hbrida, en la cual se mezclan conceptos de las tcnicas de control centralizado y descentralizado para aumentar sus ventajas y disminuir sus desventajas. En este algoritmo propuesto (HAEA) se codifican en cada individuo la probabilidad de los operadores genticos y se utiliza un mecanismo de aprendizaje aleatorio para actualizarlas. Este mecanismo aleatorio se define localmente por individuo y usa la probabilidad del operador gentico y una probabilidad de aprendizaje. Si un operador no-unario es seleccionado, los padres adicionales son escogidos usando una estrategia de seleccin, y las probabilidades de los operadores son adaptadas de acuerdo al rendimiento alcanzado por la descendencia comparada con la de sus padres, y a la probabilidad de aprendizaje generada.

REVAC [16] (2007)

El mtodo de Estimacin de Relevancia y Calibracin de Parmetros de los parmetros de un algoritmo evolutivo (REVAC) pretende hacer de una manera sistemtica y automatizada la calibracin de los parmetros. El mtodo REVAC est basado en informacin terica para medir la importancia de los parmetros. Se calcula el desempeo esperado para varios valores, utilizando la entropa maximizada de Shannon se calcula la relevancia de cada parmetro. Este mtodo es emprico y fue probado por medio experimental, utilizando las herramientas de matlab. Para entender este mtodo es necesario un previo conocimiento de probabilidad.

5.4

Varios Operadores al mismo tiempo

GASAPT [8] (2006)

A.E. Eiben, M.C. Schut y A.R. de Wilde, se preguntaron si es posible auto-adaptar varios parmetros del algoritmo al mismo tiempo, los parmetros puntuales que auto-adaptaron fueron el tamao de la poblacin y el tamao del torneo. El algoritmo que utilizan para realizar esta experimentacin es el GASAPT, el cual realiza la auto-adaptacin de estos dos parmetros al mismo tiempo, este algoritmo es comparado con algoritmos que realizan la auto-adaptacin de cada parmetro
Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

Perspectiva de Trabajos Futuros

Se recomienda que se adelanten estudios en la bsqueda de estrategias para asignar varios

65

Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

parmetros del algoritmo al mismo tiempo, se ha evidenciado que la asignacin de parmetros individuales ha sido ampliamente estudiada, por esta razn se deben estudiar las fortalezas de los principales estudios realizados y aplicarlas para proponer un algoritmo en el cual el usuario no deba preocuparse por la asignacin de parmetros, ya que el algoritmo realizar este trabajo por l. Se deben estudiar estrategias de asignacin de parmetros auto-adaptativos, ya que han sido poco estudiadas por los investigadores en esta rea debido a su complejidad, adicionalmente esta estrategia ha demostrado un alto potencial en la bsqueda de mejorar el desempeo de un algoritmo evolutivo. Estandarizar el diseo de un algoritmo evolutivo auto-adaptable y completo que adapte correctamente los parmetros del algoritmo, sera de gran utilidad para los investigadores en el rea, porque el investigador podra preocuparse nicamente por el problema que est solucionando y no por la asignacin de parmetros en el interior del algoritmo.

Bibliografa

[1] J. H. Holland. Adaptation in natural and Artificial Systems. The University of Michigan Press, 1975. [2] A.E. Eiben, W. K. & Schut, M. Reinforcement Learning for Online Control of Evolutionary Algorithms Brueckner, Hassas, Jelasity, and Yamins (eds.), Proceedings of the 4th International Workshop on Engineering Self-Organizing Applications (ESOA'06), Springer, LNAI, 2006, to appear., 2006. [3] Eiben, A. E. & Smith, J. E. Introduction to Evolutionary Computing (Natural Computing Series) Springer, 2003. [4] Eiben, A.; Hinterding, R. & Michalewicz, Z. Parameter control in evolutionary algorithms Evolutionary Computation, IEEE Transactions on, 1999, 3, 124-141. [5] Nannen, V. & Eiben, A. A Method for Parameter Calibration and Relevance Estimation in Evolutionary Algorithms M. Keijzer et al. editors, Proceedings of the Genetic and Evolutionary Computation Conference (GECCO 2006), ACM Press, 2006, 183-190. [6] Lobo, F. G. & Lima, C. F. A review of adaptive population sizing schemes in genetic algorithms In F. G. Lobo and C. F. Lima, editors, Proceedings of the 2005 Workshop on Parameter Setting in Genetic and Evolutionary Algorithms (PSGEA 2005), part of GECCO 2005. ACM Press, 2005. [7] A.E. Eiben, M. S. & de Wilde, A. Boosting genetic algorithms with (self-) adaptive selection Proceedings of the IEEE Congress on Evolutionary Computation (CEC 2005), IEEE Press, 2006, 15841589. [8] A.E. Eiben, M. S. & de Wilde, A. Is selfadaptation of selection pressure and population size possible? - a case study T.P. Runarsson et al. editors, Parallel Problem Solving from Nature, (PPSN IX), LNCS, Springer, 2006, IX, 900-909.

Conclusiones

El control de parmetros es un campo de la computacin evolutiva que ha sido estudiado casi desde que esta apareci, muchos investigadores han dedicado sus estudios en la mejora de estas tcnicas, y no es para menos, pues la configuracin de los parmetros influye directamente en como trabaja el algoritmo evolutivo y en si los resultados son ptimos o no. Es importante observar que muchos de los estudios sobre control de parmetros se han enfocado en el control del tamao de la poblacin, pues este es uno de los parmetros ms importantes, ya que si la poblacin es muy pequea no se conseguir el mejor resultado, en cambio si la poblacin es muy grande consumir demasiados recursos de procesamiento. La mayora de las investigaciones son realizadas con mtodos adaptativos y solo hasta hace pocos aos se han empezado a realizar investigaciones con mtodos auto-adaptativos.

Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

66

Revista RETAKVN Facultad de Ingeniera - Universidad del Magdalena

[9] Lobo, F. G. & Lima, C. F. Revisiting evolutionary algorithms with onthe-fly population size adjustment To appear in ACM GECCO 2006. Early version as UAlg-ILab Report No. 200602. Also arXiv Report No. cs.NE/0602055, 2006. [10] Lobo, F. G. & Goldberg, D. E. The parameterless genetic algorithm in practice Information Sciences, 2004, 167, 217-232. [11] A.E. Eiben, V. V. Evolutionary Algorithms with on-the-fly Population Size Adjustment X.Yao et al. editors , Parallel Problem Solving from Nature, (PPSN VIII), 2004, volume 3242 of LNCS, Springer, pp.41-50. [12] Lima, C. F. & Lobo, F. G. Parameter-less optimization with the extended compact genetic algorithm and iterated local search In K. Deb et al., editors, Proceedings of the Genetic and Evolutionary Computation Conference (GECCO2004), Part I, LNCS 3102, 2004, 1328-1339. [13] Harik, G. R. & Lobo, F. G. A parameter-less genetic algorithm In W. Banzhaf et al., editors, Proceedings of the Genetic and Evolutionary Computation Conference GECCO-99, San Francisco, CA. Morgan Kaufmann, 1999, 258-265. [14] Gmez, J. Self Adaptation of Operador Rates in Evolutionary Algorithms In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO), Lecture Notes in Computer Science, 2004, 3102, 1162-1173. [15] Lobo, F. G. The parameter-less genetic algorithm: Rational and automated parameter selection for simplified genetic algorithm operation Universidade Nova de Lisboa, Portugal, 2000. [16] Nannen, V. & Eiben, A. Relevance Estimation and Value Calibration of Evolutionary Algorithm Parameters Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI'07), 2007, 975-980.

Currculos

Giovanni Cantor Monroy. Actualmente estudiante de la Maestra en Ingeniera de Sistemas y Computacin de la Universidad Nacional de Colombia. Graduado de Pregrado en Ingeniera de Sistemas de la Universidad Nacional de Colombia. Integrante Grupo de investigacin Evo-ALife Jonatan Gomez Perdomo. Ingeniero de Sistemas de la Universidad Nacional de Colombia. Con Magister en Matemticas de la Universidad Nacional de Colombia y Master of Sciences en Matemticas con concentracin en Computer Sciences de la Universidad de Memphis (USA). Con Ph. D. en Matemticas con concentracin Computer Science de la Universidad de Memphis (USA). Integrante Grupo de investigacin Evo-ALife.

Volumen I Nmero I, Diciembre - Ao 2008 ISSN: 2027-162X

67