Algoritmos evolutivos paralelos: implementaciones sobre un modelo unificado

En la actualidad los algoritmos evolutivos (AE) se usan para buscar soluciones a problemas complejos para los cuales otras técnicas pueden insumir mucho tiempo y que, por lo general, proveen una única solución óptima. Una tendencia actual consiste en disponer de la mayor cantidad de recursos computacionales para alcanzar los resultados de forma más rápida por medio de un trabajo cooperativo. La inclusión del paralelismo, distribución de tareas en varios procesadores, en el diseño de los algoritmos evolutivos ha sido muy importante dando lugar a mecanismos de búsqueda y optimización mejorados: algoritmos evolutivos paralelos. Este trabajo presenta una breve revisión de los algoritmos evolutivos paralelos. Además, realiza un análisis comparativo del comportamiento de estos algoritmos con su versión secuencial, a fin de identificar cuáles son sus aciertos y debilidades. El paquete de software utilizado responde a un modelo unificado desarrollado en la Universidad de Málaga. La evaluación de los algoritmos se realiza analizando los resultados obtenidos para dos problemas de optimización bien conocidos como lo son: OneMax y Mochila Binaria.

[1]  L. Darrell Whitley,et al.  Serial and Parallel Genetic Algorithms as Function Optimizers , 1993, ICGA.

[2]  Bernard Manderick,et al.  Fine-Grained Parallel Genetic Algorithms , 1989, ICGA.

[3]  John H. Holland,et al.  Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence , 1992 .

[4]  Shumeet Baluja,et al.  Structure and Performance of Fine-Grain Parallelism in Genetic Search , 1993, ICGA.

[5]  David E. Goldberg,et al.  Genetic Algorithms in Search Optimization and Machine Learning , 1988 .

[6]  Peter J. Fleming,et al.  Parallel Genetic Algorithms: A Survey , 1994 .

[7]  Ingo Rechenberg,et al.  Evolutionsstrategie : Optimierung technischer Systeme nach Prinzipien der biologischen Evolution , 1973 .

[8]  Lawrence J. Fogel,et al.  Artificial Intelligence through Simulated Evolution , 1966 .

[9]  Raúl Hector Gallard,et al.  Genetic algorithms + Data structure = Evolution programs , Zbigniew Michalewicz , 1999 .

[10]  Hans-Paul Schwefel,et al.  Numerical Optimization of Computer Models , 1982 .

[11]  Markus Schwehm,et al.  A Massively Parallel Genetic Algorithm on the MasPar MP-1 , 1993 .

[12]  Reiko Tanese,et al.  Distributed Genetic Algorithms , 1989, ICGA.

[13]  Erick Cantú-Paz.  Designing efficient master-slave parallel genetic algorithms , 1997 .

[14]  D. Fogel.  Evolutionary algorithms in theory and practice , 1997, Complex..

[15]  D. E. Goldberg,et al.  Genetic Algorithms in Search , 1989 .

[16]  L. Darrell Whitley,et al.  GENITOR II: a distributed genetic algorithm , 1990, J. Exp. Theor. Artif. Intell..

[17]  Enrique Alba,et al.  Improving flexibility and efficiency by adding parallelism to genetic algorithms , 2002, Stat. Comput..

[18]  Erick Cantú-Paz,et al.  A Survey of Parallel Genetic Algorithms , 2000 .

[19]  Enrique Alba,et al.  Parallelism and evolutionary algorithms , 2002, IEEE Trans. Evol. Comput..

[20]  Kenneth A. De Jong,et al.  An Analysis of the Effects of Neighborhood Size and Shape on Local Selection Algorithms , 1996, PPSN.

[21]  Enrique Alba Torres.  Análisis y diseño de algoritmos genéticos paralelos distribuidos , 1999 .

[22]  Enrique Alba,et al.  A survey of parallel distributed genetic algorithms , 1999 .