Uso de modelos matemáticos de convergencia para el diseño de algoritmos evolutivos distribuidos con migración auto-adaptativa Using mathematical models of convergence to design self adaptive migration schedule for distributed evolutionary algorithms

Resumen En este trabajo se utilizan modelos matematicos, basados en el estudio del tiempo de dominacion y las curvas de crecimiento, para el diseno de algoritmos evolutivos distribuidos con migracion auto-adaptativa. Se proponen algunas modificaciones a un metodo existente con el fin de mejorar su rendimiento. Esta tecnica es probada en dos problemas diferentes: MAXSAT (una variante del problema de la satisfacibilidad) y un problema de gran escala como disposicion optima de antenas de radio. Los resultados obtenidos se comparan con los mejores resultados que producen configuraciones secuenciales y distribuidas con el enfoque tradicional (periodos de migracion constantes). Los experimentos muestran que esta tecnica produce resultados cercanos a los mejores resultados obtenidos con periodos de migracion fijos mientras que reducen el elevado costo del ajuste manual de los parametros de la migracion. Palabras clave: Algoritmos evolutivos distribuidos, curvas de crecimiento, politicas de migracion.

[1]  Enrique Alba,et al.  Selection pressure and takeover time of distributed evolutionary algorithms , 2010, GECCO '10.

[2]  Christian Blum,et al.  Metaheuristics in combinatorial optimization: Overview and conceptual comparison , 2003, CSUR.

[3]  David S. Johnson,et al.  Computers and Intractability: A Guide to the Theory of NP-Completeness , 1978 .

[4]  Enrique Alba,et al.  Benchmarking a Wide Spectrum of Metaheuristic Techniques for the Radio Network Design Problem , 2009, IEEE Transactions on Evolutionary Computation.

[5]  Thomas Bäck,et al.  Evolutionary algorithms in theory and practice - evolution strategies, evolutionary programming, genetic algorithms , 1996 .

[6]  Francisco Luna,et al.  Advances in parallel heterogeneous genetic algorithms for continuous optimization , 2004 .

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

[8]  Enrique Alba,et al.  Efficient parallel LAN/WAN algorithms for optimization. The mallba project , 2006, Parallel Comput..

[9]  Janez Demsar,et al.  Statistical Comparisons of Classifiers over Multiple Data Sets , 2006, J. Mach. Learn. Res..

[10]  Pierre Kuonen,et al.  Parallel Island-Based Genetic Algorithm for Radio Network Design , 1997, J. Parallel Distributed Comput..

[11]  Enrique Alba,et al.  Theoretical models of selection pressure for dEAs: topology influence , 2005, 2005 IEEE Congress on Evolutionary Computation.

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