Algoritmos Meméticos con Propiedades Self-* para la Optimización de Problemas Complejos

  1. Nogueras Sánchez, Rafael
Zuzendaria:
  1. Carlos Cotta Porras Zuzendaria

Defentsa unibertsitatea: Universidad de Málaga

Fecha de defensa: 2015(e)ko urria-(a)k 15

Epaimahaia:
  1. Juan Julián Merelo Guervós Presidentea
  2. Jose Enrique Gallardo Ruiz Idazkaria
  3. Antonio José Fernández Leiva Kidea
  4. David Camacho Fernández Kidea
  5. Francisco Fernández de Vega Kidea

Mota: Tesia

Teseo: 393862 DIALNET lock_openRIUMA editor

Laburpena

Las propiedades self-* de un sistema son aquellas que le permiten controlar de forma autónoma diferentes aspectos de su funcionamiento. En esta tesis doctoral se estudia el diseño y desarrollo de algoritmos meméticos con propiedades self-* a partir de una clase de algoritmo multimemético (MMA) con estructura espacial. En este MMA la población se dispone conforme a una cierta topología que permite restringir las interacciones entre los individuos, y en él los memes se definen como reglas de reescritura. Estos memes están sujetos a un proceso evolutivo propio similar al de la evolución genética mediante el cual pueden variar su estructura y complejidad, auto-optimizando de esta forma el proceso de búsqueda local. En este contexto se estudia la propagación y difusión de los memes a través de la población, proceso en el que la calidad de estos últimos solo se percibe indirectamente por el efecto que producen sobre los genotipos. Considerando el modelo teórico anterior como sustrato se incorporan características adicionales al MMA. Por un lado se crean algoritmos híbridos con el uso de modelos probabilísticos para la generación de la descendencia utilizando algoritmos de estimación de distribuciones (EDAs) y por otro, se consideran MMAs basados en islas. Este último modelo distribuido es objeto de un estudio más detallado, analizándose cómo afecta a su funcionamiento la utilización de diferentes políticas de migración de individuos entre nodos y el impacto que sobre el rendimiento de los mismos tiene la inestabilidad del entorno donde se ejecutan. Para ello se diseñan mecanismos de tolerancia a fallos y se estudia la utilización de redes complejas como topología de interconexión de los nodos. Asimismo, se proporciona al algoritmo la capacidad de escalabilidad automática mediante técnicas de auto-equilibrado de la carga, de forma tal que el propio MMA sea capaz, por sí mismo y sin necesidad de recurrir a un control central, de auto-adaptarse a la volatilidad del entorno. Finalmente se incorporan procedimientos de auto-reparación para compensar el deterioro producido por dicha inestabilidad: (i) auto-muestreo a través de un modelo probabilístico dinámico sobre las poblaciones de los nodos y (ii) auto-adaptación de la topología de interconexión a medida que diferentes nodos de cómputo entran o abandonan el sistema. Los experimentos realizados permiten concluir que la auto-adaptación de los memes contribuye a mejorar el rendimiento del MMA, así como que los modelos híbridos que utilizan EDAs proporcionan resultados notables, preferentemente los basados en distribuciones bivariadas. Con respecto al modelo de islas, las políticas de migración relativas a la selección de los migrantes o la estrategia de reemplazo de estos en la isla receptora son determinantes. Asimismo, las estrategias de gestión de fallos basadas en puntos de restauración mitigan la degradación del rendimiento conforme la red se vuelve más volátil, si bien conllevan sobrecargas computacionales. Como alternativa, la incorporación de propiedades self-* tales como el auto-equilibrado de la carga, el auto-muestreo probabilístico o la auto-adaptación de la topología de la red, tiene un impacto claramente positivo en el sistema, limitando su degradación en escenarios altamente inestables.