Optimización mediante Búsqueda Tabú para problemas no...

Luis Ignacio Frisón Alegre

Director: Ricardo J. Rodríguez Fernández

Codirector: Javier Campos Laclaustra

Septiembre de 2017

Curso 2016/2017

Proyecto Fin de Carrera – Ingeniería en Informática

Escuela de Ingeniería y Arquitectura

Universidad de Zaragoza

Optimización mediante Búsqueda Tabú para problemas no lineales en Redes de Petri

Contenidos

1) Heurísticas y metaheurísticas

2) Búsqueda Tabú

3) Aplicación al análisis de prestaciones de Redes de Petri

4) Decisiones de implementación

5) Integración en PeabraiN

6) Evaluación del algoritmo

7) Conclusiones

8) Objetivos

Luis Ignacio Frisón Alegre Optimización mediante Búsqueda Tabú para problemas no lineales en Redes de Petri EINA 1/32

Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos

Heurísitcas y metaheurísticas


Heurística vs metaheurística

Problemas difíciles: conocer solución exacta es "imposible" (mucho tiempo).

NP ?= P.

Heurística:

• Permite obtener soluciones (sub)óptimas de problemas difíciles.

• Tiempo de ejecución asequible.

• Ejemplos: algoritmos de resolución aproximada de problemas en NP.

Metaheurística:

• Técnica de resolución aplicable a familia de problemas.

• Esquema general, basado en heurísticas.

• Ejemplos: algoritmos voraces, algoritmos genéticos, búsqueda tabú, etc.

Heurísitcas y metaheurísticas


Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos

Búsqueda Tabú


Descripción de la Búsqueda Tabú

• Procedimiento iterativo de búsqueda local (en el vecindario) eficiente.

• Permite encontrar un óptimo global.

• Uso de estructuras de memoria:

-- Memoria reciente: concepto de tabú.

-- Memoria frecuente:

* Diversificación: apoya la búsqueda en regiones no visitadas.

* Intensificación: apoya los movimientos que históricamente han

sido buenos.

Búsqueda Tabú



• Selección de la siguiente solución:

-- Se generan soluciones candidatas desde la actual, y se escoge la mejor.

• Lista tabú:

-- Evita ciclos durante la búsqueda.

-- Las últimas soluciones escogidas se marcan como "tabú", no pudiendo

ser escogidas durante X iteraciones.

• Criterio de aspiración

-- Se permite escoger una solución de la lista tabú si es mejor que la actual.

-- Diferentes criterios: por defecto, por objetivo, por dirección de

búsqueda.

Búsqueda Tabú



En cada iteración:

1) Generar vecindario.

2) Ordenar vecindario.

3) Escoger primera solución no tabú o que cumpla con el criterio de aspiración.

4) Marcar dicha solución como tabú.

5) Actualizar matriz tabú.

Búsqueda Tabú


Aplicación al problema de las 8-reinas

PARÁMETROS:

Tenencia tabú = 8, número de vecinos = 4, número máximo de iteraciones = 3.

INICIALIZACIÓN:

Paso 1: solución inicial = [1, 3, 5, 7, 2, 4, 6, 8]

Paso 2: matriz tabú = [0, 0, 0, 0, 0, 0, 0, 0][0, 0, 0, 0, 0, 0, 0, 0][0, 0, 0, 0, 0, 0, 0, 0][0, 0, 0, 0, 0, 0, 0, 0][0, 0, 0, 0, 0, 0, 0, 0][0, 0, 0, 0, 0, 0, 0, 0][0, 0, 0, 0, 0, 0, 0, 0][0, 0, 0, 0, 0, 0, 0, 0]

Búsqueda Tabú


ITERACIÓN 1:

Paso 3: solución transitoria = [1, 3, 5, 7, 2, 4, 6, 8]

Paso 4: vecindario (reinas, función objetivo) = ([1, 3, 5, 7, 2, 8, 6, 4], 1)

([7, 3, 5, 1, 2, 4, 6, 8], 3)

([1, 3, 5, 4, 2, 7, 6, 8], 6)

([2, 3, 5, 7, 1, 4, 6, 8], 1)

Vecindario ordenado (reinas, función objetivo) = ([1, 3, 5, 7, 2, 8, 6, 4], 1)

([2, 3, 5, 7, 1, 4, 6, 8], 1)

([7, 3, 5, 1, 2, 4, 6, 8], 3)

([1, 3, 5, 4, 2, 7, 6, 8], 6)


Búsqueda Tabú



ITERACIÓN 1:

Paso 5: matriz tabú = Paso 6: matriz tabú =

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 8] [0, 0, 0, 0, 0, 0, 0, 7]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

Búsqueda Tabú


ITERACIÓN 2:



([1, 3, 5, 7, 8, 2, 6, 4], 4)

([1, 3, 5, 7, 2, 8, 4, 6], 4)

([1, 3, 4, 7, 2, 8, 6, 5], 4)


([1, 3, 5, 7, 8, 2, 6, 4], 4)

([1, 3, 5, 4, 2, 8, 4, 6], 4)

([1, 3, 4, 7, 2, 8, 6, 5], 4)


Búsqueda Tabú



ITERACIÓN 2:


[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 8, 0, 0, 0] [0, 0, 0, 0, 7, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 7] [0, 0, 0, 0, 0, 0, 0, 6]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

Búsqueda Tabú


ITERACIÓN 3:



([1, 8, 5, 2, 7, 3, 6, 4], 2)

([1, 3, 5, 7, 2, 8, 6, 4], 1)

([1, 3, 2, 5, 7, 8, 6, 4], 5)


([1, 8, 5, 2, 7, 3, 6, 4], 2)

([1, 3, 6, 2, 7, 8, 5, 4], 5)

([1, 3, 2, 5, 7, 8, 6, 4], 5)


Búsqueda Tabú



ITERACIÓN 3:


[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 8, 0, 0, 0] [0, 0, 0, 0, 7, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 6] [0, 0, 0, 0, 0, 0, 0, 5]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

[0, 0, 0, 0, 0, 0, 0, 0] [0, 0, 0, 0, 0, 0, 0, 0]

Búsqueda Tabú



SOLUCIÓN FINAL:

Paso 7: se alcanza el número máximo de iteraciones, con lo que el algoritmo

acaba.

Paso 8: nos quedamos con la menor función objetivo hallada hasta el

momento (1), correspondiente al vector de reinas [1, 3, 5, 7, 2, 8, 6, 4].

Búsqueda Tabú


Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos

Aplicación al análisis de prestaciones de Redes de Petri


El problema min-max de Bernardi y Campos

Γ(ti) >= Γlb(ti) = min max y * Pre * Dti

vti є domv y є domy

Sujeto a domy : {yT * C = 0, y * m0 = 1, y>=0}

domv : {R * vti = 0, C * vti = 0, vti >=0, vti(ti) = 1}

• ti es la transición sobre la que queremos hallar el tiempo de ciclo.

• y es un p-semiflujo del sistema.

• vti es el vector de ratios de visita normalizado para la transición ti.

• Dti = δ ʘ vti (producto de vectores por componentes) es el vector de demandas de servicio de transiciones medio.

• Pre es la matriz de Pre-incidencia del sistema.

• C es la matriz de incidencia del sistema.

• R es la matriz de enrutado del sistema.

• m0 es el marcado inicial del sistema.

Aplicación al análisis de prestaciones de Redes de Petri


Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos

Decisiones de implementación


Diagrama de ClasesDecisiones de implementación


Decisiones de implementaciónClase principal => WellFormedTabuSearch.

Método principal de la clase WellFormedTabuSearch => solve().

Pasos de solve():

1) Inicializar variables.

2) Copiar solución actual en transitoria.

3) Generar vecindario.

4) Ordenar vecindario (por función objetivo, de mayor a menor).

5) Escoger mejor solución.

6) Actualizar matriz tabú.

7) Incrementar contador de iteraciones. Ir a 2) hasta que se cumpla la condición de finalización del bucle.

8) Escoger como resultado la cota mínima alcanzada.



Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos



Integración en PeabraiN

1) Crear la clase “WellFormedTabuSearch” y demás clases necesarias parala resolución del problema (“BCMinMaxSolver” y “Neighbour”).

2) Crear la clase “TabuSearchStrategy”, que se comunique apropiadamentecon la clase “WellFormedTabuSearch”.

3) Crear la clase “TabuSearchGUI”.

4) Crear la clase “TabuSearchModule”, que a su vez cree objetos de lasclases “TabuSearchStrategy” y “TabuSearchGUI” (uno por cada clase),para así permitir la comunicación entre capas dentro de estaarquitectura MVC.

Integración en PeabraiN


Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos

Evaluación del algoritmo


Red de pruebaEvaluación del Algoritmo


Resultados (50 a 1000 iteraciones)Evaluación del algoritmo


Tenencia Tabú

Máx. Iteraciones

0 1 2

50 1,388515 1,387779 0,929408

100 1,248233 1,248122 0,783353

250 1,118675 1,118800 0,677581

500 1,045956 1,045793 0,666841

1000 0,986608 0,986761 0,666662

Valor obtenido mediante GreatSPN: 1,20.

Valores aproximados con el algoritmo implementado (muchas iteraciones, transición dereferencia = T0, número de vecinos = 25, número de repeticiones del algoritmo = 100000):

Resultados (10 a 50 iteraciones)

Valor obtenido mediante GreatSPN: 1,20.

Valores aproximados con el algoritmo implementado (pocas iteraciones, transición dereferencia = T0, número de vecinos = 25, número de repeticiones del algoritmo = 100000):

Evaluación del algoritmo


Tenencia Tabú

Máx. Iteraciones

2 3

10 1,521364 0,978760

20 1,189235 0,679937

30 1,059817 0,655963

40 0,983820 0,648803

50 0,928446 0,641718

Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos

Conclusiones


Objetivos alcanzados

1) Se propuesto una técnica de Búsqueda Tabú.

2) Se ha aplicado dicha técnica al problema en cuestión.

3) Se ha integrado dicha técnica en la herramienta PeabraiN.

Conclusiones


Restricciones del algoritmo

1) Aproxima el valor del min-max, pero no llega a resolverlo.

--> Problema de complejidad teórica importante.

2) Afectado por crecimiento exponencial de p-(t-)semiflujos.

--> Limita aplicabilidad a ciertas clases de redes.

3) Se han implementado exclusivamente los conceptos de memoria reciente y aspiración por objetivo.

--> En otros problemas, se ha observado que el uso de la memoria frecuente y otros criterios de aspiración proporcionaban pocas ventajas.

Conclusiones


Contenidos


2) Búsqueda Tabú





7) Conclusiones

8) Objetivos

Objetivos


Trabajo futuro

Como trabajo futuro, plantearía los siguientes objetivos:

1) Resolver primeramente el problema de crecimiento exponencial.

2) Utilizar las herramientas de la Búsqueda Tabú de memoria frecuente ydistintos criterios de aspiración.

3) Definir estrictamente la función objetivo del problema min-max:

* Simplificada para facilitar la implementación.

* Técnica en dos pasos:

-- Cálculo inicial del p-semiflujo más lento.

-- Búsqueda de vectores "v" que cumplan el dominio sobre ese

p-semiflujo.

Objetivos


Horas de trabajoAnexo


2016 2017

Sep Oct Nov Dic Ene Feb Mar Abr May Jun Jul Ago

Estudio

Análisis/Diseño

Implementación

Integración

Experimentación

Documentación

Horas totales = 472,5

Optimización mediante Búsqueda Tabú para problemas no...

Documents

Transcript of Optimización mediante Búsqueda Tabú para problemas no...