Reporte comparacion de metodos
Descargar como DOCX, PDF0 recomendaciones365 vistas
El documento compara dos algoritmos genéticos para la optimización de funciones. Un algoritmo usa representación binaria y el otro representación real. Se aplicaron ambos algoritmos a 13 funciones objetivo y se registraron métricas como fitness promedio, desviación estándar, mejor valor encontrado y error mínimo. Los resultados muestran que aunque la población fue mayor con la representación binaria, los resultados no mejoraron considerablemente. En general, los errores fueron pequeños excepto para una función con la representación real. La representación binaria obtuvo el mejor resultado para una función en
![GRAFICAS DE ERROR<br />Comportamiento de la población<br />Optimizacion de funciones<br />Matlab 2008.<br />Método de representación: binario<br />32 bits para cada parámetro (variable).<br />Tamaño de población: 200<br />Mutación de un punto.<br />Probabilidad de mutación: 0.15<br />Selección por ruleta.<br />Probabilidad de selección: 0.5<br />2423160165100<br />Función 4<br />2421255153670<br />Función 7 <br />2421255-42545Función 9<br />2421255130175<br />Función 12<br />241109529210Función 13<br />OPTIMIZACION DE FUNCIONES <br />TOOLBOX de Andrey Popov.<br />Método: GAminBC.<br />Representación con números reales.<br />Opciones de configuración (-3)<br />Comment: ': D Iter.100; Popul.20; TolX=1e-2; No Plot'<br />MaxIter: 100<br />PopulSize: 20<br />MutatRate: 0.3000<br />BestRate: 0.1000<br />NewRate: 0.1000<br />TolX: 0.0100<br />pSelect: 1<br />pRecomb: 0<br />Select: 1<br />RecIter: 1<br />Visual: 'some'<br />Graphics: 'off'<br />Fitness Proportional Selection<br />Gausian law selection<br />Ranking Selection<br />Recombination - Blend CrossOver<br />Generates random Mutations when Blend CrossOver<br />GRAFICAS DE ERROR<br />Comportamiento de la población<br />F4: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-1 1 1e-4], opt);<br />F7: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [0 10 1e-4], opt);<br />F9: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-2 2 1e-4], opt);<br />F12: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-5 5 1e-4], opt);<br />F13 : [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-10 10 1e-4], opt);<br />Tablas de resultados<br />REPRESENTACION REAL Función Promedio FitnessDesv.Est.MínimoError Best(Min)MediaMediarealMínimo40.00810.06570.09700.00000.06577-16.3946-15.89441.0105-18.55472.66039-1.3402-1.50840.1117variosvarios12-0.5230-0.51980.0166-0.52310.0033130.23360.47570.27620.00000.4757<br />REPRESENTACION BINARIA Función Promedio FitnessDesv.Est.MínimoError Best(Min)MediaMediarealMínimo40.00100.03850.14360.00000.03857-18.5539-18.51180.1910-18.55470.04299-3.4768-3.13130.4431variosvarios12-0.5231-0.52260.0029-0.52310.0005130.05690.01140.09990.00000.0114<br />Conclusiones:<br />Se utilizaron dos algoritmos de diferentes autores pero los resultados en ambos casos fueron buenos. <br />Lo que se observa es que la población aunque fue aplicada 10 veces mayor en el binario, no afectó en considerablemente el resultado. <br />Para todas las funciones el error fue pequeño, a excepción de la función 7 con representación real, en ninguna generación pudo el algoritmo llegar al mínimo y el mejor caso no fue mayor a -16.3946, sin incluir este caso, el peor error mínimo se muestra en la función 13 con representación real con 0.4757.<br />El mejor de los casos se ve en la función 12 con representación binaria, tiene un error mínimo de 0.0005. <br />En base a estas tablas se puede afirmar que es mejor utilizar representación binaria, arroja mejores resultados si se requiere mayor exactitud para estos casos particulares de funciones.<br />](https://image.slidesharecdn.com/reportecomparaciondemetodos-100424151338-phpapp01/85/Reporte-comparacion-de-metodos-1-320.jpg)
Reporte comparacion de metodos
- 1. GRAFICAS DE ERROR<br />Comportamiento de la población<br />Optimizacion de funciones<br />Matlab 2008.<br />Método de representación: binario<br />32 bits para cada parámetro (variable).<br />Tamaño de población: 200<br />Mutación de un punto.<br />Probabilidad de mutación: 0.15<br />Selección por ruleta.<br />Probabilidad de selección: 0.5<br />2423160165100<br />Función 4<br />2421255153670<br />Función 7 <br />2421255-42545Función 9<br />2421255130175<br />Función 12<br />241109529210Función 13<br />OPTIMIZACION DE FUNCIONES <br />TOOLBOX de Andrey Popov.<br />Método: GAminBC.<br />Representación con números reales.<br />Opciones de configuración (-3)<br />Comment: ': D Iter.100; Popul.20; TolX=1e-2; No Plot'<br />MaxIter: 100<br />PopulSize: 20<br />MutatRate: 0.3000<br />BestRate: 0.1000<br />NewRate: 0.1000<br />TolX: 0.0100<br />pSelect: 1<br />pRecomb: 0<br />Select: 1<br />RecIter: 1<br />Visual: 'some'<br />Graphics: 'off'<br />Fitness Proportional Selection<br />Gausian law selection<br />Ranking Selection<br />Recombination - Blend CrossOver<br />Generates random Mutations when Blend CrossOver<br />GRAFICAS DE ERROR<br />Comportamiento de la población<br />F4: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-1 1 1e-4], opt);<br />F7: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [0 10 1e-4], opt);<br />F9: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-2 2 1e-4], opt);<br />F12: [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-5 5 1e-4], opt);<br />F13 : [RGenes, RFit, RecGenes, RecFit] = GAminBC ( 'eval_sincos', [-10 10 1e-4], opt);<br />Tablas de resultados<br />REPRESENTACION REAL Función Promedio FitnessDesv.Est.MínimoError Best(Min)MediaMediarealMínimo40.00810.06570.09700.00000.06577-16.3946-15.89441.0105-18.55472.66039-1.3402-1.50840.1117variosvarios12-0.5230-0.51980.0166-0.52310.0033130.23360.47570.27620.00000.4757<br />REPRESENTACION BINARIA Función Promedio FitnessDesv.Est.MínimoError Best(Min)MediaMediarealMínimo40.00100.03850.14360.00000.03857-18.5539-18.51180.1910-18.55470.04299-3.4768-3.13130.4431variosvarios12-0.5231-0.52260.0029-0.52310.0005130.05690.01140.09990.00000.0114<br />Conclusiones:<br />Se utilizaron dos algoritmos de diferentes autores pero los resultados en ambos casos fueron buenos. <br />Lo que se observa es que la población aunque fue aplicada 10 veces mayor en el binario, no afectó en considerablemente el resultado. <br />Para todas las funciones el error fue pequeño, a excepción de la función 7 con representación real, en ninguna generación pudo el algoritmo llegar al mínimo y el mejor caso no fue mayor a -16.3946, sin incluir este caso, el peor error mínimo se muestra en la función 13 con representación real con 0.4757.<br />El mejor de los casos se ve en la función 12 con representación binaria, tiene un error mínimo de 0.0005. <br />En base a estas tablas se puede afirmar que es mejor utilizar representación binaria, arroja mejores resultados si se requiere mayor exactitud para estos casos particulares de funciones.<br />