Implementación de algoritmos genéticos con codificación real

Higuero de Haro, Pilar (2020). Implementación de algoritmos genéticos con codificación real. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S. de Ingenieros Informáticos (UPM), Madrid, España.

Description

Title: Implementación de algoritmos genéticos con codificación real
Author/s:
  • Higuero de Haro, Pilar
Contributor/s:
  • Manrique Gamo, Daniel
Item Type: Final Project
Degree: Grado en Ingeniería Informática
Date: January 2020
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) | Preview

Abstract

Los algoritmos genéticos son una potente herramienta de propósito general para resolver problemas de optimización. La posibilidad de utilizar individuos que codifican soluciones con números reales amplía el abanico de problemas a los que se le puede dar solución cuando este tipo de codificación encaja bien con el problema a resolver. Ejemplos típicos a los que se pueden aplicar este tipo de algoritmos evolutivos son la minimización de funciones, aprendizaje o cálculo de parámetros en un sistema inteligente como las redes de neuronas. Dado que el uso de algoritmos genéticos con codificación real supone el manejo de matrices y vectores de números reales, se propone en este trabajo el desarrollo de un código en Python con Tensorflow para acelerar la ejecución de este tipo de algoritmos evolutivos, permitiendo al usuario programar esta solución para un problema concreto. Para ello, será necesario programar las diferentes operaciones involucradas en la ejecución de un algoritmo genético. Asimismo, a lo largo de este trabajo al utilizar Tensorflow se verá la optimización de tiempo usando GPU.---ABSTRACT---Genetic algorithms are a potent general-purpose tool to solve optimization problems. The possibility of using individuals that codify solutions with real numbers widens the scope of problems that can be solved when this type of codification fits well with the problem to solve. Typical examples in which we can apply this kind of evolutionary algorithms are function minimization, learning or calculation of parameter in an intelligent system such as neural networks. Due to the fact that the use of genetic algorithms with real codification involves the handling of matrices and vectors of real numbers, I propose the development of a Python algorithm that, with the use of TensorFlow, will accelerate the performance of this kinds of genetic algorithms which will in result, allow users to adapt this solution to their specific problems. For this, programming the different operations involved in the execution of a genetic algorithm will be needed. Moreover, a comparison between the results when using TensorFlow GPU optimization and not using it will be shown.

More information

Item ID: 58163
DC Identifier: http://oa.upm.es/58163/
OAI Identifier: oai:oa.upm.es:58163
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 21 Feb 2020 09:42
Last Modified: 21 Feb 2020 09:42
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM