Complejidad algor´ıtmica, resoluci´on de ecuaciones y algoritmos b´ıo-inspirados Presentaci´ on de la l´ınea investigaci´ on
Cruz Enrique Borges Hern´andez1
22 de septiembre de 2010
Este trabajo esta sujeto a la licencia Creative Commons Attribution-NonCommercial-ShareAlike 3.0. 1
DeustoTech, Universidad de Deusto, 48007 Bilbao, Espa˜ na.
[email protected]
C.E. Borges
DeustoTech
1/37
Contenidos
1
Actividad formativa.
2
Actividad investigadora. Test de Primalidad. El problema XVII de Smale. Algoritmos Bioinspirados.
3
L´ıneas Futuras.
C.E. Borges
DeustoTech
2/37
´Indice
1
Actividad formativa.
2
Actividad investigadora. Test de Primalidad. El problema XVII de Smale. Algoritmos Bioinspirados.
3
L´ıneas Futuras.
C.E. Borges
DeustoTech
3/37
Actividad formativa
Actividad formativa Licenciado en Matem´aticas por la Universidad de La Laguna. Estancia (SICUE) de un a˜ no en la Universidad de Cantabria. Trabajo Fin de Carrera: Test de Primalidad. D.E.A.: Hacia la resoluci´ on del Problema XVII de Smale en el caso real. Tesis: Sobre el Problema XVII de Smale en el Caso Real: una Soluci´on Bioinspiradaa . a
Fecha tentativa de lectura: Septiembre
C.E. Borges
DeustoTech
4/37
Actividad formativa
Actividad formativa Licenciado en Matem´aticas por la Universidad de La Laguna. Estancia (SICUE) de un a˜ no en la Universidad de Cantabria. Trabajo Fin de Carrera: Test de Primalidad. D.E.A.: Hacia la resoluci´ on del Problema XVII de Smale en el caso real. Tesis: Sobre el Problema XVII de Smale en el Caso Real: una Soluci´on Bioinspiradaa . a
Fecha tentativa de lectura: Septiembre
C.E. Borges
DeustoTech
4/37
Actividad formativa
Actividad formativa Licenciado en Matem´aticas por la Universidad de La Laguna. Estancia (SICUE) de un a˜ no en la Universidad de Cantabria. Trabajo Fin de Carrera: Test de Primalidad. D.E.A.: Hacia la resoluci´ on del Problema XVII de Smale en el caso real. Tesis: Sobre el Problema XVII de Smale en el Caso Real: una Soluci´on Bioinspiradaa . a
Fecha tentativa de lectura: Septiembre
C.E. Borges
DeustoTech
4/37
Actividad formativa
Actividad formativa Licenciado en Matem´aticas por la Universidad de La Laguna. Estancia (SICUE) de un a˜ no en la Universidad de Cantabria. Trabajo Fin de Carrera: Test de Primalidad. D.E.A.: Hacia la resoluci´ on del Problema XVII de Smale en el caso real. Tesis: Sobre el Problema XVII de Smale en el Caso Real: una Soluci´on Bioinspiradaa . a
Fecha tentativa de lectura: Septiembre
C.E. Borges
DeustoTech
4/37
Actividad formativa
Actividad formativa Licenciado en Matem´aticas por la Universidad de La Laguna. Estancia (SICUE) de un a˜ no en la Universidad de Cantabria. Trabajo Fin de Carrera: Test de Primalidad. D.E.A.: Hacia la resoluci´ on del Problema XVII de Smale en el caso real. Tesis: Sobre el Problema XVII de Smale en el Caso Real: una Soluci´on Bioinspiradaa . a
Fecha tentativa de lectura: Septiembre
C.E. Borges
DeustoTech
4/37
Actividad investigadora I (Revistas)
Revistas C.E. Borges y L.M. Pardo, On the Probability Distribution of Data at Points in Real Complete Intersection Varieties, Journal of Complexity 24 (2008), no. 4, 492–523. C.L. Alonso, J.L. Monta˜ na, J. Puente y C.E. Borges, A New Linear Genetic Programming Aproach Based on Straight Line Programs: Some Theoretical and Exeperimental Aspects, International Journal on Artificial Intelligence Tools 18 (2009), no. 5, 757–781.
C.E. Borges
DeustoTech
5/37
Actividad investigadora II (Congresos)
Congresos 2009 J.L. Monta˜ na, C.L. Alonso, C.E. Borges y J.L. Crespo, Adaptation, Performance and Vapnik-Chervonenkis Dimension of Straight Line Programs, Genetic Programming, EuroGP 2009. LNCS 5481, 315–326 C.L. Alonso, J.L. Monta˜ na y C.E. Borges, Evolution Strategies for Constants Optimization in Genetic Programming, ICTAI 2009, IEEE Computer Society, 702–707. J.L. Monta˜ na y C.E. Borges, Lower Bounds for Approximation of Some Classes of Lebesgue Measurable Functions by Sigmoidal Neural Networks, IWANN 2009. LNCS 5517, 1–8
C.E. Borges
DeustoTech
6/37
Actividad investigadora II (Congresos)
Congresos 2010 C.L. Alonso, J.L. Monta˜ na y C.E. Borges, Model Selection in Genetic Programming, GECCO 2010. Por aparecer en ACM Proceedings, 2010. C.E. Borges, C.L. Alonso, J.L. Monta˜ na, A.O. de la Puente y M.C. Echeandia, Coevolutionary Architectures with Straight Line Programs for solving the Symbolic Regression Problem, Enviado a ICEC 2010.
C.E. Borges
DeustoTech
6/37
´Indice
1
Actividad formativa.
2
Actividad investigadora. Test de Primalidad. El problema XVII de Smale. Algoritmos Bioinspirados.
3
L´ıneas Futuras.
C.E. Borges
DeustoTech
7/37
´Indice
1
Actividad formativa.
2
Actividad investigadora. Test de Primalidad. El problema XVII de Smale. Algoritmos Bioinspirados.
3
L´ıneas Futuras.
C.E. Borges
DeustoTech
8/37
El problema Primes. Definici´on (N´umero primo) Un n´ umero natural n es primo si los u ´nicos divisores que posee son 1 y n.
Problema (Primes) Dado un n´ umero natural n decidir si es primo o no.
Definici´on (M´aquina de Turing: modelo bit) Modelo matem´atico abstracto que formaliza el concepto de algoritmo.
...
Cinta 0
0
0
e
0
0
1
...
Cabezal
Programa C.E. Borges
DeustoTech
9/37
El problema Primes. Definici´on (N´umero primo) Un n´ umero natural n es primo si los u ´nicos divisores que posee son 1 y n.
Problema (Primes) Dado un n´ umero natural n decidir si es primo o no.
Definici´on (M´aquina de Turing: modelo bit) Modelo matem´atico abstracto que formaliza el concepto de algoritmo.
...
Cinta 0
0
1
e
1
0
1
...
Cabezal
Programa C.E. Borges
DeustoTech
9/37
Importancia del problema Primes. ¿Por qu´e es importante? Desaf´ıo matem´atico. God may not play dice with the universe, but something strange is going on with the prime numbersa . Paul Erd¨ os (1913–1996) Imprescindible en los protocolos criptogr´aficos actuales. a Puede que Dios no est´e jugando a los dados con el universo, pero algo muy raro est´ a sucediendo con los n´ umero primos.
Complejidad Algor´ıtmica.
C.E. Borges
DeustoTech
10/37
Importancia del problema Primes. ¿Por qu´e es importante? Desaf´ıo matem´atico. God may not play dice with the universe, but something strange is going on with the prime numbersa . Paul Erd¨ os (1913–1996) Imprescindible en los protocolos criptogr´aficos actuales. a Puede que Dios no est´e jugando a los dados con el universo, pero algo muy raro est´ a sucediendo con los n´ umero primos.
Complejidad Algor´ıtmica.
C.E. Borges
DeustoTech
10/37
Importancia del problema Primes. ¿Por qu´e es importante? Desaf´ıo matem´atico. God may not play dice with the universe, but something strange is going on with the prime numbersa . Paul Erd¨ os (1913–1996) Imprescindible en los protocolos criptogr´aficos actuales. a Puede que Dios no est´e jugando a los dados con el universo, pero algo muy raro est´ a sucediendo con los n´ umero primos.
Complejidad Algor´ıtmica.
C.E. Borges
DeustoTech
10/37
Importancia del problema Primes. ¿Por qu´e es importante? Desaf´ıo matem´atico. God may not play dice with the universe, but something strange is going on with the prime numbersa . Paul Erd¨ os (1913–1996) Imprescindible en los protocolos criptogr´aficos actuales. a Puede que Dios no est´e jugando a los dados con el universo, pero algo muy raro est´ a sucediendo con los n´ umero primos.
Complejidad Algor´ıtmica.
C.E. Borges
DeustoTech
10/37
Complejidad Algor´ıtmica. Definici´on (Complejidad Algor´ıtmica) Relaci´on entre el tama˜ no de la entrada de un problema con el n´ umero de operaciones que tiene que realizar una m´aquina de Turing para la peor de las instancias.
Reducci´ on polinomial. Problemas completos.
Clasificaci´on P: relaciones acotadas por un polinomio. no − P: resto de relaciones.
C.E. Borges
DeustoTech
11/37
Complejidad Algor´ıtmica. Definici´on (Complejidad Algor´ıtmica) Relaci´on entre el tama˜ no de la entrada de un problema con el n´ umero de operaciones que tiene que realizar una m´aquina de Turing para la peor de las instancias.
Reducci´ on polinomial. Problemas completos.
Clasificaci´on P: relaciones acotadas por un polinomio. no − P: resto de relaciones.
C.E. Borges
DeustoTech
11/37
Complejidad Algor´ıtmica. Definici´on (Complejidad Algor´ıtmica) Relaci´on entre el tama˜ no de la entrada de un problema con el n´ umero de operaciones que tiene que realizar una m´aquina de Turing para la peor de las instancias.
Reducci´ on polinomial. Problemas completos.
Clasificaci´on P: relaciones acotadas por un polinomio. no − P: resto de relaciones.
C.E. Borges
DeustoTech
11/37
Complejidad Algor´ıtmica. Definici´on (Complejidad Algor´ıtmica) Relaci´on entre el tama˜ no de la entrada de un problema con el n´ umero de operaciones que tiene que realizar una m´aquina de Turing para la peor de las instancias.
Reducci´ on polinomial. Problemas completos.
Clasificaci´on P: relaciones acotadas por un polinomio. no − P: resto de relaciones.
C.E. Borges
DeustoTech
11/37
Importancia de la Complejidad Algor´ıtmica. ¿Por qu´e es importante? Predecir la cantidad de recursos necesarios para resolver una instancia del problema. Diferenciar algoritmos practicables de impracticables. . . . je n’aurai rien `a y faire que de vous indiquer le moyen de r´epondre `a votre question, sans vouloir charger ni moi ni personne de le faire. En un mot, les calculs sont impraticablesa . ´ Evariste Galois (1811–1832) Santo Grial criptograf´ıa: Funciones de un solo sentido. a
. . . s´ olo necesito indicarte el m´etodo para responder a tus preguntas, sin esperar que yo u otra persona pueda llevarlo a cabo. En resumen, los c´ alculos son imposibles.
C.E. Borges
DeustoTech
12/37
Importancia de la Complejidad Algor´ıtmica. ¿Por qu´e es importante? Predecir la cantidad de recursos necesarios para resolver una instancia del problema. Diferenciar algoritmos practicables de impracticables. . . . je n’aurai rien `a y faire que de vous indiquer le moyen de r´epondre `a votre question, sans vouloir charger ni moi ni personne de le faire. En un mot, les calculs sont impraticablesa . ´ Evariste Galois (1811–1832) Santo Grial criptograf´ıa: Funciones de un solo sentido. a
. . . s´ olo necesito indicarte el m´etodo para responder a tus preguntas, sin esperar que yo u otra persona pueda llevarlo a cabo. En resumen, los c´ alculos son imposibles.
C.E. Borges
DeustoTech
12/37
Importancia de la Complejidad Algor´ıtmica. ¿Por qu´e es importante? Predecir la cantidad de recursos necesarios para resolver una instancia del problema. Diferenciar algoritmos practicables de impracticables. . . . je n’aurai rien `a y faire que de vous indiquer le moyen de r´epondre `a votre question, sans vouloir charger ni moi ni personne de le faire. En un mot, les calculs sont impraticablesa . ´ Evariste Galois (1811–1832) Santo Grial criptograf´ıa: Funciones de un solo sentido. a
. . . s´ olo necesito indicarte el m´etodo para responder a tus preguntas, sin esperar que yo u otra persona pueda llevarlo a cabo. En resumen, los c´ alculos son imposibles.
C.E. Borges
DeustoTech
12/37
Importancia de la Complejidad Algor´ıtmica. ¿Por qu´e es importante? Predecir la cantidad de recursos necesarios para resolver una instancia del problema. Diferenciar algoritmos practicables de impracticables. . . . je n’aurai rien `a y faire que de vous indiquer le moyen de r´epondre `a votre question, sans vouloir charger ni moi ni personne de le faire. En un mot, les calculs sont impraticablesa . ´ Evariste Galois (1811–1832) Santo Grial criptograf´ıa: Funciones de un solo sentido. a
. . . s´ olo necesito indicarte el m´etodo para responder a tus preguntas, sin esperar que yo u otra persona pueda llevarlo a cabo. En resumen, los c´ alculos son imposibles.
C.E. Borges
DeustoTech
12/37
Algoritmos no − P. Algoritmo (Criba de Erat´ostenes) Input: un n´ umero natural n 1
Escribir todos los n´ umeros hasta n.
2
Tachar el 1 pues es una unidad. Repetir desde i = 2 hasta n
3
Si i no est´a tachado, tachar los m´ ultiplos de i excepto el propio i.
Output: Los n´ umeros tachados son compuestos y los no tachados son primos.
Tama˜ no Entrada: O(log n). N´ umero de Pasos: O(n2 ). La relaci´ on NO es polinomial!!!! C.E. Borges
DeustoTech
13/37
Algoritmos no − P. Algoritmo (Criba de Erat´ostenes) Input: un n´ umero natural n 1
Escribir todos los n´ umeros hasta n.
2
Tachar el 1 pues es una unidad. Repetir desde i = 2 hasta n
3
Si i no est´a tachado, tachar los m´ ultiplos de i excepto el propio i.
Output: Los n´ umeros tachados son compuestos y los no tachados son primos.
Tama˜ no Entrada: O(log n). N´ umero de Pasos: O(n2 ). La relaci´ on NO es polinomial!!!! C.E. Borges
DeustoTech
13/37
Algoritmos no − P. Algoritmo (Criba de Erat´ostenes) Input: un n´ umero natural n 1
Escribir todos los n´ umeros hasta n.
2
Tachar el 1 pues es una unidad. Repetir desde i = 2 hasta n
3
Si i no est´a tachado, tachar los m´ ultiplos de i excepto el propio i.
Output: Los n´ umeros tachados son compuestos y los no tachados son primos.
Tama˜ no Entrada: O(log n). N´ umero de Pasos: O(n2 ). La relaci´ on NO es polinomial!!!! C.E. Borges
DeustoTech
13/37
Algoritmos Probabilistas. Definici´on (Algoritmos Probabilistas) Algoritmo cuya respuesta depende del azar. Hay de diversos tipos: Monte Carlo (BPP): Pueden dar respuestas incorrectas pero con probabilidad baja. Las Vegas (ZPP): Nunca dan respuestas incorrectas pero tienen probabilidad de fallar. ...
Cinta 1
0
0
e
0
1
1
...
Cabezal
Programa
Ejemplos de Test de Primalidad Probabilistas Algoritmos de Solovay–Strassen y Miller–Rabin. C.E. Borges
DeustoTech
14/37
Algoritmos Probabilistas. Definici´on (Algoritmos Probabilistas) Algoritmo cuya respuesta depende del azar. Hay de diversos tipos: Monte Carlo (BPP): Pueden dar respuestas incorrectas pero con probabilidad baja. Las Vegas (ZPP): Nunca dan respuestas incorrectas pero tienen probabilidad de fallar. ...
Cinta 1
0
1
e
1
1
1
...
Cabezal
Programa
Ejemplos de Test de Primalidad Probabilistas Algoritmos de Solovay–Strassen y Miller–Rabin. C.E. Borges
DeustoTech
14/37
Conjuntos Cuestores y Algoritmos P. Definici´on (Conjunto Cuestor) Sea C un subconjunto de un conjunto universal U. Se dice que C es un conjunto cuestor para la propiedad P siempre que, si se cumple la propiedad P en todos los elementos del conjunto C, entonces se cumple para todos los elementos del conjunto universal U.
Conjunto Cuestor para la propiedad ser primo
√ Comprobar (n m´od i) 6= 0 para todo i en el conjunto C = {1, · · · , n}. El tama˜ no del conjunto NO es polinomial!!!!
En 2002 Manindra Agrawal, Neeraj Kayal y Nitin Saxena publican un conjunto cuestor de tama˜ no polinomial para Prime y por lo tanto un test de primalidad en la clase P. C.E. Borges
DeustoTech
15/37
Conjuntos Cuestores y Algoritmos P. Definici´on (Conjunto Cuestor) Sea C un subconjunto de un conjunto universal U. Se dice que C es un conjunto cuestor para la propiedad P siempre que, si se cumple la propiedad P en todos los elementos del conjunto C, entonces se cumple para todos los elementos del conjunto universal U.
Conjunto Cuestor para la propiedad ser primo
√ Comprobar (n m´od i) 6= 0 para todo i en el conjunto C = {1, · · · , n}. El tama˜ no del conjunto NO es polinomial!!!!
En 2002 Manindra Agrawal, Neeraj Kayal y Nitin Saxena publican un conjunto cuestor de tama˜ no polinomial para Prime y por lo tanto un test de primalidad en la clase P. C.E. Borges
DeustoTech
15/37
Conjuntos Cuestores y Algoritmos P. Definici´on (Conjunto Cuestor) Sea C un subconjunto de un conjunto universal U. Se dice que C es un conjunto cuestor para la propiedad P siempre que, si se cumple la propiedad P en todos los elementos del conjunto C, entonces se cumple para todos los elementos del conjunto universal U.
Conjunto Cuestor para la propiedad ser primo
√ Comprobar (n m´od i) 6= 0 para todo i en el conjunto C = {1, · · · , n}. El tama˜ no del conjunto NO es polinomial!!!!
En 2002 Manindra Agrawal, Neeraj Kayal y Nitin Saxena publican un conjunto cuestor de tama˜ no polinomial para Prime y por lo tanto un test de primalidad en la clase P. C.E. Borges
DeustoTech
15/37
Conjuntos Cuestores y Algoritmos P. Definici´on (Conjunto Cuestor) Sea C un subconjunto de un conjunto universal U. Se dice que C es un conjunto cuestor para la propiedad P siempre que, si se cumple la propiedad P en todos los elementos del conjunto C, entonces se cumple para todos los elementos del conjunto universal U.
Conjunto Cuestor para la propiedad ser primo
√ Comprobar (n m´od i) 6= 0 para todo i en el conjunto C = {1, · · · , n}. El tama˜ no del conjunto NO es polinomial!!!!
En 2002 Manindra Agrawal, Neeraj Kayal y Nitin Saxena publican un conjunto cuestor de tama˜ no polinomial para Prime y por lo tanto un test de primalidad en la clase P. C.E. Borges
DeustoTech
15/37
´Indice
1
Actividad formativa.
2
Actividad investigadora. Test de Primalidad. El problema XVII de Smale. Algoritmos Bioinspirados.
3
L´ıneas Futuras.
C.E. Borges
DeustoTech
16/37
Resoluci´on simb´olica de sistemas de ecuaciones
Problema (Resoluci´on simb´olica de ecuaciones) Buscamos los puntos ζ ∈ Kn , con K ∈ {R, C}, tales que f1 (ζ) f (ζ) := ... = 0, fm (ζ) donde f1 , . . . , fm son polinomios multivariados de grados d1 ,. . . ,dm . ¡La complejidad de este problema es no − P! (Castro y col. 2003)
C.E. Borges
DeustoTech
17/37
Resoluci´on simb´olica de sistemas de ecuaciones
Problema (Resoluci´on simb´olica de ecuaciones) Buscamos los puntos ζ ∈ Kn , con K ∈ {R, C}, tales que f1 (ζ) f (ζ) := ... = 0, fm (ζ) donde f1 , . . . , fm son polinomios multivariados de grados d1 ,. . . ,dm . ¡La complejidad de este problema es no − P! (Castro y col. 2003)
C.E. Borges
DeustoTech
17/37
¿Por qu´e es importante?
Aplicaciones Pr´acticas. Problema cl´asico de las matem´aticas. Problemas b´asico a resolver en problemas de optimizaci´on que surgen de modelos no lineales. C´alculo de Equilibrios de Nash.
C.E. Borges
DeustoTech
18/37
¿Por qu´e es importante?
Aplicaciones Pr´acticas. Problema cl´asico de las matem´aticas. Problemas b´asico a resolver en problemas de optimizaci´on que surgen de modelos no lineales. C´alculo de Equilibrios de Nash.
C.E. Borges
DeustoTech
18/37
¿Por qu´e es importante?
Aplicaciones Pr´acticas. Problema cl´asico de las matem´aticas. Problemas b´asico a resolver en problemas de optimizaci´on que surgen de modelos no lineales. C´alculo de Equilibrios de Nash.
C.E. Borges
DeustoTech
18/37
Modelo de computaci´on
Definici´on (M´aquina de Turing: modelo real) Modelo matem´atico abstracto que formaliza el concepto de algoritmo num´erico.
...
Cinta 0.87161
e
-1.04587
-2.88121
0.0227
-4.86488
-3.22595
...
Cabezal
Programa
C.E. Borges
DeustoTech
19/37
Resoluci´on num´erica de sistemas de ecuaciones Resoluci´on num´erica de ecuaciones Buscamos una sucesi´on de puntos {xi }∞ i=0 con las siguientes propiedades 1. ∀i, xi ∈ Kn ,
2. K ∈ {R, C},
3. l´ım xi = ζ,
4. f (ζ) = 0.
i→∞
M´etodo de Newton ( x0 xi+1 = xi − Dx−1 (f )f (xi ) i ¿Q´ ue punto inicial cogemos?
C.E. Borges
DeustoTech
20/37
Resoluci´on num´erica de sistemas de ecuaciones Resoluci´on num´erica de ecuaciones Buscamos una sucesi´on de puntos {xi }∞ i=0 con las siguientes propiedades 1. ∀i, xi ∈ Kn ,
2. K ∈ {R, C},
3. l´ım xi = ζ,
4. f (ζ) = 0.
i→∞
M´etodo de Newton ( x0 xi+1 = xi − Dx−1 (f )f (xi ) i ¿Q´ ue punto inicial cogemos?
C.E. Borges
DeustoTech
20/37
Resoluci´on num´erica de sistemas de ecuaciones Resoluci´on num´erica de ecuaciones Buscamos una sucesi´on de puntos {xi }∞ i=0 con las siguientes propiedades 1. ∀i, xi ∈ Kn ,
2. K ∈ {R, C},
3. l´ım xi = ζ,
4. f (ζ) = 0.
i→∞
M´etodo de Newton ( x0 xi+1 = xi − Dx−1 (f )f (xi ) i ¿Q´ ue punto inicial cogemos?
C.E. Borges
DeustoTech
20/37
γ-Teorema de Smale
Teorema (γ-Teorema de Smale (Blum y col. 1998)) Existe una constante α0 tal que, si el condicionamiento no lineal µ(f , x) del sistema en el punto x es menor que α0 entonces, el m´etodo de Newton aplicado al sistema f , con punto inicial x, converge. ¿C´omo encontramos dichos puntos?
C.E. Borges
DeustoTech
21/37
γ-Teorema de Smale
Teorema (γ-Teorema de Smale (Blum y col. 1998)) Existe una constante α0 tal que, si el condicionamiento no lineal µ(f , x) del sistema en el punto x es menor que α0 entonces, el m´etodo de Newton aplicado al sistema f , con punto inicial x, converge. ¿C´omo encontramos dichos puntos?
C.E. Borges
DeustoTech
21/37
Algoritmos de deformaci´on homot´opica Pn (C) (ζ, f )
ζ
f
C ) P(H(d)
Si K = C, la complejidad del problema2 es P (Beltr´an y Pardo 2009). ¿Qu´e pasa en el caso K = R?
2
En realidad es ZPP C
C.E. Borges
DeustoTech
22/37
Algoritmos de deformaci´on homot´opica Pn (C) (ζ, f )
ζ
ζ0
x0 g
f
C ) P(H(d)
Si K = C, la complejidad del problema2 es P (Beltr´an y Pardo 2009). ¿Qu´e pasa en el caso K = R?
2
En realidad es ZPP C
C.E. Borges
DeustoTech
22/37
Algoritmos de deformaci´on homot´opica Pn (C) x5 (ζ, f )
ζ
ζ0
x0 g
x1
x2
x3
x4
ft1 ft2 ft3 ft4
f
C ) P(H(d)
Si K = C, la complejidad del problema2 es P (Beltr´an y Pardo 2009). ¿Qu´e pasa en el caso K = R?
2
En realidad es ZPP C
C.E. Borges
DeustoTech
22/37
Algoritmos de deformaci´on homot´opica Pn (C) x5 (ζ, f )
ζ
ζ0
x0 g
x1
x2
x3
x4
ft1 ft2 ft3 ft4
f
C ) P(H(d)
Si K = C, la complejidad del problema2 es P (Beltr´an y Pardo 2009). ¿Qu´e pasa en el caso K = R?
2
En realidad es ZPP C
C.E. Borges
DeustoTech
22/37
Algoritmos de deformaci´on homot´opica Pn (C) x5 (ζ, f )
ζ
ζ0
x0 g
x1
x2
x3
x4
ft1 ft2 ft3 ft4
f
C ) P(H(d)
Si K = C, la complejidad del problema2 es P (Beltr´an y Pardo 2009). ¿Qu´e pasa en el caso K = R?
2
En realidad es ZPP C
C.E. Borges
DeustoTech
22/37
¿Por qu´e no valen los resultados del caso K = C?
Problemas relacionados con el caso real. Rn
es un espacio de medida nula en Cn .
La geometr´ıa de las soluciones reales muy retorcida. Hay m´as de una componente conexa. Hay que reescribir todos los resultados desde cero y desarrollar nuevas ideas (Borges y Pardo 2008).
C.E. Borges
DeustoTech
23/37
¿Por qu´e no valen los resultados del caso K = C?
Problemas relacionados con el caso real. Rn
es un espacio de medida nula en Cn .
La geometr´ıa de las soluciones reales muy retorcida. Hay m´as de una componente conexa. Hay que reescribir todos los resultados desde cero y desarrollar nuevas ideas (Borges y Pardo 2008).
C.E. Borges
DeustoTech
23/37
´Indice
1
Actividad formativa.
2
Actividad investigadora. Test de Primalidad. El problema XVII de Smale. Algoritmos Bioinspirados.
3
L´ıneas Futuras.
C.E. Borges
DeustoTech
24/37
Problemas de optimizaci´on
Problema (Optimizaci´on) m´ın
f (x)
sujeto a g (x) = 0 h(x) ≤ 0
C.E. Borges
DeustoTech
25/37
Problemas de Regresi´on Problema (Regresi´on Simb´olica) Dada una muestra de puntos encontrar la funci´ on que mejor los aproxima dentro de un conjunto de funciones dado. y
f (x)
x C.E. Borges
DeustoTech
26/37
Problemas de Regresi´on Problema (Regresi´on Simb´olica) Dada una muestra de puntos encontrar la funci´ on que mejor los aproxima dentro de un conjunto de funciones dado. y
x10 f (x) x6
x3 x4 x0
x1x2
x5
x7 x8
x9
x C.E. Borges
DeustoTech
26/37
Problemas de Regresi´on Problema (Regresi´on Simb´olica) Dada una muestra de puntos encontrar la funci´ on que mejor los aproxima dentro de un conjunto de funciones dado. y
g (x)
x C.E. Borges
DeustoTech
26/37
Si conoces el espacio de b´usqueda. . .
. . . y es un espacio vectorial3 Muestra sin errores =⇒ Interpolaci´ on. Muestra con errores =⇒ M´ınimos Cuadrados.
. . . y NO es un espacio vectorial Muestra sin errores =⇒ Interpolaci´ on no lineal. Muestra con errores =⇒ Descenso de Gradiente.
3
de dimensi´ on finita
C.E. Borges
DeustoTech
27/37
Si conoces el espacio de b´usqueda. . .
. . . y es un espacio vectorial3 Muestra sin errores =⇒ Interpolaci´ on. Muestra con errores =⇒ M´ınimos Cuadrados.
. . . y NO es un espacio vectorial Muestra sin errores =⇒ Interpolaci´ on no lineal. Muestra con errores =⇒ Descenso de Gradiente.
3
de dimensi´ on finita
C.E. Borges
DeustoTech
27/37
Si conoces el espacio de b´usqueda. . .
. . . y es un espacio vectorial3 Muestra sin errores =⇒ Interpolaci´ on. Muestra con errores =⇒ M´ınimos Cuadrados.
. . . y NO es un espacio vectorial Muestra sin errores =⇒ Interpolaci´ on no lineal. Muestra con errores =⇒ Descenso de Gradiente.
3
de dimensi´ on finita
C.E. Borges
DeustoTech
27/37
Si conoces el espacio de b´usqueda. . .
. . . y es un espacio vectorial3 Muestra sin errores =⇒ Interpolaci´ on. Muestra con errores =⇒ M´ınimos Cuadrados.
. . . y NO es un espacio vectorial Muestra sin errores =⇒ Interpolaci´ on no lineal. Muestra con errores =⇒ Descenso de Gradiente.
3
de dimensi´ on finita
C.E. Borges
DeustoTech
27/37
Si NO conoces el espacio de b´usqueda. . .
¿? La fuerza bruta no es una opci´ on en un espacio de funciones. Explorar el espacio de funciones: Regresi´ on Simb´ olica. Programaci´on Gen´etica.
C.E. Borges
DeustoTech
28/37
Si NO conoces el espacio de b´usqueda. . .
¿? La fuerza bruta no es una opci´ on en un espacio de funciones. Explorar el espacio de funciones: Regresi´ on Simb´ olica. Programaci´on Gen´etica.
C.E. Borges
DeustoTech
28/37
Si NO conoces el espacio de b´usqueda. . .
¿? La fuerza bruta no es una opci´ on en un espacio de funciones. Explorar el espacio de funciones: Regresi´ on Simb´ olica. Programaci´on Gen´etica.
C.E. Borges
DeustoTech
28/37
Si NO conoces el espacio de b´usqueda. . .
¿? La fuerza bruta no es una opci´ on en un espacio de funciones. Explorar el espacio de funciones: Regresi´ on Simb´ olica. Programaci´on Gen´etica.
C.E. Borges
DeustoTech
28/37
Regresi´on Simb´olica mediante Programaci´on Gen´etica I. Idea General Emular los procesos de selecci´ on natural para explorar el espacio de funciones en busca de un ´ optimo.
Poblaci´ on de Individuos. Mecanismos de Evoluci´ on. Mecanismo de Calificaci´ on S´olo sobreviven los mejor calificados. El Teorema de los Esquemas (Holland 1992) garantiza la convergencia hacia un ´ optimo local.
C.E. Borges
DeustoTech
29/37
Regresi´on Simb´olica mediante Programaci´on Gen´etica I. Idea General Emular los procesos de selecci´ on natural para explorar el espacio de funciones en busca de un ´ optimo.
Poblaci´ on de Individuos. Mecanismos de Evoluci´ on. Mecanismo de Calificaci´ on S´olo sobreviven los mejor calificados. El Teorema de los Esquemas (Holland 1992) garantiza la convergencia hacia un ´ optimo local.
C.E. Borges
DeustoTech
29/37
Regresi´on Simb´olica mediante Programaci´on Gen´etica I. Idea General Emular los procesos de selecci´ on natural para explorar el espacio de funciones en busca de un ´ optimo.
Poblaci´ on de Individuos. Mecanismos de Evoluci´ on. Mecanismo de Calificaci´ on S´olo sobreviven los mejor calificados. El Teorema de los Esquemas (Holland 1992) garantiza la convergencia hacia un ´ optimo local.
C.E. Borges
DeustoTech
29/37
Regresi´on Simb´olica mediante Programaci´on Gen´etica I. Idea General Emular los procesos de selecci´ on natural para explorar el espacio de funciones en busca de un ´ optimo.
Poblaci´ on de Individuos. Mecanismos de Evoluci´ on. Mecanismo de Calificaci´ on S´olo sobreviven los mejor calificados. El Teorema de los Esquemas (Holland 1992) garantiza la convergencia hacia un ´ optimo local.
C.E. Borges
DeustoTech
29/37
Regresi´on Simb´olica mediante Programaci´on Gen´etica I. Idea General Emular los procesos de selecci´ on natural para explorar el espacio de funciones en busca de un ´ optimo.
Poblaci´ on de Individuos. Mecanismos de Evoluci´ on. Mecanismo de Calificaci´ on S´olo sobreviven los mejor calificados. El Teorema de los Esquemas (Holland 1992) garantiza la convergencia hacia un ´ optimo local.
C.E. Borges
DeustoTech
29/37
Regresi´on Simb´olica mediante Programaci´on Gen´etica I. Idea General Emular los procesos de selecci´ on natural para explorar el espacio de funciones en busca de un ´ optimo.
Poblaci´ on de Individuos. Mecanismos de Evoluci´ on. Mecanismo de Calificaci´ on S´olo sobreviven los mejor calificados. El Teorema de los Esquemas (Holland 1992) garantiza la convergencia hacia un ´ optimo local.
C.E. Borges
DeustoTech
29/37
Regresi´on Simb´olica mediante Programaci´on Gen´etica II.
No Paralelizable
Crear Poblacion Inicial
Poco inter´ es en Paralelizar Paralelizable
Calificar Poblacion Inicial generaciones Mientras no Fin
Calificar Nueva Poblaci´ on
Operadores Gen´ eticos
Validar Resultado
C.E. Borges
DeustoTech
30/37
Programaci´on Gen´etica con slp I.
Propiedades Grafo Ac´ıclico Dirigido que codifica una aplicaci´ on. Reutiliza c´alculos ya hechos. Equivalentes a M´aquina de Turing. F´aciles de Evaluar.
C.E. Borges
DeustoTech
31/37
Programaci´on Gen´etica con slp I.
Propiedades Grafo Ac´ıclico Dirigido que codifica una aplicaci´ on. Reutiliza c´alculos ya hechos. Equivalentes a M´aquina de Turing. F´aciles de Evaluar.
C.E. Borges
DeustoTech
31/37
Programaci´on Gen´etica con slp I.
Propiedades Grafo Ac´ıclico Dirigido que codifica una aplicaci´ on. Reutiliza c´alculos ya hechos. Equivalentes a M´aquina de Turing. F´aciles de Evaluar.
C.E. Borges
DeustoTech
31/37
Programaci´on Gen´etica con slp I.
Propiedades Grafo Ac´ıclico Dirigido que codifica una aplicaci´ on. Reutiliza c´alculos ya hechos. Equivalentes a M´aquina de Turing. F´aciles de Evaluar.
C.E. Borges
DeustoTech
31/37
La estructura de datos slp II: representaci´on gr´afica.
Figura: f1 como ´arbol.
f1 ≡
Figura: f1 como slp.
f1 ≡
+
∗
+
+ +
+ + ∗
∗
∗
∗
∗ ∗
∗
∗ x
x
C.E. Borges
DeustoTech
32/37
La estructura de datos slp III: codificaci´on.
Figura: f1 como ´arbol.
f1 ≡
C.E. Borges
u1 u2 u3 u4 u5 u6 u7 u8 u9
Figura: f1 como slp.
:= x ∗ x := x ∗ x := u1 ∗ u2 := x ∗ x := u4 ∗ x := x ∗ x := u6 + x := u5 + u3 := u8 ∗ u7
u1 := x ∗ x u2 := u1 ∗ u1 u3 := u1 ∗ x f1 ≡ u4 := u3 + x u := u4 + u1 5 u6 := u5 + u4
DeustoTech
33/37
Resultados Experimentales. Resultados tras 300 repeticiones PR n [X ]: Muestra generada por un polinomio aleatorio de grado 5. SLPl (F, T ): Muestra generada por un slp aleatorio de longitud 16.
PR n [X ] slp arbol SLPl (F, T ) slp arbol
µ 2,55 · 10−2 2,69 · 10−2 µ 2,05 · 10−2 3,17 · 10−2
σ 2,3 · 10−2 2,07 · 10−2 σ 3,22 · 10−2 4,96 · 10−2
Figura: Estad´ısticos descriptivos. C.E. Borges
DeustoTech
PR n [X ] slp arbol SLPl (F, T ) slp arbol
slp 1 1 slp 1 1
arbol 8,07 · 10−2 1 arbol 7,16 · 10−3 1
Figura: Contraste de hip´otesis. 34/37
Resultados Experimentales. Resultados tras 300 repeticiones PR n [X ]: Muestra generada por un polinomio aleatorio de grado 5. SLPl (F, T ): Muestra generada por un slp aleatorio de longitud 16.
PR n [X ] slp arbol SLPl (F, T ) slp arbol
µ 2,55 · 10−2 2,69 · 10−2 µ 2,05 · 10−2 3,17 · 10−2
σ 2,3 · 10−2 2,07 · 10−2 σ 3,22 · 10−2 4,96 · 10−2
Figura: Estad´ısticos descriptivos. C.E. Borges
DeustoTech
PR n [X ] slp arbol SLPl (F, T ) slp arbol
slp 1 1 slp 1 1
arbol 8,07 · 10−2 1 arbol 7,16 · 10−3 1
Figura: Contraste de hip´otesis. 34/37
´Indice
1
Actividad formativa.
2
Actividad investigadora. Test de Primalidad. El problema XVII de Smale. Algoritmos Bioinspirados.
3
L´ıneas Futuras.
C.E. Borges
DeustoTech
35/37
Actividad Investigadora a desarrollar en DesutoTech
Proyecto e-nergia Modelado para predicci´ on de carga a corto plazo de edificios. Modelado para predicci´ on de fallos en equipamiento el´ectrico. Detecci´on de islas energ´eticas. Dise˜ no y optimizaci´on de catalizadores y procesos qu´ımicos.
C.E. Borges
DeustoTech
36/37
Actividad Investigadora a desarrollar en DesutoTech
Proyecto e-nergia Modelado para predicci´ on de carga a corto plazo de edificios. Modelado para predicci´ on de fallos en equipamiento el´ectrico. Detecci´on de islas energ´eticas. Dise˜ no y optimizaci´on de catalizadores y procesos qu´ımicos.
C.E. Borges
DeustoTech
36/37
Actividad Investigadora a desarrollar en DesutoTech
Proyecto e-nergia Modelado para predicci´ on de carga a corto plazo de edificios. Modelado para predicci´ on de fallos en equipamiento el´ectrico. Detecci´on de islas energ´eticas. Dise˜ no y optimizaci´on de catalizadores y procesos qu´ımicos.
C.E. Borges
DeustoTech
36/37
Actividad Investigadora a desarrollar en DesutoTech
Proyecto e-nergia Modelado para predicci´ on de carga a corto plazo de edificios. Modelado para predicci´ on de fallos en equipamiento el´ectrico. Detecci´on de islas energ´eticas. Dise˜ no y optimizaci´on de catalizadores y procesos qu´ımicos.
C.E. Borges
DeustoTech
36/37
¿Preguntas?
¿Preguntas?
¿?
¿? ¿Preguntas?
¿?
C.E. Borges
DeustoTech
37/37