Nuevos desarrollos en computación evolutiva optimizan la solución de problemas complejos

Un grupo de investigadores del Departamento de Arquitectura y Tecnología de Sistemas Informáticos (DATSI) de la FIUPM, en colaboración con el Centro de Supercomputación y Visualización de Madrid (CeSViMa), lleva varios años trabajando en el diseño e implementación de una plataforma de computación evolutiva que sea capaz de integrar técnicas clásicas con otras nuevas, para que juntas puedan resolver problemas complejos de una manera óptima.

La plataforma está basada en Algoritmos Evolutivos que optimizan la búsqueda de soluciones en problemas complejos de ciencia en ingeniería. Estos resultados son aplicables a múltiples campos, como la química molecular, la resistencia de materiales, la robótica o la teoría de juegos.

El desarrollo de esta línea de investigación ha sido dirigido por los profesores José María Peña Sánchez y Antonio Latorre de la Fuente, y ha dado lugar a varias publicaciones y proyectos fin de carrera, entre los que se encuentra el trabajo de Manuel Zaforas Martín, dedicado a la implementación de dicha plataforma, conocida como Multiple Offspring Sampling (MOS).

Los Algoritmos Evolutivos son una familia de algoritmos, dentro del mundo de la Inteligencia Artificial (AI), que permiten obtener soluciones a problemas de búsqueda y optimización no lineales y muy complejos, buscando el mejor balance entre la calidad de las soluciones y el tiempo de cómputo requerido. Dentro de este tipo de problemas podemos encontrar desde problemas matemáticos clásicos hasta problemas más reales del mundo de la ciencia y la ingeniería. En general, con estos métodos podremos abordar problemas de los que sabemos poco a priori y que de otra manera serían difícilmente abordables.

Estos métodos se inspiran en la teoría evolutiva postulada por Darwin en 1859 y, siguiendo la metáfora biológica, van "evolucionando" desde una población de soluciones candidatas, como si de individuos se tratara, hasta obtener la mejor solución posible. Distintas técnicas implementan estos principios, de una manera o de otra, cada una con sus particularidades, ventajas e inconvenientes.

Nueva metodología: MOS

La aportación realizada por los investigadores de la FIUPM consiste en el desarrollo de una metodología denominada MOS, que permite utilizar diferentes técnicas evolutivas simultáneamente y aprovechar el máximo rendimiento de cada una, combinándolas de una manera inteligente. De esta manera, MOS es capaz de trabajar con varios modelos evolutivos, como los populares Algoritmos Genéticos (GA), los Algoritmos de Estimación de la Distribución (EDA) basados en modelos probabilísticas, o técnicas más recientes como la Evolución Diferencial (DE).

La metodología MOS abstrae los mecanismos de generación de nueva descendencia propios a cada algoritmo evolutivo y los encapsula en lo que se denomina una técnica. Además, define nuevos conceptos como la "calidad" de una técnica, en función de lo bien o mal que ésta se comporte en función de una característica de los nuevos individuos que se quiera potenciar.

Con esta calidad se define la "participación" que debe tener cada técnica en el proceso evolutivo, todo esto de manera dinámica. Esto permite que las técnicas trabajen conjuntamente y obtengan mejores resultados de los que habrían obtenido de manera individual, resolviendo más rápido o con más precisión problemas de gran dimensión.

Esta investigación ha sido posible gracias a la colaboración existente con el CeSViMa, situado también en el Campus de Montegancedo de la UPM, y que posee el segundo computador más potente de España. Gracias a los experimentos realizados en esta máquina, de gran capacidad de cálculo, se han podido analizar las virtudes de estos algoritmos, al ponerlos a prueba para resolver problemas matemáticos muy complejos y que de ningún modo podríamos resolver en un ordenador convencional.

Actualmente la vía de investigación sigue abierta con varias tesis doctorales en ciernes. El grupo trabaja tanto en la incorporación de nuevas técnicas como en la mejora de los procesos de hibridación de las mismas.