Participa con tu nota. Contacto: daniela_ldl@ieee.org.ar

Nota editorial

Manejando las imperfecciones del mundo real con algoritmos inteligentes

En el mundo real las cosas no son perfectas, los técnicos usan dispositivos que también son limitados y, cuando se suman ambas cosas, lo que debió ser una captura perfecta de un sonido, o una imagen del mundo real, se convierte en algo imperfecto.

Las imperfecciones del mundo real se manifiestan en varias maneras. Lo mismo con otras capturas de señales menos evidentes pero igualmente necesarias para los técnicos.

El problema se complica aún más cuando se pretende armar un mecanismo de modelado que busque resolver alguna cuestión de la mejor manera posible dentro del contexto del imperfecto mundo que nos rodea. Estas tareas se denominan mecanismos de optimización. Justamente esa imperfección subyacente es lo que los técnicos denominan «ruido».

Hasta ahora, la investigación sobre algoritmos de optimización tolerantes al ruido todavía está restringida a problemas relativamente simples, de baja dimensión, que sería con menos de 100 variables de decisión. Pero sucede que los problemas de la práctica, solemos encontrarnos con un salto importante ya que son de alta dimensión.

Los algoritmos cooperativos coevolutivos (CC) son una especie de técnicas basados en los algoritmos del tipo evolutivo darwiniano que tiene como principio una estrategia de dividir y vencer. Han mostrado ser prometedores para resolver problemas complejos de alta dimensión.

Sin embargo, las evaluaciones de aptitud ruidosas plantean un desafío a la hora de realizar la etapa de simplificación en lo que es la descomposición de problemas para CC. Los métodos de agrupamiento de última generación, como el agrupamiento diferencial (DG) y el DG recursivo, no pueden funcionar adecuadamente en entornos ruidosos, porque es imposible distinguir si el cambio del valor de diferencia de una variable es causado por el ruido o por la perturbación de sus variables interactuantes.

Es ahí donde los investigadores plantean una solución que no está del todo resuelta, en base a los principios de coevolución cooperativa.

Daniela López De Luise

Academia Nacional de Ciencias de Buenos Aires

Coordinadora Académica CETI

Artículo original de:

Cooperative Coevolutionary CMA-ES With Landscape-Aware Grouping in Noisy Environments

IEEE Transactions on Evolutionary Computation, June 2023