Análisis Estadístico de Algoritmos Evolutivos para el problema de Selección de Variables
Resumen
Durante décadas de investigación en problemas de optimización, se han desarrollado innumerables algoritmos, tanto determinísticos como heurísticos. Aun así, debido a este amplio abanico de posibilidades resulta una tarea compleja determinar cuál de ellos es más adecuado para un problema específico. Se propone en este trabajo una comparativa entre diferentes algoritmos heurísticos de optimización haciendo uso de test estadísticos. Se consideró Simulated Annealing (SA), Algoritmo Genético Simple (sGA), Algoritmos Genético Compacto (cGA) y Deterministic Crowding (DC) aplicados al problema de Selección de Variables para Estimación utilizando Regresión Lineal. Se utilizaron tres casos de prueba, que consisten en la estimación de Radiación Solar, Consumo Eléctrico en la provincia de Tucumán (Argentina), y el tiempo de reaparición de células cancerígenas. Se comprobó que existe suficiente evidencia estadística para afirmar que los algoritmos arrojan resultados significativamente diferentes. Además se concluye que sGA y DC son los algoritmos más apropiados para estos problemas, permitiendo obtener valores de fitness similares siendo sGA ligeramente superior.
Descargas
Citas
Ahn, C. W., & Ramakrishna, R. S. (2003). Elitism-based compact genetic algorithms. Evolutionary Computation, IEEE Transactions on, 7(4), 367-385. https://doi.org/10.1109/TEVC.2003.814633
Coffin, M., & Saltzman, M. J. (2000). Statistical analysis of computational tests of algorithms and heuristics. INFORMS Journal on Computing, 12(1), 24–44. https://doi.org/10.1287/ijoc.12.1.24.11899
De Jong, K. A. (1975). Analysis of the behavior of a class of genetic adaptive systems (PhD Thesis). University of Michigan.
Denardo, E. V. (2012). Dynamic programming: models and applications. Courier Corporation.
Derrac, J., García, S., Molina, D., & Herrera, F. (2011). A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms. Swarm and Evolutionary Computation, 1(1), 3-18. https://doi.org/10.1016/j.swevo.2011.02.002
Eldén, L. (2007). Matrix Methods in Data Mining and Pattern Recognition. Philadelphia, PA, USA: Society for Industrial and Applied Mathematics.
Harik, G. R., Lobo, F. G., & Goldberg, D. E. (1999). The compact genetic algorithm. Evolutionary Computation, IEEE Transactions on, 3(4), 287–297. https://doi.org/10.1109/4235.797971
Hauschild, M., & Pelikan, M. (2011). An introduction and survey of estimation of distribution algorithms. Swarm and evolutionary computation, 1(3), 111–128. https://doi.org/10.1016/j.swevo.2011.08.003
Jimenez, V. A., Lizondo, D., Will, A., & Rodriguez, S. (2017). Short-Term Load Forecasting for Low Voltage Distribution Lines in Tucumán, Argentina. 5to Congreso Nacional de Ingeniería Informática / Sistemas de Información (CoNaIISI 2017), 940-949. Santa Fe, Argentina.
Kirkpatrick, S. (1984). Optimization by simulated annealing: Quantitative studies. Journal of statistical physics, 34(5-6), 975–986. https://doi.org/10.1007/BF01009452
Kotu, V., & Deshpande, B. (2015). Chapter 12 - Feature Selection. En V. Kotu & B. Deshpande (Eds.), Predictive Analytics and Data Mining (pp. 347-370). https://doi.org/10.1016/B978-0-12-801460-8.00012-4
Mahfoud, S. W. (1995). Niching methods for genetic algorithms. Urbana, 51(95001), 62–94.
Parsopoulos, K. E. (2010). Particle swarm optimization and intelligence: advances and applications: advances and applications. IGI global.
Peng, X., Bessho, M., Koshizuka, N., & Sakamura, K. (2014). A framework for peak electricity demand control utilizing constraint programing method in smart building. 2014 IEEE 3rd Global Conference on Consumer Electronics (GCCE), 744–748. https://doi.org/10.1109/GCCE.2014.7031211
Talbi, E.-G. (2009). Metaheuristics: from design to implementation (Vol. 74). John Wiley & Sons.
Varmuza, K., & Filzmoser, P. (2008). Introduction to multivariate statistical analysis in chemometrics. CRC press.
Will, A., Bustos, J., Bocco, M., Gotay, J., & Lamelas, C. (2013). On the use of niching genetic algorithms for variable selection in solar radiation estimation. Renewable Energy, 50, 168–176. https://doi.org/10.1016/j.renene.2012.06.039
William H. Wolberg, O. L. M. (1992). Wisconsin Breast Cancer Database [https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+ (Prognostic)].
Williams, M., & Daneshyari, M. D. (2016). Clonal vs. Negative Selection in Artificial Immune Systems (AIS).
Yu, X., & Gen, M. (2010). Introduction to Evolutionary Algorithms. En Decision Engineering. Springer.
Los artículos publicados en la Revista Ciencia y Tecnología son de exclusiva propiedad de sus autores. Las opiniones y el contenido de los mismos pertenecen a sus autores, declinando la Universidad de Palermo toda responsabilidad por los derechos que pudiera derivarse de la lectura y/o interpretación del contenido de los artículos publicados.
No se autoriza la reproducción, utilización ni explotación por parte de ningún tercero de los artículos publicados. Sólo se autoriza su uso para fines exclusivamente académicos y/o de investigación.
