un enfoque “interdisciplinar” para el estudio y aplicación ...€¦ · inteligente y sistemas...

I Jornadas de Computación Distribuida Inteligente y Sistemas Complejos.

CETA-CIEMAT, 11-06-2012

Un enfoque “Interdisciplinar” para el estudio y aplicación de las redes complejas

Dr. Francisco Prieto CastrilloCoordinador de Ciencia y Tecnología del CETA-CIEMAT

domingo 10 de junio de 2012



Un enfoque inter-disciplinar

Ingeniería Informática Ciencia

Obje t i vo : que un a l gor i tmo (herramienta) funcione lo mejor posible (menor tiempo y máxima eficiencia)

¿ C u a l e s s o n l a s r a z o n e s fundamentales (no sólo operativas) de que el algoritmo funcione? ¿ D e s c r i b e c o r r e c t a m e n t e e l comportamiento del sistema?

Pulir la herramienta Generar nuevo conocimiento

Dado un algoritmo....Dos enfoques complementarios




De la inspiración a la herramienta....

De la herramienta al conocimiento.

The GRID




Estabilidad de sistemas no lineales

Grafos aleatorios

Sistemas dinamicos Grafos aleatorios

Teoria del Caos/Bifuración

Ciencia de los sistemas complejos (Complexity Science)

Sincronización

Henri Poincare

Edward N. Lorentz

Laszlo Barabasi

Paul Erdos

Steven Strogatz

Pensamiento Complejo

Epistemología y Humanidades

Edgar Morin

Redes complejas



CETA-CIEMAT, 11-06-2012domingo 10 de junio de 2012



Modelos simples. Alta complejidad

(Prieto & Lourenço, 2005)

Poincaré Surface of Section

Un sistema simple..... Esconde gran complejidad

CAOS: Un equilibrio entre azar y estructura donde la sensibilidad a las condiciones de contorno es extrema

Perl, Juergen “On chaotic behaviour of some np-complete problems. Graph-Theoretic Concepts in Computer Science. Springer, (1998)

Caos

NP-Completo




En Ingeniería informática / Optimización

En Sistemas/redes complejos

Los grafos suelen ser dirigidos con un coste asociado en las aristas

Los grafos suelen ser no dirigidos y sin coste en las aristas (aunque hay modelos de todo tipo)

El objetivo es encontrar un camíno mínimo o max/min una función de los caminos

El objetivo es estudiar las propiedades estadísticas de un ensemble de grafos del que cada grafo es una realización.

Lo que nos “conecta” son los grafos.....

Ejemplos: El problema del viajante, problema del enrutamiento, Dijkstra SP, corte máximo en grafos, etc

Ejemplos: Estudiar la distribución de grados de un grafo, evolución de un grafo mediante link preferencial, centrlidad, etc.

Hines et al 2010

TSP




Lo que nos “conecta” son los grafos.....

Modelo de Erdos & Renyi Modelo de Watts & Strogatz Modelo de Barabasi & Albert

E ⊂ P2(V )

V = {vi : i ∈ IV }{ Aij =�

1 (vi, vj) ∈ E0 (vi, vj /∈ E)

Matriz de adyacencianodos

aristas E ⊂ V × V{ no dirigidodirigido

G = (V,E, W ) W: matriz pesos

P2(V ) = {S ⊂ V : card(S) = 2}




De agentes, abejas y sincronización: La inteligencia de “enjambre”

En computer science

En sistemas complejos

Emergencia: Un comportamiento cualitativamente distinto del sistema a partir de la cooperación de agentes/partes no esperable a partir de la información local

Swarm Intelligence o “inteligencia de enjambre”

Agent Based Modelling (ABM)

Agentes(entidades

que cooperan)

{ ReactivosDistributed Artificial Intelligence (DAI)Pro-activosSociales




Un ejemplo de agentes: redes de computadoras y aplicaciones P2P

Cliente/servidor Hybrido P2P

El cliente sólo precisa conocer a su server El cliente/agente tiene un diccionario de todos los demás

El cliente sólo interactúa a través de su serverLos agentes interaccionas entre sí directamente

Decentralización




Heurísticas“Procedimientos simples, a menudo basados en el sentido común que se supone que obtendrán una buena solución (no necesariamente óptima) a problemas difíciles de un modo sencillo y rápido”. (Zanakis et al.,1981)

Meta-heurísticas“Las metaheurísticas son una clase de métodos aproximados que están diseñados para resolver problemas difíciles de optimización combinatoria en los que los heurísticos clásicos no son efectivos. Las metaheurísticas proporcionan un marco general para crear nuevos algoritmos híbridos combinando diferentes conceptos derivados de la inteligencia artificial, la evolución biológica y los mecanismo estadísticos.” (J.P. Kelly et al, 1996)

En optimización se habla de....




Toby S. Cubitt, Jens Eisert, and Michael M. WolfExtracting dynamical equations from experimental data is NP hard. Physical Review Letters, (Accepted, Feb 2012)

Heurísticas

Metaheurísticas

Ruido/excursión aleatoria

Algoritmo

Intensificación

Diversificación

Ingeniería Informática Sistemas Complejos

Ecuación/mapa/analogía

C o m p o r t a m i e n t o gobal, emergencia y auto-organización

Algoritmo “enriquecido”

Mín/Max energía/entropía/etc

Búsqueda gobal

Búsqueda local

Algunos vínculos entre algoritmia y complejidad...




Un ejemplo de inter-relación: Small-World/Decentralized Search

J. Kleinberg, “The small-world phenomenon and decentralized search,” SIAM News, vol. 37, no. 3, pp. 1–2, 2004.

soluciones

excursión aleatoria




Nombre Método

ACO Ant Colony Optimization

ABC Artificial Bee Colony

AMP Adaptive Memory Programming

AT Asynchronous Teams

CA Cellular Automata

PA Preferential Attachment

SW Small-World

EA Evolutionary Algorithms

EDA Estimation Distribution Algorithms

FANS Fuzzy Adaptive Neighborhood Search

GA Genetic Algorithms

GHC Generalized High-Climbing algorithms

GLS Guided Local Search

GRASP Greedy Adaptive Randomized Search Procedure

HC Heuristic Concentration

ILS Iterated Local Search

MA Memetic Algorithms

MSM Multi-Start Methods

NM Noising Methods

PR Path Relinking

POPMUSIC Partial Optimization Metaheuristic Under Special Intensification Condition

SA Simulated Annealing

SI Swarm Intelligence

SS Scatter Search

SSA Search Space Analysis

TAM Threshold Accepting Methods

TS Tabu Search

VNS Variable Neighborhood Search

Meta-heurísticas m

ás conocidasH

emos

usa

do...




¿Para qué lo hemos usado?

1) Computando en redes complejas

2) Computando con redes complejas




Barabási. The physics of the Web. Physics World (2001) vol. 14 (7) pp. 33–38

+

Prieto et al IJCNS, 2011




Computando en redes complejas




AVG DEGREE: 5.03AvgCC: 0.11AVG DIST: 4.24

BROKER

CE

COMM. NODE

α = 2.87

Prieto et al IJCNS, 2011Prieto et al FISES, 2011




Computando con redes complejas

Botón-‐Fernández, M., Prieto Castrillo, F., Vega-‐Rodríguez, M.A. ICCSA’11

Botón et al, 2012

Conexión popularidad-eficiencia

cluster de computadores




¿Un país de “expertos” o una colaboración de equipos trans/inter-disciplinar?

Bah!!! Yo lo sé todo de la pata izquierda de

la mosca

Perdona. ¿qué es una mosca?

!!!Colaboremos!!!

Soy el mayor experto en la pata derecha de

la mosca

Jejeje




¡¡¡Gracias por su atención!!!

“Las mentes son como los paracaídas. Funcionan mejor cuando están abiertas”. Lord Thomas Dewar


un enfoque “interdisciplinar” para el estudio y aplicación ...€¦ · inteligente y sistemas...

Documents