#+TITLE: Práctica 2
#+SUBTITLE: Metaheurísticas
#+AUTHOR: Amin Kasrou Aouam
#+DATE: 2021-06-22
#+PANDOC_OPTIONS: template:~/.pandoc/templates/eisvogel.latex
#+PANDOC_OPTIONS: listings:t
#+PANDOC_OPTIONS: toc:t
#+PANDOC_METADATA: lang=es
#+PANDOC_METADATA: titlepage:t
#+PANDOC_METADATA: listings-no-page-break:t
#+PANDOC_METADATA: toc-own-page:t
#+PANDOC_METADATA: table-use-row-colors:t
#+PANDOC_METADATA: colorlinks:t
#+PANDOC_METADATA: logo:/home/coolneng/Photos/Logos/UGR.png
#+LaTeX_HEADER: \usepackage[ruled, lined, linesnumbered, commentsnumbered, longend]{algorithm2e}
* Práctica 2

** Introducción

En esta práctica, usaremos distintos algoritmos de búsqueda, basados en poblaciones, para resolver el problema de la máxima diversidad (MDP). Implementaremos:

- Algoritmo genético
- Algoritmo memético

** Algoritmos

*** Genético

Los algoritmos genéticos se inspiran en la evolución natural y la genética. Generan un conjunto de soluciones inicial (i.e. población), seleccionan un subconjunto de individuos sobre los cuales se opera, hacen operaciones de recombinación y mutación, y finalmente reemplazan la población anterior por una nueva.

El procedimiento general del algoritmo queda ilustrado a continuación:

\begin{algorithm}
    \KwIn{A list $[a_i]$, $i=1, 2, \cdots, n$, that contains the population of individuals}
    \KwOut{Processed list}

    $P(t) \leftarrow initializePopulation()$
    $P(t) \leftarrow evaluatePopulation()$

    \While{$\neg stop  condition $}{
        $t = t + 1$

        $parents \leftarrow selectParents(P(t-1))$

        $offspring \leftarrow recombine(parents)$

        $offspring \leftarrow mutate(offspring)$

        $P(t) \leftarrow replacePopulation(P(t-1), offspring)$

        $P(t) \leftarrow evaluatePopulation()$
    }
    \KwRet{$P(t)$}
\end{algorithm}

Procedemos a la implementación de 4 variantes distintas, según 2 criterios:

**** Criterio de reemplazamiento
- *Generacional*: la nueva población reemplaza totalmente a la población anterior
- *Estacionario*: los dos mejores hijos reemplazan los dos peores individuos en la población anterior
**** Operador de cruce
- *Uniforme*: mantiene las posiciones comunes de ambos padres, las demás se eligen de forma aleatoria de cada padre (requiere reparador)
- *Posición*: mantiene las posiciones comunes de ambos padres, elige el resto de elementos de cada padre y los baraja. Genera 2 hijos.

*** Memético

Los algoritmos meméticos surgen de la hibridación de un algoritmo genético, con un algoritmo de búsqueda local. El resultado es un algoritmo que posee un buen equilibrio entre exploración y explotación.

El procedimiento general del algoritmo queda ilustrado a continuación:

\begin{algorithm}
    \KwIn{A list $[a_i]$, $i=1, 2, \cdots, n$, that contains the population of individuals}
    \KwOut{Processed list}

    $P(t) \leftarrow initializePopulation()$
    $P(t) \leftarrow evaluatePopulation()$

    \While{$\neg stop  condition $}{
        \If{$certain  iteration$}{
            $P(t) <- localSearch(P(t-1))$
        }
        $t = t + 1$

        $parents \leftarrow selectParents(P(t-1))$

        $offspring \leftarrow recombine(parents)$

        $offspring \leftarrow mutate(offspring)$

        $P(t) \leftarrow replacePopulation(P(t-1), offspring)$

        $P(t) \leftarrow evaluatePopulation()$
    }
    \KwRet{$P(t)$}
\end{algorithm}

Procedemos a la implementación de 3 variantes distintas:
- Búsqueda local sobre todos los cromosomas
- Búsqueda local sobre un subconjunto aleatorio de cromosomas
- Búsqueda local sobre un el subconjunto de los mejores cromosomas

** Implementación

La práctica ha sido implementada en /Python/, usando las siguientes bibliotecas:

- NumPy
- Pandas

*** Instalación

Para ejecutar el programa es preciso instalar Python, junto con las bibliotecas *Pandas* y *NumPy*.

Se proporciona el archivo shell.nix para facilitar la instalación de las dependencias, con el gestor de paquetes [[https://nixos.org/][Nix]]. Tras instalar la herramienta Nix, únicamente habría que ejecutar el siguiente comando en la raíz del proyecto:

#+begin_src shell
nix-shell
#+end_src

** Ejecución

La ejecución del programa se realiza mediante el siguiente comando:

#+begin_src shell
python src/main.py <dataset> <algoritmo> <parámetros>
#+end_src

Los parámetros posibles son:

| dataset                              | algoritmo | parámetros                             |
| Cualquier archivo de la carpeta data | genetic   | uniform/position generation/stationary |
|                                      | memetic   | all/random/best                        |

También se proporciona un script que ejecuta 1 iteración de cada algoritmo, sobre cada uno de los /datasets/, y guarda los resultados en una hoja de cálculo. Se puede ejecutar mediante el siguiente comando:

#+begin_src shell
python src/execution.py
#+end_src

*Nota*: se precisa instalar la biblioteca [[https://xlsxwriter.readthedocs.io/][XlsxWriter]] para la exportación de los resultados a un archivo Excel.

* Análisis de los resultados

Desafortunadamente, debido a un tiempo de ejecución excesivamente alto (incluso tras ajustar los metaparámetros) no podemos proporcionar resultados de la ejecución de los algoritmos.