Metodos estocasticos de optimacion global. Procesamiento paralelo

Resumen

En este trabajo se ha realizado un amplio estudio sobre diferentes métodos estocásticos de Optimización Global, y de sus posibles implementaciones paralelas. Se ha realizado un gran esfuerzo en diseñar diferentes algoritmos estocásticsos secuenciales, utilizando para ello una metodología de realimentación en la que se han utilizado un amplio conjunto de funciones test para así poder refinar los algoritmos con el fin de obtener un alta probabilidad de convergencia hacia la solución global. En el diseño de tales algoritmos se han utilizado mezclas de diferentes estrategias existentes en el campo de la optimización estocástica como pueden ser las búsquedas aleatorias controladas y el concepto de población de individuos que en diferentes ciclos evoluciona hacia un òptimo, simulando el proceso natural de evolución al que ésta sometida toda especie en el mundo real. En particular, los algoritmos analizados se conocen como: CRS(Controlled Random Search), CBRS (Constrained Biased Random Search), GAS(Genetic Algorithm Species based) y UEGO(Universal Evolutionary global Optimizer). Una vez diseñado cada algoritmo, se ha podido evaluar su eficiencia (mediante el cálculo del número de evaluaciones realizadas por el algoritmo) y eficacia (mediante el porcentaje de éxito en encontrar el óptimo global y el número de óptimos capaz de detectar). Tras el diseño y evaluación de cada algoritmo se han implementado diferentes estrategias paralelas de las que se han realizado análisis de aceleraciones y balanceo de la carga computacional, obteniéndose un comportamiento muy próximo al ideal, e incluso en algunos casos particulares mejor al ideal debido a la cooperación entre los diferentes procesadores. Se ha particularizado en dos ocasiones para problemas reales: una aplicación en un problema de reconstrucción de imágenes a partir de proyecciones, en el que se han detectado los valores de los parámetros que realizan un mejor