Herramientas de evolución colectiva para el tratamiento de problemas distribuidos

Abstract

Resumen: En este trabajo se lleva a cabo el desarrollo y aplicación de un algoritmo distribuido Embodied Evolution (dEE) en un entorno real. Para ello, se hace un estudio de las técnicas de aprendizaje más utilizadas en el campo del machine learning y se aplican en diferentes problemas. En primer lugar, se utiliza un algoritmo genético simple sin sistema de decisión en un problema discreto. Posteriormente se resuelve un problema continuo mediante un algoritmo neuroevolutivo (NEAT). Por último, se desarrolla el algoritmo dEE para un problema continuo multiagente y se comprueba que funcione adecuadamente antes de que ser utilizado en el problema real

Resumo: Neste traballo lévase a cabo o desenvolvemento e a aplicación dun algoritmo distribuído Embodied Evolution (dEE) nun entorno real. Para iso, faise un estudo das técnicas de aprendizaxe máis utilizadas no campo do machine learning e aplícanse a diferentes problemas. En primeiro lugar, utilízase un algoritmo xenético simple sen sistema de decisión nun problema discreto. De seguido, resólvese un problema continuo coa axuda dun algoritmo neuroevolutivo (NEAT). Por último, o algoritmo dEE é desenvolvido para un problema continuo multiaxente e compróbase que funcione de forma axeitada antes de ser usado no problema real.

Abstract: Within the following Bachelor thesis, the development and implementation of a distributed Embodied Evolution (dEE) algorithm are carried out in a real environment. For this purpose, a study is conducted on the most used learning techniques in the field of machine learning and it is applied in different problems. First of all, it is adopted a simple genetic algorithm without a decision system in a discrete problem. Then, a continuous problem is solved by a neuroevolutive algorithm (NEAT). Finally, a dEE algorithm is developed for a multiagent continuous problem and it is checked that it works properly before its use in a real problem.