Download Contenidos

Presentación del Curso
er
1 sem 2012
IIC 2632 – Computación Evolutiva
© Rodrigo Sandoval
IIC 2632 – Computación Evolutiva
Contenidos





Aspectos Generales
Objetivos
Contenidos
Evaluaciones y consideraciones
Bibliografía
Aspectos Generales
Sigla
IIC2632 – Computación Evolutiva
Pre-Requisitos IIC1222 - Programación Avanzada
Créditos
10
Profesor
Rodrigo Sandoval
rsandova@ing.puc.cl / 570 8864
Web
Iic2632.rodrigosandoval.net
Horario
L-W 1 - Sala Javier Pinto (DCC)
Carácter
Optativo
Objetivos

Generales


Entender y ser capaz de aplicar evolución en la resolución de
problemas complejos de optimización.
Específicos




Adquirir reglas básicas para la modelación de datos en sistemas
evolutivos.
Seleccionar esquemas de búsqueda adecuados para un problema
en particular.
Conocer técnicas/herramientas para poder adaptar la solución
encontrada al problema real.
Conocer aplicaciones de este tipo de algoritmos en situaciones
reales de la industria moderna.
Contenidos






Introducción a la
computación evolutiva
Operadores de búsqueda
Esquemas de selección
Operadores de búsqueda en
representaciones arbitrarias
Optimización combinatorial
adaptativa
Niching y especiación





Manejo de restricciones
Programación genética
Optimización evolutiva
multi-objetivo
Clasificadores por
aprendizaje
Algoritmos de estimación de
distribución
¿Para qué sirve todo esto?



Existe muchas herramientas matemáticas para
resolver problemas complejos.
¿Pero qué sucede cuando no es posible aplicar
algoritmos matemáticos definidos, ya sea por la
complejidad del problema o el tamaño del
espacio de búsqueda?
Se requieren soluciones diferentes, llamadas
heurísticas, que enfrentan estos problemas sin
una dependencia en fórmulas matemáticas
directamente.
¿Para qué sirve todo esto?

La heurística de optimización sirve para contestar
preguntas como:




¿cuál es el mejor …?,
¿cómo se comporta …?,
¿qué tipo de … sirve?, etc.
Heurísticas hay varias. Los enfoques basados en la
Teoría de la Evolución, o Programas Evolutivos, han
demostrado éxito en una gran variedad de contextos y
situaciones.
Evaluaciones 2012-1

3 Interrogaciones:






Nota Final

PromedioInt*0.4 +
PromedioTar*0.35 +
Ex*0.25
Consideraciones:




Tareas



En horario de clases.
Se puede llevar material
impreso de apoyo.
I1: Miércoles 4 Abril
I2: Miércoles 9 Mayo
I3: Miércoles 6 Junio

T1: Lunes 16 Abril
T2: Viernes 1 Junio
Examen: Martes 3 Julio

No hay eximición.
La entrega de tareas es obligatoria.
Se reemplazará automáticamente la peor
nota (única) en prueba escrita (incluso
por inasistencia) con la nota del examen
si esta última es mejor. Cualquier otra
inasistencia/no-entrega será calificada
con 1.0
Toda acción que vicie alguna de las
evaluaciones del curso tendrá como
sanción un 1.1 de nota final en el curso,
sin posibilidad de botarlo.
Bibliografía

Genetic Algorithms + Data Structures = Evolution
Programs




Multi-objective optimization using evolutionary algorithms


Kalyanmoy Deb
Foundations of Genetic Programming




Zbigniew Michalewicz
Tercera edición, 1999
Editorial Springer
William B. Langdon, Ricardo Poli
Primera edición, 2002
Editorial Springer
Towards an New Evolutionary Computation, Advances on
Estimation of Distribution Algorithms



José A. Lozano, Pedro Larrañaga, Iñaki Inza, Endika Bengoetxea
Primera edición, 2006
Editorial Springer
Materia Disponible Online
El Profesor
Rodrigo Sandoval U.


Ingeniero Civil de Industrias, mención
computación, PUC. 1996
Magíster Ciencias Ingeniería. 1996
Investigación área inteligencia artificial.
 Trabajo en Laboratorio IA y Optimización.


Desde Marzo 1996, profesor del DCC.
Actualmente Profesor Adjunto Asociado.
 Premio excelencia docente 2002.

Profesor

Experiencia Laboral:
Proyectos software desde 1996. Empresas: ORDEN
(Sonda), Tata (TCS), DICTUC, y Synopsys (USA).
 2006 a 2011:

Technical Lead de grupo TCAD en Synopsys Inc.
 Empresa EDA, basada en Mountain View, California.
 Especialización en Optimización aplicada a la
fabricación de semiconductores.


Desde 2011, fundador de R:Solver, empresa de
software focalizada en sistemas expertos.
Optimización aplicada a EDA



Calibración de procesos
Encontrar configuración de
parámetros del proceso de
fabricación que satisfaga
condiciones.
Cada cambio de tecnología
plantea diferentes obstáculos,
que requieren ajustes en la
“optimización”.
Sentaurus TCAD Integrated Flow
Process
•
Semiconductor physics modeling
Process

Applications

Device
Design, analyze and optimize semiconductor technologies
and devices
Gate oxide
3 nm
Poly gate deposition
Gate formation
100 nm gate length
Halo implant
BF2, 40 keV, 8e12, 35
deg, quad
S/D extension
As, 5 keV, 5e14, 0
deg
S/D extension anneal
1050 degC, 3 s
…..
…..
…..
Vth, Ion, Ioff……..
Application: Controlling Process Variability
Slow
Parts
High
Leakage
Parts
Power
Gate
oxide
Gate CD
Controlled
Uncontrolled
Good
Parts
Slow
Parts
slow
Halo
implant
Frequency
Good
Parts
Controlled
Number of Parts
Frequency
Uncontrolled
S/D XT
implant
good
Power
leaking
RTA temp
High
Leakage
Parts
Ioff
Ion
Spec
limit
Nominal
Spec
limit
Measure
Control