Optimización de cuantificadores vectoriales basada en algoritmos genéticos y técnicas heurísticas

196 Pages·2004·3.41 MB·Spanish

by  Malanda Trigueros, Armando

UNIVERSIDADC ARLOS IIID E MADRID
DepartamednetT oe cnologdfeal sa sC omunicaciones
TESDIOSC TORAL
"OPTIMIZDAECC IUOANN TIFICADORES
VECTORIBAALSEASED NAA LGORITMOS
GENETICTOESC NIHCEAUSR ISTICAS"
Y
AutorA:r mandoM alandTar igueros
DirectAonrf:b aRla monF igueiVriadsa l
Legan1e9s9,9
Adela,
a ffli4 fuUVze4 A�
If
�
a ffli4 A�,'? � If�
lfa&�.
AGRADECIMIENTOS
Quisierreac ogeenre stalsi neaa st odoasq uelldoesq uiehne r ecibiadyou da,
0
aliention spiraecnil oanc onfeccdieoe ns tTae siEsn. realideasdtt aa resae m e
presenctoam plicapdoar,q uneo m e gustdaerjiaaar n adioel vidayd,so i ne mbargdoe,
muchosso yd eudor.
Elp rimearg radecimeisep natroma i DirectAonri,b aFli gueiraa qsu,i edne bo
muchom asq uel ag uisau pervidseim oinT esiys a lq uea tribeulymo e ritdeot enerme
presenyt ceo nfiaern m i,a pesadre q uee lt iemploa,d istanyc eilat ortucoasmoi no
recorrnioda oy udardaenm asiado.
En segundlou ga(ra dvieqruteon os eguiorred eanl gunnoi,d ei mportanncii a
cronologciictoa)ar, me i sp rimercoosm panerdoeslD octoraednoT elecdoe M adrid.
LosW eruagJae,s us JCaindt,o nNiaoc,h o, PJaanvtiaGe,ar r ciFar iaAsn,a ,F ernando,
Pedryo L uiCsa ste(dNoi eviensc luiad lao)sq, u em ast ardseeu nierAonng eNla via,
10
CarlBoosu sofyi Jo.L .S anchEor.a e lc omiendzeom iD octoradoa, alleIjaeo nse l
tiempuon;t iempeone lq uee ntrlei bryo ess tacidoent ersa bahjaob,is ai empersep acio
para broym taesr tuleinae slq; u el os" paperys l"o sC ursodse D octoratdaom bien
dejaban tiemeplpo a rptairddaie ll oljsou evelsa csa fidaesl aosc hou;n t iempeon,fi n,
0
dei lusieio nn cipiaemnitset ad.
EIt umoa horpaa real p eriplloon dinegnrsaec:ia aG se rryy A nnuspho ra cogerme,
a Lizap,o rs us ini gual simap Oawtlip ao,rs ua dmirapbalcei enecnisae ndaonmel os
inalcanzavbelreisc uedteolCs ,a Izzepto,rs ua mistayd ,ta o d oe lC MSA,e ng eneral,
porr ecibidremu en a fortmaanc alidNao. o lvidtoa mpocao l aP equeEfislao venia
(Yuri, AIdsrseiidy,o V ra nin)i,p, o rs upuesatA od,a mq uien paumsiod ispositcoidoon
10
suyod,e sdseu h abitachiaosnts au sc alcetiinnecsl,u biudean a pdaers tuee scaso
tiempo.
Volvienad nou esttriae ryr maa rchanadtor aesne lt iempaoq,u via m i sincera
deuddae g ratictound AndrGeesr,m anJ,o sye Lorenzcoo,m pafierdoesf atigeans
Teleccoo,n q uienceosm parti ndoec ehsetsu dyi oj olgortiroasb,a jyo hsu elgas,
examenye vsa caciorniessya, ls l anetnou sn oasn omsa ravillosos.
Pamploensam it ierardao ptyi veall ugadro ndhee d esarrolllama adyoo pra rtdee
estTae siys m il aboprr ofesiAounnaqlu.ee n tecnihceco a minacdaos sii empsroel o,
10 10
noa sein humanoD:a vidJ,u aIng nacCiaor,l yo usn l argeot ceteenrl aaU, n iversidad,
Esth,eS rusan.a.f .u erdaee llYa s.i emprleoa,sl umnoAsu.nt entaddeoc itealrn ombre
0
dea queldleoq su ienes gmuaasre dsot imcaa,r indoe vociporne,fi edreoj aar u nl ado
identidya adgersa deaclae lru mneon s uc onjunmtoot,i vacpieornm anednetlde o cente y
causian agotadbenl uee stdreos qui.c.i.o
Mencionaablca o mienmzios d eseodsea gradeac aeqru ellquoesh ans idcoa usa
dem ii nspiraEclilomone .c onduacM ea driedn,b uscdae c uatpreor sonajes.
Enu na uldae Rl amidreMo a ezetnucu enatD r.oF ranciSsmicroe zd andco1 asdees
Matematiaca aqsu eljloovse nes aspailBr aacnhtielsl eIrnatteom aciloanmaales.n contre
iguavlo cacieonne stoefi cior:i godre,t alcllea,r idpaads,i oennn umeroys t eoremas,
curveai sn finitos. <
Dejandou nl adloa nso blMeast ematieclaa sr,td ee v ivsierc ondenesnaD aniel:
a
LeonarddeoO pafiseolfi,a ddoerfi n de milenieos,p irliitbur EeI.e st rotamundos,
cuentipsotrat,e dreofu tbitfloa,u tisctiac,l imsatsac,o tdaeK entucFkryi eCdh icken,
escaladjourg,a dodre Rol,p rofesmoord emo,R ambo,e conomisctrau,z addoe
alcantarmielcleansa,s , boym cbaenrtoa uEtsoa rd.e mamsi a migo.
Poru ltimMoi,g ueyl M ariscao,nq uieneessf acdiels cubqruiedr a rv almea sy es
masg ratqou er ecibir.
Pors upuesqtuoi,e argor adeacm eirsp adrseusa liendteos dsei empyr seu a mord e
padreAs m.i sh ermaneosle, s tupeenjdeor cidecs iuosfu ncion(elsad seh ermancol,a ro)
y alr estdeom ip equefa fapmoirsl uai fae,c pteor enne.
Y aE lena,e sptocaror n migdoa ndcoo loarm iv ida.
6 1999.
ArmandMoa landTar iguerPoasm.p lonad,eA gostdoe
RESUMEN
Eli ntrincado pdreolbd liesmeafd ieo c uantificadvoercetso rialeess,, l ae sto
obtencdie6l ni bredrei acs6 digloa sc oqlnua ce o dificadcesi e6fina lteesn glaa mse nores
distorspioosniebsl seehs a,c aeu nm asc omplecjuoa ndsoo nc onsiderlaodesof se ctdoesl
ruideone lc anapll,a smadeonls a T asdae E rropro rB it( BiEtr roRra t0eB ER).
Muchodse l osa lgoritdmeod si sefideoc uantificavdeocrteosr ieanlterlseo, sq ue
destaeclaG LA (AlgoridtemL ol oyGde neraliznaods oo)n,c apacdeess ortelaors
numerosmoisn imolso calseusb 6ptiqmuoesp reselnatf au ncid6end istormseid6inda e
lac uantificaecnei l6e ns paciol aldsie b rerias dPeo rec l6dleiosg p or.e ciesjoe cutarlos
repetivdeacsep sa,r tiednedp ou ntdoesi nicdiiof erentes.
Ene stTae sisseh anq ueriedxop lolraapsro sibiliqduaebd reisn dlaonAs l goritmos
Gem!tiyc ootsr atsec nihceausr isteinec lad si se6fpitoi mdoec uantificadores vectoriales
sujetaoe sr rordeecs a nal.
LosA lgoritmGoesn etic(oAsG )s onp rocedimiednet oopst imizagclio6bna l
iteratyi evsotso casitniscpoisr aednao lsg unmoesc anismqouser igelnad inamidceal a
Naturaleenzp aa,tr icullaas re leccnia6tnu rlaacl o,d ificacgie6nne tyi lcaar eproducci6n
heteroseUxnu AaGl .c ontieunneap oblacdie6i nn dividpueorst eneciaelen stpeasc dieo
posibsloelsu cionecso,m pqiuteee nnt rseiy evoluciotnraant ando de maalxgiumniaz ar
funci6dne p restaci0om niensi miazlagru fnuan cid6enc ostdee finsiodbar ees ee spacio.
Esteav olucsie6b na sean l as eleccdie6l nom se jores indyi lvaie dluiomsi nadceil 6ons
peores, cjoundn itvoe rmseocsa nismpoasrp ar ocrneuaerv os individuao psa r(thiirj os)
del oasn teriorsmeelnetcec io(npaaddorse s).
Sep lantteraenms e toddoiss tintos:
-ElA GCV (AlgoriGtemnoe tipcaorl aaC uantificVaeccit6onr ieasul n)g :e netico
ene lq uel osi ndividdueol sap oblacsio6nnt entatliivbarse rdieav se ctores
c6digPoa.r af acilistuae rv olucih6anc ipau ntodse minimdai storssie6 n,
incorpcoormao,m ecanisdmeob usqueldoac aella, l goritmo GLA.
-EIA RL (Algoritmo RdeefiL nlaodyode )s:u na lgoritmo heeuner liq sutesi ec o
ejecustuac esivas evlae lcgeosr iGtLmAo, p reservando lsoisem mepjroer es
vectocr6edsi go hahlalsatedalom s o mentAo .m edidqau ee la lgoriptrmoog resa,
eln umerdoe v ectorneuse vo(sn op reservasdeov sa)h acienmdeon orc,o ne l
objedteoq uel ab usquevdaay sai enpdroo gresivammaesln otcea l.
AHCV (AlgoriHtimbor ipdaor laaC uantificaVceic6tno rieasol t)r:go e netico
-El
ene lq ues ep artdeeu nal ibredreci 6ad igyoasc onociyd 1o,0q u es eo ptimiezsa
laa signacdie6l no sc 6digboisn ardiiossp onibal leossv, e ctorce6sd igdoe l a
libreria.
Losd osp rimersoosns ometiade oxst ensparsu ebdaess imulacyi c6onn trastados
cont reasl goritdmeor se putandoom brec,o rroboninsduao dseec uacail6d ni sefidoe
cuantificavdeocrteosr iEaIlt eesr.c esreop lantceoam ou nat ecnipcosa i blaeu,n s in
explonriap rr obeaxrh austivaqmueena tbere,el c aminao u nan uevmaa nerdae u tilizar
loAsG ene stper oblema.
Alm argedne e stomse todousn,as eguncduae stia6bonr daednae stTae siessl a
reformuladceli o6spn r incidpeil oasC uantificaci6n Vectolraicsao ln diccuiaonndeos
delc ananlo s es uponefinj a0s biecno nocidsaisn,qo u es ond escrimteadsi anltae
funcid6enn siddaepd r obabildiedlBa EdR .A estree spescetd oe termainnaal iticamente
lan ueva funcdie6 dni storsyi l6ans r egladse optimalipdaardae ld isefidoe
cuantifica6dpotriemso Ess.t coo nstituunny uee vpou ntdoe p artipdaar eal d isefidoe
cuantificadvoercetso ricaolnep sl anteamiemnatso rse alisqtuaesl osn ormalmente
considerados.
ABSTRACT
Thei nvolvperdo bleomfV ectoQru antiza(tViQo)dn e sigin.e, . t hes earfcohr
codeboowkhsi chy ielads minimumd istortaiso pnoss sibtluer,n esv enm ore
complicawtheednc hannneoli seef feccthsa,r actebryit sheeBd i tE rroRra t(eB ER)a,r e
considered.
ManyV Q desitgenc hniquiensc,l udtehdem ostf amouGsL A (GeneralLilzoeydd
Algorithamr)eu, n ablteo a voitdh es ub-optimluomc amli nimap reseinntt he
quantification distorTthiuosrn e pfuenactetexideo cnu.t iwointsh,d iffersetnatr ting
poinatrsen e eded.
Int hiTsh esitshe p ossibiloiffteirebesyd G enetAilcg oritahnmdso thehre uristic
techniqfuoenrso iscyh annVeQl d esiagrnee x plored.
GenetiAcl gorith(mGsA )a res tochasatnidci teratgilvoeb aolp timisation
procedures, oinn vsapriiroemudes c haniswmhsi crhu lNea ture dynasmuicchas s,
natursaell ectgieonne,t ciocd inagn dh eteroserxeuparlo ductAi GoAn .c ontaian s
populatoifio nnd ividbueallosn gtiont gh seo lutsipoanc weh,i ccho mpeetaec oht hearn d
evolvteo wards maximoifss aotmiepo enr formafnucnec tioormn i nimisaotfis oonm e
cosfutn ctidoenfi netdh roughtohuistsp acTeh.i esv olutiisoc na rrioeudtb ym eanosf
selecttihnefig t teisntd ividiuna ltpsho ep ulatwihoinlr ee movitnhgew orsotn esa,sw ell
asb ys evermaelc hanisfmosrc reatnienwgi ndivid(uoaflfss prfirnogmss )e lecotneeds
(parents).
Threen ewm ethoadrsep roposed:
-AGCV (VectQoura ntizaGteinoentA ilcg oritahG mA) :i nw hicihn dividaurael s
tentatciovdee boookfts h eV Q schemTeo.e asteh ee voluttioowna rmdisn imum
distortiont hpeGo LiAn itsis n,c ludaesad l ocsaela rmcehc hanism.
-ARL (LloyRde finemeAnltg oritahnmh )e:u risatligco riitnhw mh icGhL A isr un
severtailm esp,r eservtihnegb estc odevecteonrcso untesroe fda rA.s the
algoriptrhomg restsheens u,m beorf c odevecrteomrosv eadn dr eplacbeynd e w
oneiss d ecreamsaeksi,n tgh ese arpcrho gressliovceally.
-AHCV (VectQoura ntizaHtyiborniA dl goritahnmo)t:h GeAr w hicsht arftrso m
ani nitfiixaeld c odbeo oka ndt riteoso ptimitsheea ssignmoefnt th ea vailable
binacroyd etsot hev ectoirnts h ceo dbeo ok.
iii
Thet wofi rsotn esa res ubmitttoee dx tenssiivmeu lattieosnat ns dc omparteod
threwee ll-repmuettehdo idnst hefi eldc,o nfirmitnhge aidre quatcoty h ep robluenmd er
studTyh.e t hiornd ei sg iveansa p ossitbelceh niqwuiet,h ohuatv inbge eenx haustively
exploroertd e stseodf ari;to nllye adtsh ew ayt oa newm anneorf u sinGgA forV Q
design.
Aparftr otmh iass ,e cond qufeascteiidont n h iTsh esiisst her eformuloaftt ihoen
VQ princiwphleensc hannceoln ditiaornens o ts upposfiexde do rw elkln ownb,u ta re
describbyet dh ep robabidleintsyi ty funocft thiBeoE nR .
To thirse speac nte,w d istorfutnicotni oann do ptimalliatwysa rea nalytically
determiTnheidcs.o nstitaun teewss t artpionignf to VrQ desiwgint mho rer ealibsatsiics
thanno rmalcloyn sidered.
iNDICE
CAPITULO1 I.N TRODUOCNC I 1
1.1- 1
Compresidoesn e fiales
1..11- 4
Clasificadceim oent oddoesc ompresion
1..21- 5
CuantificaVceicotno rial
12.- 6
Optimizacion
12..1- 6
Panoramdiecp ar oblematse cnyi cas
122..- 9
Tecnichaesu risticas
13.- 11
Motivacoibojne,t iyv oess trudcetl uar aT esis
CAPITULO2 .FU NDAMENTOS 15
21.- 15
CuantificaVceicotno rial
21.-.1 15
Introduccion
21..2- 16
Cuantificaecsicoanl ar
212.1..- 16
Planteamiento
2..-21.2 19
Cuantificaucniiofno rme
2..21.3- 20
Cuantificancoiu onni forme
2...214- 21
Condiciodneoe pst imalidad
21..21.-4. 21
RegIdae Vle cinMoa sP roximo
2..21-.4.2 22
RegIdae l oCse ntroides
2..21.5- 23
ElA lgoridtmeLo l oyd
21..2.6- 25
Disefiboaa sd oe nd atoesm piricos
213..- 27
Cuantificavceicotno rsiiaenlr rordeecs a nal
213...1- 27
Planteamiento
2...312- 29
Disefidoec uantificaodpotriemso s
213.2.1..- 29
RegIdae Vle cinMoa sP roximo
213.2.2..- 30
RegIdae l oCse ntirdoe s
21...33- 30
Ela lgoriLtBmGo
2...314- 32
Disefiboa sadeond atoesm piricos
21..-3.5 33
Cuantificavceicotno rcioanls trefiida
21...36- 33
Cuantificavceicotno rcioanml e moria
2...-317 34
Cuantificavceic6tno rdieta als dae b itvsa riable
2..41- 35
CuantificaVceicotno rcioanel r rordeecs a nal
214.1..- 35
Planteamiento
21..-4.2 38
Mediddae l ad istorsi6n
v
21..4.3- 40
Caracteridzeaclca in6anl
2..41.4- 41
Condiciodneoe pst imalidad
214...14-. 41
RegIGae neralidzaedVlaM P
2..41-.4.2 42
RegIGae neralidzeal doaCs e ntroides
21..4.5- 42
EIA lgoridtmeLo l oyGde neralizado
21..-4.6 43
Disefiboa sadeond atoesm piricos
2-.2 45
TecnicEavso lutivas
2.12-. 45
Introduccion
2.2.2- 46
Formulacbiaosni ca
2.2.3- 47
Representdaeci inodni viduos
2.2.4- 51
Mecanismdoess e leccion
2.2.5- 53
Mecanismdoecs r uce
2.12-.5. 53
Cruceen c adenbaisn arias
2..22.-5 55
Cruceen c odificaciroenaelse s
2..23.-5 56
Cruceen l istdaees n teros
26.-2. 59
Mecanismdoems u taci6n
2..162-. 60
Mutacieonnr epresentabciinoanreisa s
2.22-.6. 60
Mutacieonnr epresentarceiaolneess
2.2.6.3- 61
Mutacieonnl istdaees n teros
22..7- 62
Otroosp eradoyr meesc anismgoesn eticos
2.12-.7. 62
Dominanyc diai plocidad
22...27- 64
Nichoyse species
2.2.7.3- 65
Algoritmos GeBnaestaidceoonsVs i rus
2.-2.8 66
Parametvraorsi ables
2..182-. 66
Parametcroonvs a riactieomnp oreaslt ablecida
2..22.-8 67
Parametardoasp tativos
2.2.9- 68
Inclusiroens tdrei cciones
21.-20. 69
Incorpordaeco ipotni mizadloorceasl es
21.-21. 71
Eliminadceii onnd ividrueopse tidos
21.-22. 72
Elitismo
75
CAPiTULO3 -ANTECEDENTES
3.1- 75
Introduccion
32.- 76
Optimizadcei oCnsV i enr rordeecs a nal
321..- 76
Optimizalcoicoanl
3...121- 76
Mejoreansl ai nicialidzeaalcl ig6onr iLtBmGo
32...21- 77
Modificaciaolna elsg oriLtBmGo
32..2- 79
Optimizagclioobna l
3.12-.2. 79
Metodotse rmoestadisticos
32.2.-2. 82
Metodogse neticos
32..-2.3 82
Metodonse uronales
32..2.4- 85
Metodo"sF uzzy"