New soft-computing algorithms in atmospheric physics

Resumen

En esta Tesis Doctoral se elaboran y analizan en detalle diferentes algoritmos híbridos de Soft-Computing para problemas de optimización y predicción en Física de la Atmósfera. El núcleo central de la Tesis es un algoritmo meta-heurístico de optimización recientemente desarrollado, conocido como Coral Reefs Optimization algorithm (CRO). Este algoritmo pertenece a la familia de la Computación Evolutiva, de forma que considera una población de soluciones a un problema concreto, y simula los diferentes procesos que ocurren en un arrecife de coral para evolucionar dicha población hacia la solución óptima del problema. Recientemente se han propuesto diferentes versiones del algoritmo CRO básico para obtener mecanismos potentes de optimización co-evolutiva. Una de estas modificaciones es el CRO-SL, en la que se definen un conjunto de Sustratos en el algoritmo, de manera que cada sustrato simula un mecanismo de evolución diferente, que son aplicados a la vez en una única población. Otra modificación ha dado lugar al conocido como CRO-SP, un algoritmo donde se definen diferentes especies, capaz de manejar varias codificaciones para un mismo problema a la vez. Estas versiones del CRO han sido hibridadas con varias técnicas de Aprendizaje Máquina, tales como varios tipos de redes neuronales de entrenamiento rápido, sistemas de aprendizaje tales como Máquinas de Vectores Soporte, o sistemas de predicción vinculados totalmente al área de la Física Atmosférica, tales como el Método de los Análogos (AM). Los algoritmos híbridos obtenidos son muy robustos y capaces de obtener excelentes soluciones en diferentes problemas donde han sido probados. Específicamente: ¿ Problemas de Selección de Características para algoritmos de predicción basados en Aprendizaje Máquina. Este tipo de problemas tiene como objetivo el obtener un subconjunto de las mejores características (variables de entrada) en un sistema de predicción, usualmente dominado por un algoritmo de aprendizaje de tipo neuronal o similar. La idea es obtener el mejor conjunto de características de forma que el rendimiento del sistema de predicción se maximice. En el caso particular discutido en esta Tesis, la predicción se lleva a cabo a partir de redes de entrenamiento rápido, fundamentalmente Máquinas de Aprendizaje Extremo (ELMs). En la Tesis se evalúan diferentes alternativas para estos problemas de Selección de Características, tales como modelos híbridos CRO-ELM, CRO-SL-ELM o CRO-SP-ELM, en contraposición con otro tipo de predictores alternativos y sistemas sin estructuras de Selección de Características. ¿ Problemas de Selección de puntos Representativos para la reconstrucción óptima de campos de variables atmosféricas. Este caso puede ser tratado como un problema de optimización con codificación entera, en el que la función objetivo viene dada por la salida del Método de los Análogos, que se usa para realizar la reconstrucción del campo en función de la información de los puntos representativos seleccionados. Se evalúa en detalle el rendimiento del algoritmo CRO-SL para este problema, donde un conjunto de operadores que funcionan bien en problemas con codificación entera ha sido seleccionado. Se han abordado dos problemas diferentes, uno de ellos sobre obtención de los puntos representativos para reconstrucción del campo de temperatura y un segundo basado en campos de velocidad de viento.