Resumen

La evolución diferencial (ED) es un algoritmo robusto de optimización global que se ha utilizado para resolver muchas de las aplicaciones del mundo real desde que se propuso. Sin embargo, el cruce binomial no permite una búsqueda suficientemente eficaz en el espacio local. Por tanto, el rendimiento de la búsqueda local de la ED es relativamente pobre. En particular, la ED se aplica para resolver el problema de optimización compleja. En este caso, la ineficacia en la búsqueda local limita seriamente su rendimiento general. Para superar esta desventaja, este trabajo introduce un nuevo esquema de búsqueda local basado en la matriz de Hadamard (HLS). La HLS mejora la probabilidad de encontrar la solución óptima mediante la producción de múltiples descendientes en el espacio local construido por el individuo objetivo y sus descendientes. El HLS se ha implementado en cuatro algoritmos clásicos de ED y en jDE, una variante de ED. Los experimentos se llevan a cabo con un conjunto de funciones de referencia ampliamente utilizadas. Para 20 problemas de referencia, los cuatro esquemas de ED que utilizan el HLS obtienen mejores resultados que los esquemas de ED correspondientes, con un 80%, 75%, 65% y 65% respectivamente. Además, el rendimiento de jDE con HLS es mejor que el de jDE en el 50% de los problemas de referencia. Los resultados experimentales y el análisis estadístico han revelado que el HLS puede mejorar eficazmente el rendimiento global de la ED y la jDE.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:hl, espacio local, rendimiento global, esquema de de, variante de de, algoritmo clásico de, rendimiento de la búsqueda local, función de referencia utilizada, problema de optimización complejo, rendimiento de de
• Keywords:hl, local space, overall performance, de scheme, variant of de, classical de algorithm, local search performance, used benchmark function, complex optimization problem, performance of de