Resumen

La optimizacin con restricciones de lmites tiene amplias aplicaciones en ciencia e ingeniera. En las ltimas dos dcadas, se han desarrollado varios algoritmos evolutivos (EAs) bajo el paraguas de la computacin evolutiva para resolver diversas funciones de referencia con restricciones de lmites y varios problemas del mundo real. En general, los algoritmos evolutivos desarrollados pertenecen a los algoritmos inspirados en la naturaleza (NIAs) y a los paradigmas de inteligencia de enjambre (SI). El algoritmo evolutivo diferencial es uno de los ms populares y conocidos EAs y ha obtenido los primeros puestos en la mayora de las competiciones de EA en la sesin especial del Congreso de Evolucin Computacional de IEEE. En este artculo, se sugiere un algoritmo evolutivo diferencial personalizado y se aplica a veintinueve funciones de referencia con restricciones de lmites a gran escala. El algoritmo C-DE sugerido ha obtenido resultados numricos prometedores en sus 51 ejecuciones independientes de simulaciones. La mayora de las

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Aplicaciones; Algoritmos evolutivos; Optimización con restricciones de límite; Algoritmos inspirados en la naturaleza; Inteligencia de enjambre; Algoritmo evolutivo diferencial
• Keywords:Applications; Evolutionary algorithms; Bound-constrained optimization; Nature-inspired algorithms; Swarm intelligence; Differential evolutionary algorithm