Resumen

En las dos ltimas dcadas, el campo de la optimizacin global se ha vuelto muy activo y, en este sentido, se han desarrollado muchos algoritmos deterministas y estocsticos para resolver diversos problemas de optimizacin. Entre ellos, la inteligencia de enjambre (SI) es un algoritmo estocstico ms flexible y robusto que ha tenido la capacidad de encontrar una solucin ptima para problemas de optimizacin y bsqueda de altas dimensiones. Los algoritmos basados en SI se inspiran principalmente en el comportamiento social de los bancos de peces o las bandadas de pjaros. Entre los algoritmos basados en SI, el algoritmo del murcilago (BA) es uno de los algoritmos evolutivos desarrollados recientemente. Emplea el comportamiento de ecolocalizacin de los micromurcilagos variando la frecuencia de emisin y el volumen para realizar su proceso de bsqueda. En este trabajo se desarrolla un algoritmo Bat modificado (MBA). El objetivo principal del MBA es mejorar las capacidades de bsqueda de exploracin y explotacin del algoritmo Bat original. El rendimiento del algoritmo Bat modificado (MBA) se examina sobre las funciones de referencia diseadas para la competicin de algoritmos evolutivos en la sesin especial del Congreso IEEE 2005 sobre Computacin Evolutiva. Las funciones de referencia utilizadas incluyen funciones unimodales, multimodales e hbridas de alta dimensionalidad. Adems, el anlisis de impacto con respecto a diferentes valores de temperaturas se lleva a cabo ejecutando el algoritmo propuesto veinticinco veces de forma independiente utilizando cada funcin de referencia con diferentes semillas aleatorias.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Campo; Optimización global; Algoritmos; Inteligencia de enjambre; Algoritmo Bat; Algoritmo Bat modificado
• Keywords:Field; Global optimization; Algorithms; Swarm intelligence; Bat algorithm; Modified Bat algorithm