Resumen

Los algoritmos meméticos con un compromiso adecuado entre la exploración y la explotación pueden obtener muy buenos resultados en la optimización continua. En este trabajo, presentamos un algoritmo mejorado de evolución diferencial memética para resolver problemas de optimización global. El enfoque propuesto, denominado DE memética (MDE), hibrida la evolución diferencial (DE) con un operador de búsqueda local (LS) y la reinicialización periódica para equilibrar la exploración y la explotación. Se propone un nuevo criterio de contracción, que se basa en la distancia máxima mejorada en el espacio objetivo, para decidir cuándo comienza la búsqueda local. El algoritmo propuesto se compara con seis algoritmos evolutivos conocidos en veintiuna funciones de referencia, y los resultados experimentales se analizan con dos tipos de pruebas estadísticas no paramétricas. Además, se realizan análisis de sensibilidad de los parámetros en MDE. Los resultados experimentales han demostrado el rendimiento competitivo del método propuesto con respecto a los seis algoritmos comparados.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:búsqueda local, resultados experimentales, evolución diferencial hibridada, prueba estadística no paramétrica, distancia máxima mejorada, algoritmo de evolución diferencial, algoritmo evolutivo conocido, llamado memético de, problema de optimización global, diferencial memético mejorado
• Keywords:local search, experimental results, hybridizes differential evolution, nonparametric statistical test, improved maximum distance, differential evolution algorithm, known evolutionary algorithm, called memetic de, global optimization problem, improved memetic differential