Resumen

La optimización de colonias de hormigas (ACO) se ha aplicado con éxito para resolver una amplia gama de problemas de optimización combinatoria, como el árbol de extensión mínima, el problema del viajante de comercio y el problema de asignación cuadrática. La ACO básica tiene el inconveniente de que entra en un mínimo local y la tasa de convergencia es baja. El recocido simulado (SA) y el operador de mutación tienen la capacidad de salto y convergencia global; y la búsqueda local tiene la capacidad de acelerar la convergencia. Por lo tanto, este trabajo propone un algoritmo ACO híbrido que integra las ventajas de ACO, SA, operador de mutación y procedimiento de búsqueda local para resolver el problema del viajante de comercio. El núcleo del algoritmo se basa en el ACO. El SA y el operador de mutación se utilizaron para aumentar la diversidad de la población de hormigas de vez en cuando y la búsqueda local se utilizó para explotar el área de búsqueda actual de manera eficiente. Los experimentos comparativos, utilizando 24 instancias de TSP de TSPLIB, muestran que el algoritmo propuesto superó a algunos algoritmos conocidos en la literatura en términos de calidad de la solución.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:operador de mutación, problema del vendedor, búsqueda local, procedimientos de búsqueda local, términos de las soluciones, núcleo del algoritmo, baja tasa de convergencia, optimización de la colonia de hormigas, diversidad de la población de hormigas, ventaja de la aco
• Keywords:mutation operator, salesman problem, local search, local search procedures, terms of solutions, core of algorithm, low convergence rate, ant colony optimization, ant population diversity, advantage of aco