Resumen

El algoritmo de evolución diferencial es una metaheurística simple pero eficiente para la optimización global en espacios continuos. Sin embargo, existe el inconveniente de la convergencia prematura en la ED estándar, especialmente en DE/best/1/bin. Con el fin de aprovechar la información de guía de dirección del mejor individuo de DE/best/1/bin y evitar entrar en una trampa local, basado en múltiples estrategias de mutación, se propone en este trabajo un algoritmo de evolución diferencial mejorado, denominado EDE. En el algoritmo EDE, se integra una técnica de inicialización, la inicialización de aprendizaje basada en la oposición para mejorar la calidad de la solución inicial, y una nueva estrategia de mutación combinada compuesta por DE/actual/1/bin junto con DE/pbest/bin/1 para acelerar la ED estándar y evitar que la ED se agrupe alrededor del mejor individuo global, así como un esquema de perturbación para evitar aún más la convergencia prematura. Además, también introducimos dos funciones lineales variables en el tiempo, que se utilizan para decidir qué ecuación de búsqueda de soluciones se elige en las fases de mutación y perturbación, respectivamente. Los resultados experimentales probados en veinticinco funciones de referencia muestran que EDE es mucho mejor que la ED estándar. En otras comparaciones, EDE se compara con otros cinco enfoques del estado del arte y los resultados relacionados muestran que EDE sigue siendo superior o al menos igual a estos métodos en la mayoría de las funciones de referencia.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:estándar de, algoritmo de evolución diferencial, convergencia prematura, función de referencia, ecuación de búsqueda de soluciones, fase de mutación, ede, ventaja de las direcciones, calidad de las soluciones iniciales, aprendizaje basado en la inicialización
• Keywords:standard de, differential evolution algorithm, premature convergence, benchmark function, solutions search equation, phase of mutation, ede, advantage of directions, initial solutions quality, based learning initialization