Resumen

Se propone un Algoritmo Evolutivo Guiado (GEA) con estrategia codiciosa para problemas de optimización global. Inspirado en la Optimización por Enjambre de Partículas, el Algoritmo Genético y el Algoritmo del Murciélago, el GEA ha sido diseñado para conservar algunas ventajas de cada método y evitar al mismo tiempo algunas desventajas. A diferencia del Algoritmo Genético habitual, cada individuo en GEA se cruza con el mejor individuo global actual en lugar de un individuo seleccionado al azar. El mejor individuo actual sirve de guía para atraer a la descendencia a su región del espacio genotípico. La mutación se añadió a la descendencia según una probabilidad de mutación dinámica. Para aumentar la capacidad de explotación, se aplicó un mecanismo de búsqueda local a los nuevos individuos según una probabilidad dinámica de búsqueda local. Los resultados experimentales muestran que GEA superó a los otros tres algoritmos típicos de optimización global con los que se comparó.

• 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:gea, algoritmo de optimización global, algoritmo evolutivo guía, optimización de enjambre de partículas, mejor individuo actual, mecanismo de búsqueda local, algoritmo genético habitual, región de genotipo, probabilidad de mutación dinámica, capacidades de explotación
• Keywords:gea, global optimization algorithm, guiding evolutionary algorithm, particles swarm optimization, current best individual, local search mechanism, usual genetic algorithm, region of genotype, dynamic mutation probability, capabilities of exploitation