Resumen

Un desafío importante de un algoritmo genético híbrido (HGA) (también llamado algoritmo memético) es el equilibrio entre la búsqueda global y local (LS), dado que el costo de una LS puede ser bastante alto. Este artículo propone un HGA novedoso, simplificado y eficiente con un nuevo procedimiento de aprendizaje individual que realiza una LS solo cuando el mejor descendiente (solución) en la población de descendientes es también el mejor en la población de padres actual. Además, se desarrolla un nuevo método de LS basado en una búsqueda tridireccional (TD), que es libre de derivadas y autoadaptativo. El nuevo HGA con dos métodos de LS diferentes (el TD y el simplex de Nelder-Mead) se compara con un HGA tradicional. Se emplean cuatro funciones de referencia para ilustrar la mejora del método propuesto con el nuevo procedimiento de aprendizaje. Los resultados muestran que el nuevo HGA reduce significativamente el número de evaluaciones de funciones y converge mucho más rápido hacia el óptimo global que un HGA tradicional. El método de búsqueda

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Compensación; Algoritmo genético híbrido; Búsqueda local; Procedimiento de aprendizaje individual; Búsqueda tridireccional; Funciones de referencia
• Keywords:Tradeoff; Hybrid genetic algorithm; Local searching; Individual learning procedure; Three-directional search; Benchmark functions