Resumen

Los Algoritmos de Estimación de Distribución (EDAs) utilizan eficazmente la información estadística global para muestrear descendencia, sin tener en cuenta la información de ubicación de las soluciones óptimas localmente encontradas hasta el momento. El Algoritmo Evolutivo con Mutación Guiada (EAG) combina información estadística global e información de ubicación para muestrear descendencia, con el objetivo de que esta hibridación mejore el proceso de búsqueda y optimización. Este artículo discute un estudio comparativo de Aprendizaje Incremental Basado en Población (PBIL), un representante de los EDAs, y EAG en problemas de optimización global a gran escala. Implementamos PBIL y EAG para construir una configuración experimental sobre la cual se ejecutaron simulaciones. Se analizó el rendimiento de estos algoritmos en términos de calidad de la solución y costo computacional. Descubrimos que EAG tuvo un mejor desempeño que PBIL en la obtención de una solución de buena calidad, pero este último tuvo un mejor desempeño en términos de costo

• Materias:Diagnóstico de fallas Automatización de programas Programador de colas Modelo de descomposición Agentes de fusión
• Subjects:Fault diagnosis Program automation Queue scheduler Decomposition model Fusion Agents
• Palabras claves:Estimación; Algoritmos de distribución; Información estadística global; Información de ubicación; Algoritmo evolutivo; Mutación guiada
• Keywords:Estimation; Distribution algorithms; Global statistical information; Location information; Evolutionary algorithm; Guided mutation