Resumen

En los algoritmos evolutivos, los operadores genéticos generan iterativamente nuevos descendientes que constituyen un conjunto potencialmente valioso del historial de búsqueda. Para potenciar el rendimiento de la generación de descendientes en el algoritmo genético codificado real (RCGA), en este trabajo proponemos explotar el historial de búsqueda almacenado en caché hasta el momento en un estilo online durante la iteración. En concreto, los individuos supervivientes de las últimas generaciones se recogen y almacenan en el archivo para formar el historial de búsqueda. Introducimos un modelo de cruce sencillo pero eficaz impulsado por el historial de búsqueda (abreviado como SHX). En concreto, el historial de búsqueda se agrupa y a cada grupo se le asigna una puntuación para el SHX. En esencia, el SHX propuesto es un método impulsado por datos que explota el historial de búsqueda para realizar la selección de la descendencia después de la generación de la misma. Dado que no se necesitan evaluaciones de aptitud adicionales, SHX es favorable para las tareas con presupuesto limitado o evaluaciones de aptitud costosas. Comprobamos experimentalmente la eficacia de SHX con 15 funciones de referencia. Los resultados cuantitativos muestran que nuestro SHX puede mejorar significativamente el rendimiento de RCGA, tanto en términos de precisión como de velocidad de convergencia. Además, el tiempo de ejecución adicional inducido es insignificante en comparación con el tiempo total de procesamiento.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:historial de búsqueda, shx, algoritmo genético codificado, tiempo total de procesamiento, evaluación de la aptitud cara, evaluación de la aptitud adicional, conjunto de búsqueda, tiempo de ejecución adicional inducido, rendimiento de rcga, eficacia de shx
• Keywords:search history, shx, coded genetic algorithm, total processing time, expensive fitness evaluation, additional fitness evaluation, set of search, induced additional runtime, performance of rcga, effectiveness of shx