Optimización multimodal
Optimización de procesos. Segunda entrega
Los documentos de esta sección proponen diversas alternativas de solución y enfoques (incluyendo algoritmos evolutivos y genéticos) para abordar problemas de optimización multimodal. Asimismo, se muestran algunos estudios de caso.
An improved central force optimization algorithm for multimodal optimization
Un algoritmo de optimización de fuerza central mejorado para optimización multimodal
En este artículo se propone un algoritmo híbrido CSM-CFO con base en el método simplex, la técnica de clustering y la optimización de fuerza central (CFO) para optimización sin restricciones. CSM-CFO es un algoritmo inteligente de enjambre determinista; por ello, no es necesario un análisis estadístico complejo de los resultados numéricos y la convergencia tiende a producirse más rápido y de manera más exacta gracias a la técnica de clustering. Cuando se evalúa frente a funciones estándares de prueba (benchmark functions) de dimensionalidad alta y baja, el algoritmo CSM-CFO tiene un desempeño competitivo en términos de exactitud y velocidad de convergencia en comparación con otros algoritmos evolutivos.
Este documento fue elaborado por Jie Liu y Yu-ping Wang (Xi’dian University, Xi’an, República Popular China) para el Journal of Applied Mathematics (Vol. 2014, 2014, 12 págs.) revista de Hindawi Publishing Corporation (Nueva York, NY, Estados Unidos) que difunde trabajos en todas las áreas de la matemática aplicada, computacional e industrial.
A cuckoo search algorithm for multimodal optimization
Un algoritmo de búsqueda del cuco para optimización multimodal
El algoritmo de búsqueda del cuco (CS) es una alternativa simple y global que, sin embargo, no se puede aplicar de manera directa para resolver problemas de optimización multimodal. En este documento se propone un nuevo algoritmo de optimización multimodal llamado la búsqueda multimodal del cuco (MCS). El algoritmo MCS mejora al CS original con capacidades multimodales por medio de lo siguiente: (1) la incorporación de un mecanismo de memoria que registra de modo eficiente los óptimos locales potenciales de acuerdo a su valor de ajuste y la distancia con respecto a otras soluciones potenciales; (2) la modificación de la estrategia original de selección individual CS para acelerar el proceso de detección de nuevos mínimos locales; (3) la inclusión de un procedimiento de depuración para eliminar cíclicamente elementos duplicados de memoria.
Este artículo fue preparado por Erik Cuevas y Adolfo Reyna-Orta (Universidad de Guadalajara, Guadalajara, Jalisco, México) para el The Scientific World Journal (Vol. 2014, 2014, 20 págs.) revista de Hindawi Publishing Corporation (Nueva York, NY, Estados Unidos) que cubre un amplio intervalo de temas en ciencia, tecnología y medicina.
Firefly algorithms for multimodal optimization
Algoritmos de la luciérnaga para optimización multimodal
Los algoritmos inspirados en la naturaleza se encuentran entre los más poderosos para resolver problemas de optimización. En este artículo se brinda una descripción detallada de un nuevo algoritmo de la luciérnaga para aplicaciones de optimización multimodal. Se compara el algoritmo propuesto con otros de tipo metaheurístico tales como el algoritmo de enjambre de partículas. Asimismo, se discuten sus aplicaciones y las implicaciones para investigaciones posteriores.
Este documento fue escrito por Xin-She Yang (Department of Engineering, University of Cambridge, Cambridge, Reino Unido). Se encuentra alojado en la página de arXiv.org, depósito institucional fundado y mantenido por la Cornell University Library (Cornell University. Ithaca, NY, Estados Unidos).
