Optimización multimodal
Optimización de procesos. Segunda entrega
Métodos clásicos de nicho para optimización multimodal : una breve revisión
Classical niching methods for multimodal optimization : a brief review
En las últimas dos décadas, los métodos poblacionales de optimización han sido muy usados por su capacidad para encontrar buenas soluciones con un esfuerzo bajo, convergiendo hacia un único óptimo global. En muchos problemas prácticos, multimodales por naturaleza, es importante hallar varias soluciones óptimas, sean locales o globales. Los métodos de nicho permiten ubicar múltiples soluciones al mantener la diversidad entre los individuos de la población. En este documento se abordan los métodos clásicos de nicho para optimización multimodal. Además, se discuten las principales limitaciones de estas técnicas y se presentan aspectos a considerar cuando se analiza su comportamiento.
Este artículo fue escrito por Ricardo Navarro (Universidad de Holguín, Holguín, Cuba) y Gonzalo Nápoles (Universidad de Las Villas, Santa Clara, Villa Clara, Cuba) para la Revista Cubana de Ciencias Informáticas (Vol. 7, No 2, 2013, 110-126), alojada en el portal de la biblioteca electrónica de publicaciones científicas SciELO (Scientific Electronic Library on-Line)-Cuba (La Habana, Cuba). SciELO es un modelo para la publicación electrónica cooperativa de revistas científicas en internet, especialmente desarrollado para responder a las necesidades de la comunicación científica en los países en desarrollo, y particularmente de América Latina y el Caribe.
A cumulative multi-niching genetic algorithm for multimodal function optimization
Un algoritmo genético multinicho acumulativo para la optimización de funciones multimodales
En este documento se presenta un algoritmo genético multinicho acumulativo (CMN GA) diseñado para acelerar problemas de optimización que tienen funciones objetivo multimodales costosas computacionalmente. Al nunca descartar a individuos de la población, el algoritmo CMN GA hace uso de la información a partir de toda evaluación de funciones objetivo cuando explora el espacio de diseño. Un control de densidad de población relacionado con el ajuste sobre el espacio de diseño reduce evaluaciones innecesarias de funciones objetivo.
Este artículo fue preparado por Matthew Hall (Department of Mechanical Engineering, University of Victoria, Victoria, Canadá) para el International Journal of Advanced Research in Artificial Intelligence (IJARAI) (Vol. 1, No 9, 2012, 6-13), publicación de The Science and Information (SAI) Organization (Bradford, West Yorkshire, Reino Unido) que difunde trabajos sobre aplicaciones de inteligencia artificial.
Immune optimization approach for dynamic constrained multi-objective multimodal optimization problems
Una aproximación de optimización inmune para problemas de optimización multimodal multiobjetivo dinámicos restringidos
En esta investigación se exploró el enfoque de la optimización inmune para abordar la optimización multimodal multiobjetivo dinámica restringida en términos de inspiraciones inmunes biológicas y el concepto de dominancia restrictiva (constraint dominance). Esto incluye tres módulos funcionales principales: detección ambiental, inicialización de población y evolución inmune. El primero, inspirado en la función de vigilancia inmune, está diseñado para detectar el cambio de esta clase de problema y decidir el tipo de ambiente nuevo. El segundo genera una población inicial para el ambiente actual, apoyándose en el resultado de la detección. El tercero desarrolla dos poblaciones a lo largo de direcciones múltiples y busca candidatos excelentes y diversos.
Este artículo fue escrito por Zhuhong Zhang, Min Liao y Lei Wang (Guizhou University, Guiyang, República Popular China) para el American Journal of Operations Research (Vol. 2, No 2, 2012, 193-202), publicación de Scientific Research Publishing Inc. que difunde investigaciones que contribuyen a la metodología de la investigación de operaciones y la práctica de la toma de decisiones.
- Video:Optimización global de MINLP mediante algoritmos evolutivos
- Fuente:Canal APMonitor.com / YouTube
