SciELO - Scientific Electronic Library Online

 
vol.14 número3Diseñando procesos para cerrar el ciclo de I+D+i en organizaciones de softwareEstrategia de pruebas para organizaciones desarrolladoras de software índice de autoresíndice de assuntospesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

  • Não possue artigos citadosCitado por SciELO

Links relacionados

  • Não possue artigos similaresSimilares em SciELO

Compartilhar


Revista Cubana de Ciencias Informáticas

versão On-line ISSN 2227-1899

Resumo

NEGRIN DIAZ, Iván A.; NEGRIN HERNANDEZ, Luis I.  e  CHAGOYEN MENDEZ, Ernesto. Ajuste de parámetros de algoritmos genéticos: propuesta de método compuesto. Rev cuba cienc informat [online]. 2020, vol.14, n.3, pp.59-82.  Epub 01-Set-2020. ISSN 2227-1899.

El ajuste de parámetros permite encontrar la mejor configuración de los métodos de optimización ante un determinado problema. Este es un proceso extremadamente costoso desde el punto de vista computacional. Algunos procesos como la optimización estructural requieren un enorme consumo de recursos computacionales, por lo que resulta casi imposible ajustar los parámetros del método utilizado. Una manera de evitar este inconveniente es utilizar funciones analíticas (o de referencia) que simulen las características principales de las funciones objetivo reales. En este artículo se utiliza la función Eggholder para ajustar los parámetros de los algoritmos genéticos (GA), utilizando como utilidad la representación gráfica de la curva de rendimiento promedio y su correspondiente valor MBF. Los resultados obtenidos plantean que, para optimizar este tipo de funciones de alta complejidad, y obtener resultados satisfactorios utilizando GA simple, es necesario establecer tamaños de población grandes (300 o más). La mejor configuración resultó ser realizar la selección uniforme, el cruzamiento heurístico, la reproducción estableciendo un elitismo del 15 % de la población total y una fracción de cruzamiento de 0.60. Debido a la incapacidad del GA simple de encontrar el óptimo global de manera regular se plantean otras soluciones. La primera es optimizar utilizando variables enteras. La segunda consiste en generar una población inicial utilizando el propio algoritmo de GA simple, lo cual denominamos método compuesto. Esta estrategia fue capaz de encontrar el óptimo global el 100% de las pruebas, a costa de un incremento del costo computacional en un 16%.

Palavras-chave : optimización; ajuste de parámetros; Algoritmos Genéticos; población; selección; cruzamiento.

        · resumo em Inglês     · texto em Espanhol     · Espanhol ( pdf )