DOI:
https://doi.org/10.14483/2322939X.4709Publicado:
2013-10-15Número:
Vol. 10 Núm. 1 (2013)Sección:
Actualidad TecnológicaTÉCNICAS PARA CONTRARRESTAR LA PÉRDIDA DE VARIABILIDAD EN UN UMDA
Palabras clave:
Algoritmos de estimación de la distribución, optimización. (es).Descargas
Resumen (es)
Debido a la naturaleza de su proceso de aprendizaje, los algoritmos de estimación de la distribución (conocidos como EDA) han padecido, desde sus primeras implementaciones, de problemas de variabilidad (respecto a las soluciones utilizadas en su proceso de optimización); lo que conlleva a estancamientos en óptimos locales o lentitud para encontrar la solución óptima. Diversos métodos y técnicas han sido implementados en estos algoritmos que reducen, y en algunos casos anulan, dicho problema. El UMDA (Univariate Marginal Distribution Algorithm), es la implementación más simple de un EDA; al asumir independencia entre sus variables, simplifica la estimación de la distribución de las soluciones en el producto de las probabilidades marginales. La aleatoriedad de la primera población y el número de individuos utilizados para estimar la distribución son factores que influyen en la variabilidad del algoritmo. Este artículo presenta un análisis comparativo entre los métodos que tratan este problema, involucrando cuatro de los más utilizados en la literatura y dos más propuestos por los autores. También se presenta un análisis de la influencia en la variabilidad de un UMDA de los parámetros utilizados en los operadores de selección y remplazamiento.
Referencias
C. Blum and A. Roli, Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison, Computing, vol. 35, núm. 3. 2003.
M. Mitchell, An Introduction to Genetic Algorithms. Cambridge, MA, USA, MIT Press. 1996.
J. H. Holland, Adaptation in Natural and Artificial Systems. Ann Harbor, University of Michigan Press. 1975.
M. Dorigo and T. Stutzle, The Ant Colony Optimization Metaheuristic: Algorithms, Applications, and Advances, Handbook of Metaheuristics International Series in Operations Research & Management Science. 2003.
M. Hauschild and M. Pelikan, A Survey on Estimation of Distribution Algorithms, MEDAL Report No. 2011004, p. 0113. 2011.
P. Larrañaga and J. A. Lozano, Estimation of Distribution Algorithms: A new tool for Evolutionary Computation. 2002.
H. Muhlenbein and G. Paa, From recombination of genes to the estimation of distributions, Parallel Problem Solving from Nature. 1996.
J. L. S. Jurgen Branke, Clemens Lode, Addressing Sampling Errors and Diversity Loss in UMDA, Proceedings of the 9th annual conference on Genetic and evolutionary computation, 2007.
J. Brownlee, Clever Algorithms: Nature- Inspired Pro-gramming Recipes. Jason Brownlee, p. 436. 2011.
2.png)
