TÉCNICAS PARA CONTRARRESTAR LA PÉRDIDA DE VARIABILIDAD EN UN UMDA

Abstract Available Metrics References How to Cite

Abstract (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.