Control of diversity in genetic algorithms using multimodal strategies

Control de diversidad en algoritmos genéticos utilizando estrategias multimodales

Palabras clave: Control of Diversity, Distances, Individual, Optimal Locals, Optimal Locations, Population (en_US)
Palabras clave: Control de Diversidad, Distancias, Individuo, Locales óptimos, Ubicaciones óptimas, Población (es_ES)

Resumen (en_US)

An optimization process is a kind of process that systematically comes up with solutions that are better than a previous solution used before. Optimization algorithms are used to find solutions which are optimal or near-optimal with respect to some goals, to evaluate design tradeoffs, to assess control systems, to find patterns in data, and to find the optimum values (local or global) of mathematical functions. A genetic algorithm is one of the optimization techniques. In this way, a heuristic search that is inspired by Charles Darwin’s theory of natural evolution. This algorithm reflects the process of natural selection where the fittest individuals are selected for reproduction in order to produce offspring of the next generation which are population algorithms that emulate behavior similar to Darwinian natural selection. Taking into account these issues, this article shows the performance of a genetic algorithm designed, which allows to find several minimums within a function from the control of population diversity. To perform the tests, the algorithm with four different functions was used, with the particularity of having several minima with the same value. Proposed strategy was compared with a conventional genetic algorithm, the result was the conventional one can only find some of the minimums of the function and sometimes only one, while the proposal finds most of the minimums

Resumen (es_ES)

La búsqueda de la mejor solución posible a un problema se realiza con procesos de optimización, explorando los valores de los parámetros para los que cierta función objetivo tiene un valor óptimo (local o global). Entre las técnicas de optimización se encuentran los algoritmos genéticos, los cuales son de tipo poblacional o que emulan un comportamiento similar al de la selección natural Darwiniana. Este artículo muestra el desempeño de un algoritmo genético que permite encontrar varios mínimos dentro de una función a partir del control de diversidad de la población. Para realizar las pruebas se utilizó el algoritmo con cuatro diferentes funciones, con la particularidad de tener varios mínimos con el mismo valor. Se comparó esta estrategia propuesta con un algoritmo genético convencional, encontrándose que el convencional solo puede hallar algunos de los mínimos de la función —y en ocasiones solo uno— en tanto que la propuesta encuentra la mayoría de los mínimos

Descargas

La descarga de datos todavía no está disponible.

Referencias

[1] H. T. Kahraman, S. Aras, U. Guvenc and Y. Sonmez, “Exploring the effect of distribution methods on meta-heuristic searching process”, International Conference on Computer Science and Engineering (UBMK), Antalya, 2017, pp. 371-376. https://doi.org/10.1109/UBMK.2017.8093413

[2] R. Eberhart and J. Kennedy, “A new optimizer using particle swarm theory”, MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 1995, pp. 39-43. https://doi.org/10.1109/MHS.1995.494215

[3] F. Jiang, “The hybrid genetic algorithm based on the niche's technology”, Proceedings of the 29th Chinese Control Conference, Beijing, 2010, pp. 5276-5279.

[4] X. Deng, W. Yu and L. Zhang, “A new ant colony optimization with global exploring capability and rapid convergence”, Proceedings of the 10th World Congress on Intelligent Control and Automation, Beijing, 2012, pp. 579-583. https://doi.org/10.1109/WCICA.2012.6357946

[5] D. Molina, A. Puris, R. Bello and F. Herrera, “Variable mesh optimization for the 2013 CEC Special Session Niching Methods for Multimodal Optimization”, IEEE Congress on Evolutionary Computation, Cancun, 2013, pp. 87-94. https://doi.org/10.1109/CEC.2013.6557557

[6] A. Puris, R. Bello, D. Molina and F. Herrera, “Optimising real parameters using the information of a mesh of solutions: VMO algorithm”, IEEE Congress on Evolutionary Computation, Brisbane, QLD, 2012, pp. 1-7. https://doi.org/10.1109/CEC.2012.6252873

[7] R. Navarro, A. Puris, R. Bello and F. Herrera, “Estudio del desempeño de la optimización basada en mallas variables en problemas con óptimos en las fronteras del espacio búsqueda”, Revista Cubana de Ciencias Informáticas, vol. 3, no. 3-4, 2009, pp. 57-64.

[8] J. Gomez, “Self-Adaptation of Operator Rates for Multimodal optimization”, Proceedings of the 2004 Congress on Evolutionary Computation (IEEE Cat. No.04TH8753), 2004. https://doi.org/10.1109/CEC.2004.1331103

[9] D. Fan, W. Sheng and S. Chen, “A diverse niche radii niching technique for multimodal function optimization”, Chinese Automation Congress, Changsha, 2013, pp. 70-74. https://doi.org/10.1109/CAC.2013.6775704

[10] E. Pérez-Vázquez and A. Gento-Municio, “Deterministic Crowding In Genetic Algorithm To Solve A Real-Scheduling Problem”, VII Congreso Internacional de Costos y II Congreso de la Asociación Española de Contabilidad Directiva, 2001, pp. 334.

[11] J. Herrera-Lozada, F. Calvo-Castro and H. Taud, “Sistema Inmune Artificial con Población Reducida para Optimización Numérica”, tesis, Universidad CIC ‐ IPN, México, 2011.

[12] M. V. Rosas, H. A. Leiva and R. Gallard, “Técnicas de niching: estrategias evolutivas vs. algoritmos genéticos”, VI Congreso Argentino de Ciencias de la Computación, 2000, pp 27-32.

[13] S. Mahfoud, “A comparison of Parallel Model and sequential Nitching Methods”, Genetic and Evolutionary Computation Conference, 1995, pp 136-146.
Cómo citar
Hernández Martínez, H., & Luengas Contreras, L. (2019). Control de diversidad en algoritmos genéticos utilizando estrategias multimodales. Visión Electrónica, 13(1). Recuperado a partir de https://revistas.udistrital.edu.co/ojs/index.php/visele/article/view/14402
Número preliminar
Publicado: 2019-01-31
Sección
Artículos