Un enfoque evolutivo híbrido basado en la Optimización de Hierba Invasiva y algoritmos de estimación de distribución

Abstract

Los métodos evolutivos híbridos combinan enfoques extraídos de diferentes técnicas de cómputo evolutivo para construir un único método de optimización. El diseño de estos sistemas representa una tendencia actual en la literatura de optimización evolutiva. En algoritmos híbridos, el objetivo es ampliar las ventajas potenciales de los enfoques integrados y eliminar sus principales inconvenientes. En este trabajo, se presenta un método híbrido para resolver problemas de optimización. El enfoque propuesto combina (A) las características exploratorias del método de optimización de hierba invasiva (IWO), (B) los modelos probabilísticos de los algoritmos de estimación de distribución (EDA) y (C) las capacidades de dispersión de una distribución mixta Gaussiana-Cauchy para producir su propia estrategia de búsqueda. Con estos mecanismos, el método propuesto conduce una estrategia de optimización sobre áreas de búsqueda que merecen un interés especial según un modelo probabilístico y el valor de la aptitud de las soluciones existentes. En el método propuesto, cada individuo de la población genera nuevos elementos alrededor de su propia ubicación, dispersos según la distribución mixta. El número de elementos nuevos depende del valor de aptitud relativa del individuo con respecto a la población completa. Después de este proceso, un grupo de soluciones prometedoras se seleccionan del compuesto establecido por (a) los nuevos elementos y (b) los individuos originales. Basándose en las soluciones seleccionadas, se construye un modelo probabilístico a partir del cual se muestrea un cierto número de miembros (c). Luego, todos los individuos de los conjuntos (a), (b) y (c) se unen en un solo grupo y son clasificados en términos de sus valores de aptitud. Finalmente, los mejores elementos del grupo son seleccionados para reemplazar a la población original. Este proceso se repite hasta que se ha alcanzado un criterio de paro. Para probar el rendimiento de este método, se han realizado varias comparaciones con otros métodos meta-heurísticos bien conocidos. La comparación consiste en analizar los resultados de optimización sobre diferentes funciones estándar de referencia dentro de un marco estadístico. Las conclusiones basadas en las comparaciones muestran la precisión, eficiencia y robustez del enfoque propuesto.