Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.12104/79978
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Zaldivar Navarro, Daniel | |
dc.contributor.advisor | Cuevas Jiménez, Erik Valdemar | |
dc.contributor.author | Rodríguez Vázquez, Alma Nayeli | |
dc.date.accessioned | 2019-12-24T02:33:20Z | - |
dc.date.available | 2019-12-24T02:33:20Z | - |
dc.date.issued | 2017-07-05 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12104/79978 | - |
dc.identifier.uri | https://wdg.biblio.udg.mx | |
dc.description.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. | |
dc.description.tableofcontents | CAPÍTULO 1 INTRODUCCIÓN 1.1 OBJETIVO GENERAL 1.2 OBJETIVOS PARTICULARES 1.3 PLANTEAMIENTO DEL PROBLEMA 1.4 JUSTIFICACIÓN 1.5 HIPÓTESIS 1.6 DESCRIPCIÓN DE CAPÍTULOS CAPÍTULO 2 OPTIMIZACIÓN 2.1 INTRODUCCIÓN 2.2 TIPOS DE OPTIMIZACIÓN 2.3 HEURÍSTICA Y META-HEURÍSTICA 2.4 ALGORITMOS DE OPTIMIZACIÓN CAPÍTULO 3 ALGORITMO DE OPTIMIZACIÓN DE HIERBA INVASIVA 3.1 INTRODUCCIÓN 3.2 INICIALIZACIÓN 3.3 REPRODUCCIÓN 3.4 LOCALIZACIÓN ESPACIAL 3.5 COMPETENCIA EXCLUSIVA CAPÍTULO 4 ALGORITMO DE ESTIMACIÓN DE DISTRIBUCIÓN 4.1 INTRODUCCIÓN 4.2 INICIALIZACIÓN 4.3 SELECCIÓN 4.4 CONSTRUCCIÓN DEL MODELO 4.5 PRODUCCIÓN INDIVIDUAL 4.6 TRUNCAMIENTO CAPÍTULO 5 MEZCLA DE DISTRIBUCIONES GAUSSIANA-CAUCHY 5.1 DISTRIBUCIÓN GAUSSIANA 5.2 DISTRIBUCIÓN CAUCHY 5.3 MEZCLA DE DISTRIBUCIONES CAPÍTULO 6 ALGORITMO HÍBRIDO PROPUESTO 6.1 INTRODUCCIÓN 6.2 REPRODUCCIÓN 6.3 LOCALIZACIÓN ESPACIAL 6.4 CONSTRUCCIÓN DEL MODELO 6.5 PROCESAMIENTO DE DATOS 6.6 CÁLCULO DE PARÁMETROS 6.7 GENERACIÓN DE INDIVIDUOS 6.8 SELECCIÓN DE LA NUEVA POBLACIÓN 6.9 PROCESO COMPUTACIONAL CAPÍTULO 7 ESTUDIO EXPERIMENTAL 7.1 FUNCIONES DE PRUEBA UNIMODALES 7.2 FUNCIONES DE PRUEBA MULTIMODALES 7.3 FUNCIONES DE PRUEBA COMPUESTAS 7.4 EVALUACIÓN DE LA CONVERGENCIA 7.5 COMPLEJIDAD COMPUTACIONAL CONCLUSIONES APÉNDICE LISTA DE FUNCIONES DE PRUEBA REFERENCIAS | |
dc.format | application/PDF | |
dc.language.iso | spa | - |
dc.publisher | Biblioteca Digital wdg.biblio | |
dc.publisher | Universidad de Guadalajara | |
dc.rights.uri | https://www.riudg.udg.mx/info/politicas.jsp | |
dc.subject | Metodos Evolutivos | |
dc.subject | Algoritmos Hibridos | |
dc.subject | Optimizacion | |
dc.subject | Distribucion Mixta Gaussianacauchy | |
dc.title | Un enfoque evolutivo híbrido basado en la Optimización de Hierba Invasiva y algoritmos de estimación de distribución | |
dc.type | Tesis de Maestria | |
dc.rights.holder | Universidad de Guadalajara | |
dc.rights.holder | RodrÍguez Vázquez, Alma Nayeli | |
dc.coverage | GUADALAJARA, JALISCO | |
dc.type.conacyt | masterThesis | - |
dc.degree.name | MAESTRIA EN CIENCIAS EN INGENIERIA ELECTRONICA Y COMPUTACION | - |
dc.degree.department | CUCEI | - |
dc.degree.grantor | Universidad de Guadalajara | - |
dc.degree.creator | MAESTRA EN CIENCIAS EN INGENIERIA ELECTRONICA Y COMPUTACION | - |
Appears in Collections: | CUCEI |
Files in This Item:
File | Size | Format | |
---|---|---|---|
MCUCEI10002.pdf Restricted Access | 8.19 MB | Adobe PDF | View/Open Request a copy |
Items in RIUdeG are protected by copyright, with all rights reserved, unless otherwise indicated.