Algoritmo evolutivo basado en clusterización y comportamiento caótico

Abstract

Los algoritmos de Computo Evolutivo (CE) representan una clase de métodos estocásticos que se pueden aplicar a un amplio conjunto de diferentes problemas de optimización complejos. A pesar de que se han propuesto varios métodos de la CE para resolver importantes aplicaciones prácticas, en la práctica algunas veces sólo ofrecen un rendimiento marginal debido a la selección inadecuada de sus parámetros de configuración. Por otro lado, la combinación de enfoques extraídos de diferentes técnicas de computo es actualmente una de las tendencias más exitosas en la optimización evolutiva. Con esta hibridación, la idea es superar las limitaciones de cada método y alcanzar un efecto sinérgico a través de su integración. En este trabajo, se introduce un algoritmo de optimización híbrida para resolver problemas de optimización. El enfoque, llamado Cluster-Chaotic-Optimization (CCO), combina la adaptabilidad de un método de agrupamiento con la aleatoriedad de las secuencias caóticas para llevar a cabo su estrategia de búsqueda. Bajo el método propuesto, en cada generación, la población completa se divide en diferentes grupos según su distribución espacial. Entonces, los individuos se modifican teniendo en cuenta dos tipos de operadores: intra-cluster y extra-cluster. En la operación de intra-cluster, los individuos de un mismo cluster son ajustados localmente considerando la posición del mejor elemento en el cluster en términos de su valor de aptitud, mientras que en la operación extra-cluster, el mejor individuo de cada cluster es atraído por El mejor elemento de la población actual. En ambas operaciones, el ajuste se produce mediante el uso de reglas deterministas y secuencias caóticas. Con tales mecanismos, el método propuesto actúa adaptativamente sin requerir parámetros de configuración para su funcionamiento. Para mostrar el rendimiento y la robustez del método propuesto, se realiza una comparación con otros métodos evolutivos bien conocidos. La comparación considera varias funciones estándar de referencia que se encuentran típicamente en la literatura de algoritmos evolutivos. Los resultados sugieren un alto rendimiento de la metodología propuesta.