Comportamiento de un Algoritmo Evolutivo Flexible para problemas de optimización continua

Abstract

Este trabajo describe una versión de un Algoritmo Evolutivo Flexible (AEF) diseñada con el fin de ser una nueva herramienta para resolver problemas de optimización del mundo real. En su desarrollo se han tenido en cuenta las lecciones aprendidas por otros autores en esta área. De esta forma, en vez de usar un único operador de cruce y/o mutación, el AEF cuenta con 60 operadores de distinta naturaleza. Esta implementación posee mecanismos de toma de decisiones basados en reglas que usan medidas fenotípicas de convergencia con el objetivo de prevenir y corregir situaciones de estancamiento, muestreando de nuevo las soluciones si es necesario. Si esto ocurre, en primer lugar se aplica un operador de cruce de un punto, después se cambian al azar los parámetros que controlan el muestreo, y finalmente se lanza un subconjunto de operadores de cruce para explorar el espacio de soluciones. Otra importante característica del algoritmo es que hace evolucionar individuos con un código genético extendido, que contiene información tanto sobre las variables, como sobre los operadores de muestreo y los parámetros que controlan el muestreo. Esta estructura da dos importantes ventajas. La primera es que el AEF ajusta sus parámetros on the fly ya que forman parte de los individuos que evolucionan. La segunda es que el método posee menos parámetros que otras implementaciones, siendo necesario definir sólo el tamaño de la población, el número de individuos elitistas y las evaluaciones a realizarse. Todas estas características son un paso eficiente hacia implementaciones sin parámetros en el área de la Computación Evolutiva. En este trabajo se presentan los resultados de aplicar el AEF al conjunto de funciones de prueba propuesto por los organizadores de la Sesión Especial en Metaheurísticas, Algoritmos Evolutivos y Bioinspirados para Problemas de Optimización Continua del MAEB’09.