Optimización de funciones de referencia mediante la optimización basada en biogeografía binaria con migración aleatoria mixta (BBBO-AMM) y optimizador binario Ant-Lion (BALO)

  • José L. Gutiérrez Universidad Nacional de Colombia. Department of Electrical and Electronics Engineering
  • Sergio R. Rivera Universidad Nacional de Colombia. Department of Electrical and Electronics Engineering
Palabras clave: Biogeography-Based Optimization, Ant-Lion Optimizer, Binary Algorithm, Binary Optimization. Optimización Basada en Biogeografía, Optimizador Ant-Lion, Algoritmo Binario, Optimización Binaria.

Resumen

Declaración del problema: los algoritmos de optimización metaheurística han estado tomando más impulso para mejorar los procesos y resolver problemas complejos que requieren una alta capacidad de cómputo. Estos problemas complejos pueden tener términos binarios como decisiones variables. Existe la necesidad de transformar los algoritmos heurísticos tradicionales en herramientas capaces de manejar variables binarias.
Herramientas actuales: en 2008, se presentó por primera vez el algoritmo de optimización basada en biogeografía (BBO). Este algoritmo produjo buenos resultados al utilizar un modelo de migración de especies dentro de los ecosistemas para encontrar los puntos óptimos de las funciones de referencia. De manera similar, ALO, un nuevo optimizador basado en la caza de ant-lion, se lanzó en 2015. Estos algoritmos pueden manejar muy bien las funciones de referencia cuando las variables son continuas.
Propuesta: En este documento, presentamos una modificación a ambos tipos de algoritmos (BBO y ALO) que mejorarán la manera en que se encuentran los puntos óptimos dentro del espacio de búsqueda. La modificación principal de ambos algoritmos permite resolver problemas, en sus funciones de destino, con variables de decisión binarias.
Principales contribuciones para cada algoritmo: Una modificación importante del primer algoritmo es cómo las especies migran entre los ecosistemas; este modelo se basa en una modificación a la propuesta realizada en 2010. Al agregar dos características importantes, los procesos de migración se eligen al azar y se desarrolla un nuevo método para la migración de especies. La manera en que las especies migran se vuelve aleatoria entre dos modelos de migración. La nueva propuesta para el ALO (segundo algoritmo) resuelve problemas de optimización a través de dos modelos aleatorios binarios diferentes dentro del espacio de búsqueda.
Validación: Para evaluar el comportamiento de los algoritmos, se utilizan quince funciones de evaluación comparativa. Además, se realiza una comparación con otros algoritmos de optimización, tales como la Optimización de enjambres de partículas binarias y el Algoritmo de búsqueda gravitacional (BPSOGSA), Algoritmos genéticos (GA) y el Algoritmo binario de murciélagos (BBA). También demostramos los algoritmos propuestos para un problema de optimización binaria en el mundo real.

Visitas al artículo

391

Descargas

La descarga de datos todavía no está disponible.

Referencias

M. Dorigo, V. Maniezzo and A. Colorni, «The Ant System: Optimization by a Colony of Cooperating Agents,» IEEE Transactions Systems, Man, and Cybernetics B, vol. 26, nº 1, pp. 26:29-41, 1996.

A. Kaveh and N. Farhoudi, «A new optimization method: Dolphin echolocation,» Advances in Engineering Software, vol. 59, pp. 53-70, May 2016.

S. Mirjalili, and A. Lewis, «Grey Wolf Optimizer,» Advances in Engineering Software, vol. 69, pp. 46-61, March 2014.

E. Rashedi, H. Nezamabadi-pour and S. Saryazdi, «GSA: A Gravitational Search Algorithm,» Information Sciences, vol. 179, nº 13, pp. 2232-2248, June 2009.

A. Kaveh and M. Khayatazad, «A new meta-heuristic method: Ray Optimization,» Computer & Structures, vol. 1, pp. 283-294, Dec 2012.

A. Hernández Sauta, E. Torres Iglesias, M. A. Rodríguez Vidal and P. Eguía Lopez, «Survey and Crossed Comparison of Types, Optimal Location Techniques, and Power System Applications of FACTS,» PowerTech (POWERTECH), Grenoble, Grenoble 2013, 2018 IEEE.

D. Wolpert and W. Macready, «No Free Lunch Theorems for Optimization,» IEEE Transactions on Evolutionary Computation, nº 1, p. 67, 1997.

D. Simon, «Biogeography-Based Optimization,» IEEE Transactions on Evolutionary Computation 12, pp. 702-713, 2008.

H. Ma, «An analysis of the equilibrium of migration models for biogeography-based optimization,» Information Sciences 180, pp. 3444-3465, 2010.

S. Mirjalili, «The Ant Lion Optimizer,» Advances in Engineering Software, vol. 83, pp. 80-98, March 2015.

Z. W. Geem, J. H. Kim and G. V. Loganathan, «A New Heuristic Optimization Algorithm: Harmony Search,» Simulation: Transactions of The Society for Modeling and Simulation International, vol. 76, nº 2, pp. 60-68, Feb 2001.

S. Mirjalili and S. Z. Mohd Hashim, «BMOA: Binary Magnetic Optimization Algorithm,» de 3rd International Conference on Machine Learning and Computing (ICMLC 2011), Singapore., 2011.

R. H. MacArthur and E. O. Wilson, The Theory of Island Biogeography., Princeton, New Jersey: Princeton University Press, 1967.

I. Scharf and O. Ovadia, «Factors Influencing Site Abandonment and Site Selection in a Sit-and-Wait Predator: A Review of Pit-Building Antlion Larvae,» Journal of Insect Behavior, vol. 19, nº 2, pp. 197-218, March 2016.

J. Goodenough, B. McGuire y E. Jakob, Perspectives On Animal Behavior, John Wiley & Sons, 2009.

S. Mirjalili, S. M. Mirjalili and X.-S. Yang, «Binary Bat Algorithm,» Journal: Neural Computing and Applications, vol. 25, nº 3, pp. 663-681, Sept. 2014.

T. Back, Evolutionary Algorithms in Theory and Practice, Oxford, U.K.: Oxford Univ. Press, 2016.

M. Iqbal, B. Xue, H. Al-Sahaf and M. Zhang, "Cross-Domain Reuse of Extracted Knowledge in Genetic Programming for Image Classification," in IEEE Transactions on Evolutionary Computation, vol. 21, no. 4, pp. 569-587, Aug. 2017.

Z. Cai and Y. Wang, «A Multiobjective Optimization-Based Evolutionary Algorithm for Constrained Optimization,» IEEE Transactions. Evolutionary Computation., vol. 10, nº 6, pp. 658-675, Dec. 2016.

X.-S. Yang, Engineering Optimization: An Introduction with Metaheuristic Applications, London: Wiley, Jul 2010.

M. Molga and C. Smutnicki, «Test Functions for optimization needs.,» 2005. [On line]. Available: http://www.zsd.ict.pwr.wroc.pl/files/docs/functions.pdf.

F. Wei, S. Li and J. Xue, "A New Local Searching Strategy for Global Optimization with a Large Number of Local Optimum," 2017 13th International Conference on Computational Intelligence and Security (CIS), Hong Kong, 2017, pp. 229-232.

S. Mirjalili, G.-G. Wang y L. d. S. Coelho, «Binary Optimization Using Hybrid Particle Swarm Optimization and Gravitational Search Algorithm,» Neural Computing and Applications, vol. 25, nº 6, pp. 1423-1435, Nov. 2015.

«Wind Farm Layout Optimization Competition.,» 2015. [on line]. Available: https://www.irit.fr/wind-competition/2015/#home.

Publicado
2018-12-31
Cómo citar
Gutiérrez, J. L., & Rivera, S. R. (2018). Optimización de funciones de referencia mediante la optimización basada en biogeografía binaria con migración aleatoria mixta (BBBO-AMM) y optimizador binario Ant-Lion (BALO). Revista MATUA ISSN: 2389-7422, 5(2). Recuperado a partir de https://investigaciones.uniatlantico.edu.co/revistas/index.php/MATUA/article/view/2136
Sección
Artículos