En este trabajo se ha realizado un estudio de las técnicas evolutivas actuales encaminado a identificar las características particulares propias delas mismas que contribuyen a su éxito cuando se aplican en procesos de optimización de problemas complejos, con el objetivo de desarrollar una nueva técnica evolutiva de optimización global que aproveche esas particularidades para mejorar su eficiencia y evitar los inconvenientes conocidos, Según el estudio realizado, las últimas tendencias en este campo tienen a buscar implementaciones sin parámetros, que no dependan del problema, con una alta capacidad de auto adaptación durante la optimización y que guarden memoria sobre lo que acontece durante el proceso de optimización para ser usada de manera adecuada durante el mismo, son factores determinantes para mejora la eficiencia general del proceso.
Con estas premisas se ha desarrollado un nuevo Algoritmo denominado Algoritmo de Evolución Flexible (AEF), que trata de aglutinar las características beneficiosas enumeradas anteriormente. El AEF resultante posee una notable capacidad de auto-adaptación tanto de los operadores como de los parámetros (flexibilidad), así como de la propia estructura del algoritmo. Además, ha demostrado una alta versatilidad y aplicabilidad al ser testado sobre una amplia gama de problemas con una alta tasa de éxito. Asimismo, consta de muy pocos parámetros en su implementación: sólo se ha de especificar el tamaño de la población, el elitismo y el número de generaciones a obtener. Tres son las características principales del AEF: la introducción de una Estructura Dinámica de Operadores EDO que permite usar de manera flexible un conjunto de 100 operadores de muestreo, el Código Genético Extendido CGE de cada solución, donde se guarda memoria de los operadores usados y por último, usar Mecanismos de control Central MCC simples para gestionar la optimización.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados