Esta es una lista ordenada cronológicamente de metaheurísticas basadas en metáforas y algoritmos de inteligencia de enjambre .
Algoritmos
Recocido simulado (Kirkpatrick et al., 1983)
El recocido simulado (SA) es una técnica probabilística inspirada en un método de tratamiento térmico en metalurgia . A menudo se utiliza cuando el espacio de búsqueda es discreto (por ejemplo, todos los recorridos que visitan un conjunto determinado de ciudades). Para problemas en los que encontrar el óptimo global preciso es menos importante que encontrar un óptimo local aceptable en un período de tiempo fijo, el recocido simulado puede ser preferible a alternativas como el descenso de gradiente .
El recocido simulado interpreta el enfriamiento lento como una disminución lenta en la probabilidad de aceptar peores soluciones a medida que explora el espacio de la solución. Aceptar peores soluciones es una propiedad fundamental de la metaheurística porque permite una búsqueda más extensa de la solución óptima.
Optimización de colonias de hormigas (Dorigo, 1992)
El algoritmo de optimización de colonias de hormigas (ACO) es una técnica probabilística para resolver problemas computacionales que puede reducirse a encontrar buenos caminos a través de gráficos . Propuesto inicialmente por Marco Dorigo en 1992 en su tesis doctoral, [1] [2] el primer algoritmo tenía como objetivo buscar un camino óptimo en un gráfico, basado en el comportamiento de las hormigas que buscaban un camino entre su colonia y una fuente de alimento. . Desde entonces, la idea original se ha diversificado para resolver una clase más amplia de problemas numéricos y, como resultado, han surgido varios problemas que se basan en diversos aspectos del comportamiento de las hormigas. Desde una perspectiva más amplia, ACO realiza una búsqueda basada en modelos [3] y comparte algunas similitudes con los algoritmos de estimación de distribución .
Optimización del enjambre de partículas (Kennedy & Eberhart, 1995)
La optimización del enjambre de partículas (PSO) es un método computacional que optimiza un problema al tratar iterativamente de mejorar una solución candidata con respecto a una medida de calidad determinada. Resuelve un problema teniendo una población de soluciones candidatas, aquí denominadas partículas , y moviendo estas partículas en el espacio de búsqueda de acuerdo con fórmulas matemáticas simples sobre la posición y la velocidad de la partícula . El movimiento de cada partícula está influenciado por su posición local más conocida, pero también se guía hacia las posiciones más conocidas en el espacio de búsqueda, que se actualizan a medida que otras partículas encuentran mejores posiciones. Se espera que esto mueva el enjambre hacia las mejores soluciones.
PSO se atribuye originalmente a Kennedy , Eberhart y Shi [4] [5] y fue pensado inicialmente para simular el comportamiento social , [6] como una representación estilizada del movimiento de organismos en una bandada de pájaros o un banco de peces . El algoritmo se simplificó y se observó que estaba realizando una optimización. El libro de Kennedy y Eberhart [7] describe muchos aspectos filosóficos de la PSO y la inteligencia de enjambre . Poli realiza un estudio extenso de las solicitudes de PSO . [8] [9] Recientemente, Bonyadi y Michalewicz han publicado una revisión exhaustiva de trabajos teóricos y experimentales sobre PSO. [10]
Búsqueda de armonía (Geem, Kim & Loganathan, 2001)
La búsqueda de armonía es una metaheurística que imita un fenómeno introducido en 2001 por Zong Woo Geem, Joong Hoon Kim y GV Loganathan. [11] La búsqueda de la armonía se inspira en el proceso de improvisación de los músicos de jazz. Un artículo afirmó que se ha demostrado que la búsqueda de armonía es un caso especial del algoritmo Evolution Strategies . [12] Sin embargo, un artículo reciente sostiene que la estructura de las Estrategias Evolutivas es diferente a la de la búsqueda de armonía. [13]
La búsqueda de armonía (HS) es un algoritmo evolutivo relativamente simple pero eficiente. En el algoritmo HS se genera aleatoriamente un conjunto de posibles soluciones (llamado memoria Harmony). Se genera una nueva solución utilizando todas las soluciones en la memoria Harmony (en lugar de solo dos como se usa en GA) y si esta nueva solución es mejor que la peor solución en la memoria Harmony, la peor solución es reemplazada por esta nueva solución. La eficacia y las ventajas de HS se han demostrado en varias aplicaciones como el diseño de redes de distribución de agua municipal, [14] diseño estructural, [15] enrutamiento de tráfico, [16] problema de despacho de carga en ingeniería eléctrica, [17] optimización multiobjetivo, [ 18] problemas de clasificación, [19] agrupación, [20] y clasificación y selección de características. [21] [22] Puede encontrarse un estudio detallado sobre las aplicaciones del SA en [23] [24] y las aplicaciones del SA en la minería de datos en. [25]
Algoritmo de colonia de abejas artificial (Karaboga, 2005)
El algoritmo de colonia de abejas artificial es un algoritmo metaheurístico introducido por Karaboga en 2005, [26] y simula el comportamiento de búsqueda de alimento de las abejas melíferas. El algoritmo ABC tiene tres fases: abeja empleada, abeja espectadora y abeja exploradora. En las fases de abeja empleada y abeja espectadora, las abejas explotan las fuentes mediante búsquedas locales en las proximidades de las soluciones seleccionadas en base a la selección determinista en la fase de abeja empleada y la selección probabilística en la fase de abeja espectadora. En la fase de la abeja exploradora, que es una analogía del abandono de las fuentes de alimento agotadas en el proceso de búsqueda, se abandonan las soluciones que ya no son beneficiosas para el progreso de la búsqueda y se insertan nuevas soluciones en su lugar para explorar nuevas regiones en el espacio de búsqueda. El algoritmo tiene una capacidad de exploración y explotación bien equilibrada.
Algoritmo de abejas (Pham, 2005)
El algoritmo de las abejas en su formulación básica fue creado por Pham y sus colaboradores en 2005, [27] y perfeccionado en los años siguientes. [28] Basado en el comportamiento de búsqueda de alimento de las abejas melíferas , el algoritmo combina la búsqueda exploratoria global con la búsqueda explotadora local. Un pequeño número de abejas artificiales (exploradores) explora aleatoriamente el espacio de la solución (entorno) en busca de soluciones de alta aptitud (fuentes de alimentos altamente rentables), mientras que la mayor parte de la población busca (cosecha) el vecindario de las soluciones más aptas en busca de la aptitud óptima. . Se utiliza un procedimiento de reclutamiento determinístico que simula la danza del meneo de las abejas biológicas para comunicar los hallazgos de los exploradores a los recolectores y distribuirlos según la aptitud de los vecindarios seleccionados para la búsqueda local. Una vez que la búsqueda en la vecindad de una solución se estanca, se considera que se encuentra el óptimo local de aptitud y se abandona el sitio. En resumen, el algoritmo Bees busca simultáneamente las regiones más prometedoras del espacio de la solución, mientras lo muestrea continuamente en busca de nuevas regiones favorables.
Optimización del enjambre de gusanos luminosos (Krishnanand & Ghose, 2005)
La optimización de enjambre es un gusano de luz inteligencia de enjambre optimización algoritmo desarrollado en base al comportamiento de los gusanos de luz (también conocido como luciérnagas o luciérnagas). El algoritmo GSO fue desarrollado e introducido por KN Krishnanand y Debasish Ghose en 2005 en el Laboratorio de Sistemas de Orientación, Control y Decisión del Departamento de Ingeniería Aeroespacial del Instituto de Ciencias de la India , Bangalore , India . [29]
El patrón de comportamiento de las luciérnagas que se utiliza para este algoritmo es la capacidad aparente de las luciérnagas para cambiar la intensidad de la emisión de luciferina y, por lo tanto, parecen brillar a diferentes intensidades.
- El algoritmo GSO hace que los agentes brillen a intensidades aproximadamente proporcionales al valor de la función que se está optimizando. Se supone que las luciérnagas de intensidades más brillantes atraen a las luciérnagas de menor intensidad.
- La segunda parte significativa del algoritmo incorpora un rango de decisión dinámico por el cual se descuenta el efecto de luciérnagas distantes cuando una luciérnaga tiene un número suficiente de vecinos o el rango va más allá del rango de percepción de las luciérnagas.
La parte 2 del algoritmo lo diferencia de otros algoritmos de optimización multimodal evolutivos . Es este paso el que permite que los enjambres de luciérnagas se subdividan automáticamente en subgrupos que luego puedan converger en múltiples óptimos locales simultáneamente.Esta propiedad del algoritmo permite que se use para identificar múltiples picos de una función multimodal y la convierte en parte de la Familia de algoritmos evolutivos de optimización multimodal.
Algoritmo de salto de rana barajada (Eusuff, Lansey & Pasha, 2006)
El algoritmo de salto de rana barajada es un algoritmo de optimización utilizado en inteligencia artificial . [30] Es comparable a un algoritmo genético .
Optimización del enjambre de gatos (Chu, Tsai y Pan, 2006)
El algoritmo de optimización de enjambres de gatos que resuelve problemas de optimización y está inspirado en el comportamiento de los gatos. [31] Es similar a otros algoritmos de optimización de enjambres, como los algoritmos de optimización de colonias de hormigas o de optimización de enjambres de partículas. La búsqueda y el rastreo, dos comportamientos comunes de los gatos, conforman los dos submodelos del algoritmo. El modo de búsqueda está inspirado en el comportamiento de un gato en reposo, que busca dónde moverse a continuación. En el modo de búsqueda, selecciona varios puntos candidatos y luego selecciona uno para moverse al azar, lo que aumenta la probabilidad de elegir puntos que tengan un valor de aptitud más alto. El modo de rastreo está inspirado en un gato que rastrea un objetivo. En este modo, el gato intentará moverse hacia la posición con el mejor valor de aptitud. Los gatos seguirán moviéndose en el modo de búsqueda y rastreo hasta que se cumpla una condición de terminación.
Algoritmo competitivo imperialista (Atashpaz-Gargari & Lucas, 2007)
El algoritmo competitivo imperialista es un método computacional que se utiliza para resolver problemas de optimización de diferentes tipos. [32] [33] Como la mayoría de los métodos en el área de cálculo evolutivo , ICA no necesita el gradiente de la función en su proceso de optimización. Desde un punto de vista específico, ICA puede considerarse como la contraparte social de los algoritmos genéticos (GA). ICA es el modelo matemático y la simulación por computadora de la evolución social humana , mientras que los AG se basan en la evolución biológica de las especies.
Este algoritmo comienza generando un conjunto de soluciones candidatas aleatorias en el espacio de búsqueda del problema de optimización. Los puntos aleatorios generados se denominan países iniciales . Los países en este algoritmo son la contraparte de Cromosomas en GA y Particle s en Particle Swarm Optimization (PSO) y es una matriz de valores de una solución candidata al problema de optimización. La función de costo del problema de optimización determina el poder de cada país. En función de su poder, algunos de los mejores países iniciales (los países con el valor de función de menor costo), se convierten en imperialistas y comienzan a tomar el control de otros países (llamados colonias ) y forman los imperios iniciales . [32]
Dos operadores principales de este algoritmo son asimilación y revolución . La asimilación hace que las colonias de cada imperio se acerquen al estado imperialista en el espacio de las características sociopolíticas (optimización del espacio de búsqueda). Revolution provoca cambios repentinos y aleatorios en la posición de algunos de los países en el espacio de búsqueda. Durante la asimilación y la revolución, una colonia puede alcanzar una mejor posición y tiene la oportunidad de tomar el control de todo el imperio y reemplazar el actual estado imperialista del imperio. [34]
La competencia imperialista es otra parte de este algoritmo. Todos los imperios intentan ganar este juego y tomar posesión de colonias de otros imperios. En cada paso del algoritmo, según su poder, todos los imperios tienen la oportunidad de tomar el control de una o más de las colonias del imperio más débil. [32]
El algoritmo continúa con los pasos mencionados (asimilación, revolución, competencia) hasta que se cumple una condición de parada.
Los pasos anteriores se pueden resumir como el pseudocódigo siguiente . [33] [34]
0) Definir función objetivo: 1) Inicialización del algoritmo. Genere alguna solución aleatoria en el espacio de búsqueda y cree imperios iniciales. 2) Asimilación: las colonias avanzan hacia estados imperialistas en diferentes direcciones. 3) Revolución: Se producen cambios aleatorios en las características de algunos países. 4) Intercambio de posiciones entre colonia e imperialista. Una colonia con mejor posición que la imperialista, tiene la oportunidad de tomar el control del imperio reemplazando al imperialista existente. 5) Competencia imperialista: Todos los imperialistas compiten por apoderarse de las colonias unos de otros. 6) Elimina los imperios impotentes. Los imperios débiles pierden su poder gradualmente y finalmente serán eliminados. 7) Si se cumple la condición de parada, deténgase, si no, vaya a 2.8) Fin
Dinámica de formación de ríos (Rabanal, Rodríguez & Rubio, 2007)
La dinámica de la formación de los ríos se basa en imitar cómo el agua forma los ríos erosionando el suelo y depositando sedimentos (las gotas actúan como enjambres). Después de que las gotas transforman el paisaje aumentando / disminuyendo la altitud de los lugares, las soluciones se dan en forma de caminos de altitudes decrecientes. Se construyen gradientes decrecientes, y estos gradientes son seguidos por caídas posteriores para componer nuevos gradientes y reforzar los mejores. Este método de optimización heurística fue presentado por primera vez en 2007 por Rabanal et al. [35] Se ha estudiado la aplicabilidad de RFD a otros problemas NP-completos, [36] y el algoritmo se ha aplicado a campos como el enrutamiento [37] y la navegación de robots. [38] Las principales aplicaciones de RFD se pueden encontrar en una encuesta detallada. [39]
Algoritmo inteligente de gotas de agua (Shah-Hosseini, 2007)
El algoritmo inteligente de gotas de agua contiene algunos elementos esenciales de las gotas de agua natural y las acciones y reacciones que ocurren entre el lecho del río y las gotas de agua que fluyen dentro. El IWD se introdujo por primera vez para el problema del viajante de comercio en 2007. [40]
Casi todos los algoritmos IWD se componen de dos partes: un gráfico que desempeña el papel de memoria distribuida en la que se conservan suelos de diferentes bordes, y la parte móvil del algoritmo IWD, que son unas pocas gotas de agua inteligentes. Estas gotas de agua inteligentes (IWD) compiten y cooperan para encontrar mejores soluciones y, al cambiar los suelos del gráfico, los caminos hacia mejores soluciones se vuelven más accesibles. Se menciona que los algoritmos basados en IWD necesitan al menos dos IWD para funcionar.
El algoritmo IWD tiene dos tipos de parámetros: parámetros estáticos y dinámicos. Los parámetros estáticos son constantes durante el proceso del algoritmo IWD. Los parámetros dinámicos se reinicializan después de cada iteración del algoritmo IWD. El pseudocódigo de un algoritmo basado en IWD se puede especificar en ocho pasos:
- 1) Inicialización de parámetros estáticos
- a) Representación del problema en forma de gráfico
- b) Configuración de valores para parámetros estáticos
- 2) Inicialización de parámetros dinámicos: suelo y velocidad de los IWD
- 3) Distribución de los IWD en el gráfico del problema
- 4) Construcción de soluciones por IWD junto con actualización de suelo y velocidad.
- a) Actualización del suelo local en el gráfico
- b) Actualización de suelo y velocidad en los IWD
- 5) Búsqueda local sobre cada solución de IWD (opcional)
- 6) Actualización global del suelo
- 7) Actualización de la mejor solución total
- 8) Vaya al paso 2 a menos que se cumpla la condición de terminación
Algoritmo de búsqueda gravitacional (Rashedi, Nezamabadi-pour & Saryazdi, 2009)
Un algoritmo de búsqueda gravitacional se basa en la ley de la gravedad y la noción de interacciones de masa. El algoritmo GSA utiliza la teoría de la física newtoniana y sus agentes de búsqueda son la colección de masas. En GSA, hay un sistema aislado de masas. Usando la fuerza gravitacional, cada masa en el sistema puede ver la situación de otras masas. La fuerza gravitacional es, por tanto, una forma de transferir información entre diferentes masas (Rashedi, Nezamabadi-pour y Saryazdi 2009). [41] En GSA, los agentes se consideran objetos y su desempeño se mide por su masa. Todos estos objetos se atraen entre sí por una fuerza de gravedad , y esta fuerza provoca el movimiento de todos los objetos hacia los objetos con masas más pesadas. Las masas más pesadas corresponden a mejores soluciones del problema. La posición del agente corresponde a una solución del problema y su masa se determina mediante una función de aptitud. Con el paso del tiempo, las masas son atraídas por la masa más pesada, que idealmente presentaría una solución óptima en el espacio de búsqueda. La GSA podría considerarse como un sistema aislado de masas. Es como un pequeño mundo artificial de masas que obedecen las leyes newtonianas de la gravitación y el movimiento. [42] Una variante multiobjetivo de GSA, llamada MOGSA, fue propuesta por primera vez por Hassanzadeh et al. en 2010. [43]
Búsqueda de cuco (Yang & Deb, 2009)
En la investigación de operaciones , la búsqueda del cuco es un algoritmo de optimización desarrollado por Xin-she Yang y Suash Deb en 2009. [44] [45] Se inspiró en el parasitismo obligado de la cría de algunas especies de cucos al poner sus huevos en los nidos de otros huéspedes. aves (de otras especies). Si un ave huésped descubre que los huevos no son suyos, los arrojará fuera del nido o abandonará el nido y construirá uno nuevo. El principio de la búsqueda del cuco es colocar "huevos" (soluciones recién encontradas) en "nidos" y conservar los mejores como candidatos para la próxima generación. Las nuevas soluciones pueden descartarse al azar (se están tirando "huevos" del "nido").
Algoritmo de murciélago (Yang, 2010)
El algoritmo de murciélago es un algoritmo basado en inteligencia de enjambre, inspirado en el comportamiento de ecolocalización de los micro murciélagos . BA equilibra automáticamente la exploración (saltos de largo alcance alrededor del espacio de búsqueda global para evitar quedarse atascado alrededor de un máximo local) con la explotación (buscando con más detalle alrededor de buenas soluciones conocidas para encontrar máximos locales) controlando la sonoridad y las tasas de emisión de pulsos de murciélagos simulados en el espacio de búsqueda multidimensional. [46]
Algoritmo de optimización en espiral (SPO) (Tamura & Yasuda 2011, 2016-2017)
El algoritmo de optimización en espiral (SPO) es un concepto de búsqueda sencillo inspirado en los fenómenos espirales de la naturaleza. La motivación para enfocarse en los fenómenos espirales se debió a la idea de que las dinámicas que generan espirales logarítmicas comparten el comportamiento de diversificación e intensificación. El comportamiento de diversificación puede funcionar para una búsqueda global (exploración) y el comportamiento de intensificación permite una búsqueda intensiva alrededor de una buena solución actual encontrada (explotación). El algoritmo SPO es un algoritmo de búsqueda multipunto que no tiene gradiente de función objetivo, que utiliza múltiples modelos en espiral que pueden describirse como sistemas dinámicos deterministas. Como los puntos de búsqueda siguen trayectorias espirales logarítmicas hacia el centro común, definido como el mejor punto actual, se pueden encontrar mejores soluciones y se puede actualizar el centro común. [47]
Algoritmo de polinización de flores (Yang, 2012)
El algoritmo de polinización de flores es un algoritmo metaheurístico que fue desarrollado por Xin-She Yang , [48] basado en el proceso de polinización de plantas con flores .
Este algoritmo tiene 4 reglas o suposiciones:
- La polinización biótica y cruzada se considera un proceso de polinización global con polinizadores portadores de polen que realizan vuelos de Levy .
- La polinización abiótica y la autopolinización se consideran polinización local.
- La constancia de la flor se puede considerar ya que la probabilidad de reproducción es proporcional a la similitud de dos flores involucradas.
- La polinización local y global se controla mediante una probabilidad de cambio [se necesita aclaración ] . Debido a la proximidad física y otros factores como el viento, la polinización local puede tener una fracción q significativa en las actividades generales de polinización.
Estas reglas se pueden traducir en las siguientes ecuaciones de actualización:
dónde es el vector solución y es la mejor corriente encontrada hasta ahora durante la iteración. La probabilidad de cambio entre dos ecuaciones durante las iteraciones es. Además, es un número aleatorio extraído de una distribución uniforme. es un tamaño de paso extraído de una distribución de Lévy.
Los vuelos de Lévy con pasos de Lévy son una caminata aleatoria poderosa porque las capacidades de búsqueda global y local se pueden llevar a cabo al mismo tiempo. En contraste con las caminatas aleatorias estándar, los vuelos de Lévy tienen saltos largos ocasionales, que permiten que el algoritmo salte cualquier valle local. Los pasos de Lévy obedecen a la siguiente aproximación:
dónde es el exponente de Lévy. [49] Puede ser difícil dibujar correctamente los pasos de Lévy y una forma sencilla de generar vuelos de Lévy. es utilizar dos distribuciones normales y por una transformación [50]
con
dónde es una función de .
Algoritmo de optimización de sepia (Eesa, Mohsin, Brifcani & Orman, 2013)
El algoritmo de optimización de la sepia es un algoritmo de búsqueda basado en la población inspirado en el comportamiento de cambio de color de la piel de la sepia que se desarrolló en 2013 [51] [52] Tiene dos búsquedas globales y dos búsquedas locales.
El algoritmo considera dos procesos principales: Reflexión y Visibilidad . El proceso de reflexión simula el mecanismo de reflexión de la luz, mientras que la visibilidad simula la visibilidad de patrones coincidentes. Estos dos procesos se utilizan como estrategia de búsqueda para encontrar la solución óptima global. La formulación para encontrar la nueva solución ( newP ) mediante el uso de la reflexión y la visibilidad es la siguiente:
CFA divide la población en 4 grupos (G1, G2, G3 y G4). Para G1, el algoritmo aplica los casos 1 y 2 (la interacción entre cromatóforos e iridóforos) para producir nuevas soluciones. Estos dos casos se utilizan como búsqueda global. Para G2, el algoritmo utiliza el caso 3 (opacador de reflexión iridóforos) y el caso 4 (la interacción entre iridóforos y cromatóforos) para producir una nueva solución) como una búsqueda local. Mientras que para G3, la interacción entre los leucoforos y los cromatóforos (caso 5) se utiliza para producir soluciones en torno a la mejor solución (búsqueda local). Finalmente, para G4, el caso 6 (operador de reflexión de leucóforos) se utiliza como una búsqueda global al reflejar cualquier luz entrante sin ninguna modificación. El paso principal de CFA se describe a continuación:
algoritmo de optimización de sepia es Inicialice la población (P [N]) con soluciones aleatorias. Asigne los valores de r1, r2, v1, v2. Evalúe la población y conserve la mejor solución. Divida la población en cuatro grupos (G1, G2, G3 y G4). repetir Calcule el valor promedio de la mejor solución. para cada elemento en G1 hacer generar una nueva solución usando Case (1 y 2) para cada elemento en G2 do generar una nueva solución usando Case (3 y 4) para cada elemento en G3 do generar una nueva solución usando Case (5) para cada elemento en G4 hacer generar una nueva solución usando Case (6) Evaluar las nuevas soluciones hasta que (se cumpla el criterio de parada) devolver la mejor solución
Las ecuaciones que se utilizan para calcular la reflexión y la visibilidad para los cuatro grupos se describen a continuación:
Caso 1 y 2 para G1:
Caso 3 y 4 para G2:
Caso 5 para G3:
Caso 6 para G4:
Dónde , son Grupo1 y Grupo 2, i se presenta elelemento en G , j es el Punto de elemento del grupo G , Best es la mejor solución ypresenta el valor medio de los mejores puntos. Mientras que R y V son dos números aleatorios producidos alrededor de cero, como entre (-1, 1), R representa el grado de reflexión, V representa el grado de visibilidad de la vista final del patrón, upperLimit y lowerLimit son el límite superior y el límite inferior del dominio del problema.
Algoritmo de abejas distribuidas heterogéneas (Tkach et al., 2013)
El algoritmo de abejas distribuidas heterogéneas (HDBA) también conocido como el algoritmo de abejas distribuidas modificado (MDBA) es un algoritmo metaheurístico de agentes múltiples introducido inicialmente por Tkach y sus compañeros de trabajo en 2013, [53] [54] desarrollado como parte de su doctorado disertación. La HDBA utiliza una técnica probabilística que se inspira en el comportamiento de búsqueda de alimento de las abejas. Permite resolver problemas de optimización combinatoria con múltiples agentes heterogéneos que poseen diferentes capacidades y rendimientos. El mecanismo de toma de decisiones final utiliza una regla de selección de rueda, donde cada agente tiene una probabilidad con la que selecciona una solución. Se aplicó por primera vez para el caso de sensores heterogéneos en problemas de reconocimiento de objetivos para mejorar el rendimiento del sistema al correlacionar la función de utilidad de los sensores con el valor de sus rendimientos. Posteriormente, se aplicó con éxito a otros problemas, incluido el problema de la asignación de agentes de policía a los incidentes delictivos y la producción de soluciones casi óptimas al problema del viajante de comercio.
Algoritmo de ecosistema artificial (Baczyński, 2013)
El algoritmo de ecosistema artificial (AEA) es un método de optimización probabilística inspirado en algunos fenómenos que tienen lugar en los ecosistemas naturales. Las relaciones entre individuos se modelan tanto por sus relaciones mutuas dentro de un solo grupo como por las relaciones entre individuos que pertenecen a diferentes grupos, coexistiendo como parte del sistema ecológico. Hay tres tipos principales de organismos: plantas, herbívoros y depredadores. Todos los tipos de organismos se reproducen (cruzan y mutan) dentro de su propia especie. Como método, incluye algunos algoritmos evolutivos y elementos PSO con extensiones adicionales. Es un método bastante complicado, pero ha demostrado ser capaz de resolver problemas de optimización tanto continua como combinatoria. [55]
Algoritmo de optimización SDA (Vinod Chandra, 2014)
Optimización del agente de detección del olfato (SDA) [56] El algoritmo es un algoritmo bioinspirado del comportamiento canino entrenado de los rastros del olfato. Se puede desarrollar un algoritmo que adapte el proceso natural de 'olfateo o detección de rastros de olor para resolver los problemas de optimización de la ruta más corta. El problema a resolver se considera una superficie con rastros de olor y se utilizan agentes computacionales inspirados en caninos para detectar un camino optimizado, que constituirá la solución. Este algoritmo se amplía en la parte superior de la técnica de búsqueda de ruta más corta.
Optimización del grupo cooperativo (2014)
El sistema de optimización de grupo cooperativo (CGO) [57] [58] es un marco metaheurístico para implementar instancias de algoritmos mediante la integración de las ventajas del grupo cooperativo y el diseño de la cartera de algoritmos de bajo nivel. Siguiendo el paradigma inspirado en la naturaleza de un grupo cooperativo, los agentes no solo exploran de manera paralela con su memoria individual, sino que también cooperan con sus pares a través de la memoria grupal. Cada agente tiene una cartera de heurísticas de búsqueda integradas (heterogéneas) (ESH), en las que cada ESH puede llevar al grupo a un caso de CGO independiente, y los casos de CGO híbridos en un espacio algorítmico se pueden definir mediante una búsqueda cooperativa de bajo nivel entre una cartera de algoritmos (de ESH) a través del uso compartido de memoria personalizado. El proceso de optimización también podría ser facilitado por un líder de grupo pasivo mediante la codificación de conocimientos en el panorama de búsqueda. Se ha aplicado en problemas de optimización tanto numéricos como combinatorios.
Inteligencia de enjambre artificial (Rosenberg, 2014)
La inteligencia artificial enjambre se refiere a un sistema de circuito cerrado en tiempo real de usuarios humanos conectados a través de Internet y estructurado en un marco modelado a partir de enjambres naturales, de modo que evoca la sabiduría colectiva del grupo como una inteligencia emergente unificada. [59] [60] De esta manera, los enjambres humanos pueden responder preguntas, hacer predicciones, tomar decisiones y resolver problemas explorando colectivamente un conjunto diverso de opciones y convergiendo en las soluciones preferidas en sincronía. Inventado por el Dr. Louis Rosenberg en 2014, la metodología ASI se ha vuelto notable por su capacidad para realizar predicciones colectivas precisas que superan a los miembros individuales del enjambre. [61] En 2016, un periodista desafió a una inteligencia artificial de enjambre de IA Unánime a predecir los ganadores del Derby de Kentucky , y eligió con éxito los primeros cuatro caballos, en orden, superando las probabilidades de 540 a 1. [62] [63]
Optimización de cuerpos en colisión (Kaveh y Mahdavi, 2014)
El algoritmo de optimización de cuerpos en colisión (CBO) [64] fue creado por Kaveh y Mahdavi en 2014 basándose en las leyes del impulso y la energía. Este algoritmo no depende de ningún parámetro interno y además es sumamente sencillo de implementar y utilizar y se utiliza en diferentes tipos de problemas de ingeniería. [sesenta y cinco]
Algoritmo de duelista (Biyanto, 2016)
El algoritmo Duelist se refiere a un algoritmo de optimización basado en genes similar a los algoritmos genéticos . El algoritmo de duelista comienza con un conjunto inicial de duelistas. El duelo es para determinar el ganador y el perdedor. El perdedor aprende del ganador, mientras que el ganador prueba su nueva habilidad o técnica que puede mejorar sus capacidades de lucha. Algunos duelistas con mayor capacidad de combate son llamados campeones. El campeón entrena a un nuevo duelista como sus capacidades. El nuevo duelista se unirá al torneo como representante de cada campeón. Todos los duelistas son reevaluados, y los duelistas con peores capacidades de combate son eliminados para mantener la cantidad de duelistas. [66]
Optimización de los halcones de Harris (Heidari et al., 2019)
El optimizador de halcones de Harris (HHO) inspira las estrategias de caza del halcón de Harris y los patrones de escape de los conejos en la naturaleza . [67]
Algoritmo de ballena asesina (Biyanto, 2016)
El algoritmo Killer Whale es un algoritmo inspirado en Killer Whale Life. La filosofía del algoritmo son los patrones de movimiento de la ballena asesina en la caza de presas y la estructura social de la ballena asesina. La novedad de este algoritmo es incorporar la " capacidad de memorización " de Killer Whale en el algoritmo. [68]
Algoritmo de optimización de la Copa del Mundo (Razmjooy et al. 2016)
Este algoritmo es un nuevo algoritmo metaheurístico que se inspira en el comportamiento competitivo de países de todo el mundo para conseguir la medalla de oro final de las competiciones de la copa mundial de la FIFA. El algoritmo se basa en diferentes equipos que se colocan en diferentes grupos para competir entre sí y mejorar sus filas. El juego fuera del escenario también se utiliza como una segunda oportunidad de los equipos más débiles para las competiciones. [69]
Algoritmo de agua de lluvia (Biyanto, 2017)
" Los movimientos físicos de las gotas de lluvia utilizando el movimiento de la Ley de Newton " inspiraron a los autores a crear este algoritmo. Cada gota de lluvia representa valores aleatorios de variables optimizadas que varían en masa y elevación. Caerá al suelo siguiendo " el movimiento de caída libre " con la velocidad es la raíz cuadrada de la elevación del tiempo de aceleración de la gravedad. El siguiente movimiento es un "movimiento uniformemente acelerado " a lo largo del recorrido de la gota de lluvia para alcanzar el lugar más bajo del suelo. El lugar más bajo del suelo es una función objetiva de este algoritmo. [70]
Algoritmo de balances de masa y energía (Biyanto, 2018)
El equilibrio de masa y energía es una " ley de la física " fundamental que establece que la masa no se puede producir ni destruir. Solo se conserva. Igualmente fundamental es la ley de conservación de la energía. Aunque la energía puede cambiar de forma, no se puede crear ni destruir también. La belleza de este algoritmo es la capacidad de alcanzar la solución óptima global al trabajar simultáneamente " minimizar y maximizar el método de búsqueda ".
Algoritmo del ciclo hidrológico (Wedyan et al., 2017)
Se propone un nuevo algoritmo de optimización inspirado en la naturaleza llamado algoritmo de ciclo hidrológico (HCA) basado en el movimiento continuo del agua en la naturaleza. En el HCA, una colección de gotas de agua pasa por varias etapas del ciclo hidrológico del agua, como flujo, evaporación, condensación y precipitación. Cada etapa juega un papel importante a la hora de generar soluciones y evitar una convergencia prematura. El HCA comparte información mediante comunicación directa e indirecta entre las gotas de agua, lo que mejora la calidad de la solución. HCA proporciona un enfoque alternativo para abordar varios tipos de problemas de optimización, así como un marco general para los algoritmos de partículas a base de agua en general. [71]
Colonia de pingüinos emperador (Harifi et al., 2019)
Este algoritmo es un nuevo algoritmo metaheurístico que se inspira en el comportamiento de los pingüinos emperador que viven en la Antártida. El CPE está controlado por la radiación de calor corporal de los pingüinos y su movimiento en espiral en su colonia. Los pingüinos emperador de la colonia buscan crear el calor adecuado y regular su temperatura corporal, y este calor está completamente coordinado y controlado por el movimiento de los pingüinos. [72]
Algoritmo de equilibrio de momento (MBA) (Biyanto et al., 2019)
El equilibrio del momento es una de las tres "leyes físicas" fundamentales que establecen que la masa, la energía y el momento sólo se conservan. La utilización del equilibrio de impulso se ha propuesto en muchas aplicaciones. [73] [74] [75]
En esta investigación, se adoptó el balance de momento para obtener la colisión perfectamente elástica. En una colisión ideal, perfectamente elástica, no hay pérdidas de energía cinética en otras formas como energía potencial, calor y ruido. La belleza de este algoritmo es tan simple como los algoritmos de optimización deterministas, sin embargo, el algoritmo de equilibrio de impulso tiene la capacidad de alcanzar la solución óptima global.
Algoritmo de optimización de pastor aleatorio (SSOA) (Kaveh y Zaerreza, 2020)
Este método es un nuevo algoritmo de optimización meta-heurística de múltiples comunidades. En este algoritmo, los agentes se separan primero en comunidades múltiples y luego se realiza el proceso de optimización imitando el comportamiento de un pastor en la naturaleza que opera en cada comunidad. [76]
Un algoritmo de optimización de mayfly (MA) (Zervoudakis & Tsafarakis, 2020)
El algoritmo de optimización de efímeras fue desarrollado para abordar problemas de optimización tanto continuos como discretos y está inspirado en el comportamiento de vuelo y el proceso de apareamiento de efímeras. Los procesos de danza nupcial y vuelo aleatorio mejoran el equilibrio entre las propiedades de exploración y explotación del algoritmo y ayudan a escapar de los óptimos locales. El rendimiento del algoritmo mayfly es superior al de otras metaheurísticas populares como PSO, DE, GA y FA, en términos de tasa de convergencia y velocidad de convergencia. [77]
Optimizador político (PO) (Qamar Askari, Irfan Younas y Mehreen Saeed, 2020)
Political Optimizer (PO) es un algoritmo basado en el comportamiento social humano inspirado en un sistema político multipartidista. La fuente de inspiración se formula como un conjunto de 5 fases: formación de partidos y asignación de distritos electorales, cambio de partido, campaña electoral, elección entre partidos y asuntos parlamentarios. PO tiene dos características únicas: división lógica de la población para asignar una función dual a cada solución candidata y estrategia de actualización de puestos basada en el pasado reciente (RPPUS). PO demuestra un rendimiento excelente frente a 15 metaheurísticas conocidas para 50 funciones de referencia unimodales y multimodales y 4 problemas de ingeniería. [78]
Optimizador basado en montón (HBO) (Qamar Askari, Mehreen Saeed, Irfan Younas, 2020)
HBO es una metaheurística basada en el comportamiento social humano inspirada en la jerarquía de rango corporativo y la interacción entre los empleados dispuestos en la jerarquía. La singularidad de HBO es la utilización de la estructura de datos del montón para modelar la disposición jerárquica de los empleados y la introducción de un parámetro (γ) para incorporar alternativamente la exploración y la explotación. Además, tres ecuaciones derivadas para tres fases de HBO se fusionan probabilísticamente para equilibrar la exploración y la explotación. HBO demuestra un rendimiento tremendo para 97 puntos de referencia y 3 problemas de ingeniería mecánica. [79]
Algoritmo de investigación forense (FBI) (JS Chou y NM Nguyen, 2020)
La principal motivación para desarrollar un nuevo algoritmo es su capacidad para resolver de manera eficaz y eficiente varios problemas de optimización. Se desarrolla un nuevo método de optimización, el algoritmo de investigación forense (FBI), para determinar soluciones globales para funciones continuas no lineales con bajo esfuerzo computacional y alta precisión. El FBI se inspira en el proceso de investigación, ubicación y persecución de los agentes de policía. Características principales del FBI: (1) FBI es un algoritmo de optimización sin parámetros; (2) el FBI superó notablemente a los algoritmos bien conocidos y desarrollados recientemente; (3) el FBI tiene poco tiempo de cálculo y rápidamente alcanza las soluciones óptimas para resolver problemas; (4) el FBI es eficaz para resolver problemas de gran dimensión (D = 1000); y (5) la estructura del FBI tiene dos equipos que equilibran bien la exploración y la explotación.
Los detalles se pueden encontrar en: Chou JS, Nguyen NM, meta-optimización inspirada en el FBI, Applied Soft Computing, 2020: 106339, ISSN 1568-4946, https://doi.org/10.1016/j.asoc.2020.106339 [80]
Búsqueda de medusas (JS) (JS Chou y DN Truong, 2021)
Jellyfish Search (JS) Optimizer está inspirado en el comportamiento de las medusas en el océano. La simulación del comportamiento de búsqueda de las medusas implica que sigan la corriente del océano, sus movimientos dentro de un enjambre de medusas (movimientos activos y movimientos pasivos), un mecanismo de control de tiempo para cambiar entre estos movimientos y sus convergencias en la floración de medusas. El nuevo algoritmo se ha probado con éxito en funciones de referencia y problemas de optimización. En particular, JS tiene solo dos parámetros de control, que son el tamaño de la población y el número de iteraciones. Por lo tanto, JS es muy simple de usar y potencialmente un excelente algoritmo metaheurístico para resolver problemas de optimización. [81]
Golden Eagle Optimizer (GEO) (Mohammadi-Balani et al., 2020)
Golden Eagle Optimizer (GEO) es un algoritmo metaheurístico inspirado en la naturaleza de inteligencia de enjambre basado en la población, que se basa en el comportamiento de caza de las águilas reales . El algoritmo modela este comportamiento dividiendo el vector de velocidad de las águilas reales en componentes: a) vector de ataque yb) vector de crucero. El vector de ataque para cada águila real (agente de búsqueda) comienza en la posición actual del águila real y termina en la ubicación de la presa en la memoria de cada águila real. La presa de cada águila real es el mejor lugar que ha visitado hasta ahora. Las águilas reales rodean a la presa en hipotéticas hiperesferas. El vector de crucero es un vector tangente a la hipotética hiperesfera para cada águila real. El artículo original contiene versiones del algoritmo con un solo objetivo y con varios objetivos. [82] El código fuente, la caja de herramientas y la interfaz gráfica de usuario para Golden Eagle Optimizer (GEO) y Multi-Objective Golden Eagle Optimizer (MOGEO) también se desarrollan para MATLAB. [83]
Crítica a la metodología de la metáfora
Mientras que las metaheurísticas inspiradas en metáforas individuales han producido soluciones notablemente efectivas a problemas específicos, [84] las metaheurísticas inspiradas en metáforas en general han atraído críticas en la comunidad investigadora por ocultar su falta de efectividad o novedad detrás de una metáfora elaborada. [84] [85] Kenneth Sörensen señaló que: [86]
En los últimos años, el campo de la optimización combinatoria ha sido testigo de un verdadero tsunami de métodos metaheurísticos "novedosos", la mayoría de ellos basados en una metáfora de algún proceso natural o creado por el hombre. El comportamiento de prácticamente cualquier especie de insectos, el flujo del agua, los músicos tocando juntos, parece que ninguna idea es demasiado descabellada para servir de inspiración para lanzar otra metaheurística. [Yo] argumentaré que esta línea de investigación amenaza con alejar el área de las metaheurísticas del rigor científico.
Sörensen y Glover declararon que: [87]
Un gran (y creciente) número de publicaciones se centra en el desarrollo de (supuestamente) nuevos marcos metaheurísticos basados en metáforas. La lista de procesos naturales o artificiales que se ha utilizado como base para un marco metaheurístico ahora incluye procesos tan diversos como búsqueda de bacterias, formación de ríos , biogeografía, músicos tocando juntos, electromagnetismo, gravedad , colonización por un imperio , explosiones de minas, campeonatos de liga, nubes, etc. Una subcategoría importante se encuentra en las metaheurísticas basadas en el comportamiento animal. Se han utilizado hormigas , abejas, murciélagos , lobos, gatos, luciérnagas , águilas, delfines, ranas , salmones, buitres, termitas, moscas y muchos otros para inspirar una metaheurística "novedosa". [...] Como regla general, la publicación de artículos sobre metaheurísticas basadas en metáforas se ha limitado a revistas y conferencias de segundo nivel, pero se pueden encontrar algunas excepciones recientes a esta regla. Sörensen (2013) afirma que la investigación en esta dirección es fundamentalmente defectuosa. Más importante aún, el autor sostiene que la novedad de la metáfora subyacente no convierte automáticamente el marco resultante en "novedoso". Por el contrario, existe una creciente evidencia de que muy pocos de los métodos basados en metáforas son nuevos en algún sentido interesante.
En respuesta, Springer 's Journal of Heuristics ha actualizado su política editorial para afirmar que: [88]
Proponer nuevos paradigmas solo es aceptable si contienen ideas básicas innovadoras, como las que están integradas en marcos clásicos como algoritmos genéticos , búsqueda tabú y recocido simulado . El Journal of Heuristics evita la publicación de artículos que reagrupan e incorporan viejas ideas en métodos que, según se afirma, se basan en metáforas de sistemas y procesos naturales o artificiales. Estos métodos llamados "novedosos" emplean analogías que van desde gotas de agua inteligentes , músicos tocando jazz, sociedades imperialistas , saltamontes , canguros, todo tipo de enjambres e insectos e incluso procesos de explosión de minas (Sörensen, 2013). Si un investigador utiliza una metáfora para estimular sus propias ideas sobre un nuevo método, el método debe, no obstante, traducirse a un lenguaje libre de metáforas, de modo que las estrategias empleadas puedan entenderse claramente y su novedad se haga claramente visible. (Consulte los puntos 2 y 3 a continuación). Las metáforas son baratas y fáciles de conseguir. Su uso para "vestir de ventana" un método no es aceptable ".
[...] Las implementaciones deben explicarse empleando terminología de optimización estándar, donde una solución se llama una "solución" y no algo más relacionado con alguna metáfora oscura (por ejemplo, armonía, moscas , murciélagos , países , etc.).
[...] El Journal of Heuristics respalda plenamente la opinión de Sörensen de que los métodos “novedosos” basados en metáforas no deben publicarse si no pueden demostrar una contribución a su campo. Cambiar el nombre de los conceptos existentes no cuenta como contribución. Aunque estos métodos a menudo se denominan “novedosos”, muchos no presentan ideas nuevas, excepto por la variante marginal ocasional de una metodología ya existente. Estos métodos no deberían ocupar el espacio de la revista de ideas e investigaciones verdaderamente innovadoras. Dado que no utilizan el vocabulario de optimización estándar, son innecesariamente difíciles de entender.
La política de la revista de Springer 4OR - A Quarterly Journal of Operations Research establece que: [89]
El énfasis en el rigor científico y en la innovación implica, en particular, que la revista no publica artículos que simplemente propongan variantes encubiertas de métodos conocidos sin una validación adecuada (por ejemplo, metaheurísticas que se afirman que son "efectivas" sobre la base única de comparaciones metafóricas). con sistemas y procesos naturales o artificiales). Los nuevos métodos deben presentarse en un lenguaje libre de metáforas estableciendo su relación con los paradigmas clásicos. Sus propiedades deben establecerse sobre la base de argumentos científicamente convincentes: pruebas matemáticas, experimentos controlados, comparaciones objetivas, etc.
Ver también
- Inteligencia de enjambre # Algoritmos
Notas
- ^ Colorni, Alberto; Dorigo, Marco; Maniezzo, Vittorio (1992). "Optimización distribuida por colonias de hormigas" . En Varela, Francisco J .; Bourgine, Paul (eds.). Hacia una práctica de sistemas autónomos: Actas de la Primera Conferencia Europea sobre Vida Artificial . págs. 134–42. ISBN 978-0-262-72019-9.
- ^ M. Dorigo, Optimización, aprendizaje y algoritmos naturales , tesis doctoral, Politecnico di Milano, Italia, 1992. [ página necesaria ]
- ^ Zlochin, Mark; Birattari, Mauro; Meuleau, Nicolas; Dorigo, Marco (2004). "Búsqueda basada en modelos para la optimización combinatoria: una encuesta crítica". Anales de investigación operativa . 131 (1–4): 373–95. CiteSeerX 10.1.1.3.427 . doi : 10.1023 / B: ANOR.0000039526.52305.af . S2CID 63137 .
- ^ Kennedy, J .; Eberhart, R. (1995). "Optimización de Enjambre de partículas". Actas de ICNN'95 - Conferencia internacional sobre redes neuronales . 4 . págs. 1942–8. CiteSeerX 10.1.1.709.6654 . doi : 10.1109 / ICNN.1995.488968 . ISBN 978-0-7803-2768-9. S2CID 7367791 .
- ^ Shi, Y .; Eberhart, R. (1998). "Un optimizador de enjambre de partículas modificado". 1998 IEEE International Conference on Evolutionary Computation Proceedings. Congreso Mundial IEEE sobre Inteligencia Computacional (Cat. No.98TH8360) . págs. 69–73. doi : 10.1109 / ICEC.1998.699146 . ISBN 978-0-7803-4869-1. S2CID 16708577 .
- ^ Kennedy, J. (1997). "El enjambre de partículas: adaptación social del conocimiento". Actas de la Conferencia Internacional IEEE de 1997 sobre Computación Evolutiva (ICEC '97) . págs. 303–8. doi : 10.1109 / ICEC.1997.592326 . ISBN 978-0-7803-3949-1. S2CID 61487376 .
- ^ Kennedy, J .; Eberhart, RC (2001). Inteligencia de enjambre . Morgan Kaufmann. ISBN 978-1-55860-595-4.
- ^ Poli, R. (2007). "Un análisis de publicaciones sobre aplicaciones de optimización de enjambres de partículas" (PDF) . Informe técnico CSM-469 . Departamento de Ciencias de la Computación, Universidad de Essex, Reino Unido. Archivado desde el original (PDF) el 16 de julio de 2011 . Consultado el 31 de agosto de 2016 .
- ^ Poli, Riccardo (2008). "Análisis de las publicaciones sobre las aplicaciones de la optimización del enjambre de partículas" . Revista de Evolución y Aplicaciones Artificiales . 2008 : 1–10. doi : 10.1155 / 2008/685175 .
- ^ Bonyadi, Mohammad Reza; Michalewicz, Zbigniew (2017). "Optimización del enjambre de partículas para problemas de espacio continuo de un solo objetivo: una revisión". Computación evolutiva . 25 (1): 1–54. doi : 10.1162 / EVCO_r_00180 . PMID 26953883 . S2CID 8783143 .
- ^ Zong Woo Geem; Joong Hoon Kim; Loganathan, GV (2016). "Un nuevo algoritmo de optimización heurística: búsqueda de armonía". Simulación . 76 (2): 60–8. doi : 10.1177 / 003754970107600201 . S2CID 20076748 .
- ^ Weyland, Dennis (2015). "Un análisis crítico del algoritmo de búsqueda de armonía: cómo no resolver sudoku" . Perspectivas de la investigación operativa . 2 : 97-105. doi : 10.1016 / j.orp.2015.04.001 .
- ^ Saka, M. (2016). "Metaheurística en optimización estructural y discusiones sobre algoritmo de búsqueda de armonía". Computación enjambre y evolutiva . 28 : 88–97. doi : 10.1016 / j.swevo.2016.01.005 .
- ^ Geem, Zong Woo (2006). "Diseño de costos óptimos de redes de distribución de agua mediante búsqueda de armonía". Optimización de ingeniería . 38 (3): 259–277. doi : 10.1080 / 03052150500467430 . S2CID 18614329 .
- ^ Gholizadeh, S .; Barzegar, A. (2013). "Optimización de formas de estructuras para restricciones de frecuencia mediante algoritmo de búsqueda de armonía secuencial". Optimización de ingeniería . 45 (6): 627. Bibcode : 2013EnOp ... 45..627G . doi : 10.1080 / 0305215X.2012.704028 . S2CID 123589002 .
- ^ Caramba, Zong Woo; Lee, Kang Seok; Park, Yongjin (2005). "Aplicación de Harmony Search al enrutamiento de vehículos" . Revista estadounidense de ciencias aplicadas . 2 (12): 1552. doi : 10.3844 / ajassp.2005.1552.1557 .
- ^ Wang, Ling; Li, Ling-po (2013). "Un algoritmo de búsqueda de armonía diferencial eficaz para la resolución de problemas de despacho de cargas económicas no convexas". Revista Internacional de Energía Eléctrica y Sistemas Energéticos . 44 : 832–843. doi : 10.1016 / j.ijepes.2012.08.021 .
- ^ Nekooei, Komail; Farsangi, Malihe M .; Nezamabadi-Pour, Hossein; Lee, Kwang Y. (2013). "Una búsqueda de armonía multiobjetivo mejorada para la colocación óptima de GD en sistemas de distribución". Transacciones IEEE en Smart Grid . 4 : 557–567. doi : 10.1109 / TSG.2012.2237420 . S2CID 12988437 .
- ^ Hadwan, Mohammed; Ayob, Masri; Sabar, Nasser R .; Qu, Roug (2013). "Un algoritmo de búsqueda de armonía para problemas de lista de enfermeras". Ciencias de la información . 233 : 126-140. CiteSeerX 10.1.1.298.6805 . doi : 10.1016 / j.ins.2012.12.025 .
- ^ Hoang, Duc Chinh; Yadav, Parikshit; Kumar, Rajesh; Panda, Sanjib Kumar (2014). "Implementación en tiempo real de un protocolo de agrupación basado en algoritmos de búsqueda de armonía para redes de sensores inalámbricos energéticamente eficientes". Transacciones IEEE sobre informática industrial . 10 : 774–783. doi : 10.1109 / TII.2013.2273739 . S2CID 3731612 .
- ^ Ren Diao; Qiang Shen (2012). "Selección de funciones con búsqueda de armonía". Transacciones IEEE sobre sistemas, hombre y cibernética - Parte B: Cibernética . 42 (6): 1509–23. doi : 10.1109 / TSMCB.2012.2193613 . PMID 22645272 . S2CID 206794122 .
- ^ Fattahi, Hadi; Gholami, Amin; Amiribakhtiar, Mohammad Sadegh; Moradi, Siyamak (2014). "Estimación de la precipitación de asfaltenos a partir de datos de titulación: una regresión de vector de soporte híbrido con búsqueda de armonía". Computación neuronal y aplicaciones . 26 (4): 789. doi : 10.1007 / s00521-014-1766-y . S2CID 16208680 .
- ^ "Algoritmo de búsqueda de armonía" .
- ^ Manjarres, D .; Landa-Torres, I .; Gil-Lopez, S .; Del Ser, J .; Bilbao, MN; Salcedo-Sanz, S .; Geem, ZW (2013). "Una encuesta sobre aplicaciones del algoritmo de búsqueda de armonía". Aplicaciones de ingeniería de la inteligencia artificial . 26 (8): 1818. doi : 10.1016 / j.engappai.2013.05.008 .
- ^ Assif Assad; Profundo, Kusum (2016). "Aplicaciones del algoritmo de búsqueda de armonía en minería de datos: una encuesta". Actas de la Quinta Conferencia Internacional sobre Soft Computing para la resolución de problemas . Avances en Computación y Sistemas Inteligentes. 437 . págs. 863–74. doi : 10.1007 / 978-981-10-0451-3_77 . ISBN 978-981-10-0450-6.
- ^ Karaboga, Dervis (2010). "Algoritmo de colonia de abejas artificial" . Scholarpedia . 5 (3): 6915. Bibcode : 2010SchpJ ... 5.6915K . doi : 10.4249 / scholarpedia.6915 .
- ^ Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S y Zaidi M. El algoritmo de las abejas. Nota técnica, Centro de ingeniería de fabricación, Universidad de Cardiff, Reino Unido, 2005. [ página necesaria ]
- ^ Pham, DT; Castellani, M (2009). "El algoritmo de las abejas: modelado del comportamiento de alimentación para resolver problemas de optimización continua". Actas de la Institución de Ingenieros Mecánicos, Parte C: Revista de Ciencias de la Ingeniería Mecánica . 223 (12): 2919. doi : 10.1243 / 09544062jmes1494 . S2CID 111315200 .
- ^ Krishnanand, KN; Ghose, D. (2005). "Detección de múltiples ubicaciones de origen utilizando una metáfora de luciérnagas con aplicaciones a la robótica colectiva". Proceedings 2005 IEEE Swarm Intelligence Symposium, 2005. SIS 2005 . págs. 84–91. doi : 10.1109 / SIS.2005.1501606 . ISBN 978-0-7803-8916-8. S2CID 17016908 .
- ^ Eusuff, Muzaffar; Lansey, Kevin; Pasha, Fayzul (2006). "Algoritmo de salto de rana barajado: una meta-heurística memética para la optimización discreta". Optimización de ingeniería . 38 (2): 129. doi : 10.1080 / 03052150500384759 . S2CID 18117277 .
- ^ Chu, Shu-Chuan; Tsai, Pei-wei; Pan, Jeng-Shyang (2006). "Optimización del enjambre de gatos". PRICAI 2006: Tendencias en Inteligencia Artificial . PRICAI 2006: Tendencias en Inteligencia Artificial, IX Congreso Internacional de Inteligencia Artificial de la Cuenca del Pacífico. Apuntes de conferencias en informática. 4099 . Guilin, China. págs. 854–858. doi : 10.1007 / 11801603_94 . ISBN 978-3-540-36667-6.
- ^ a b c Atashpaz-Gargari, Esmaeil; Lucas, Caro (2007). "Algoritmo competitivo imperialista: un algoritmo de optimización inspirado en la competencia imperialista". 2007 Congreso IEEE sobre Computación Evolutiva . págs. 4661–7. doi : 10.1109 / CEC.2007.4425083 . ISBN 978-1-4244-1339-3. S2CID 2736579 .
- ^ a b Hosseini, Seyedmohsen; Al Khaled, Abdullah (2014). "Una encuesta sobre la metaheurística del algoritmo competitivo imperialista: implementación en el dominio de la ingeniería y direcciones para futuras investigaciones". Soft Computing aplicado . 24 : 1078–1094. doi : 10.1016 / j.asoc.2014.08.024 .
- ^ a b Nazari-Shirkouhi, S .; Eivazy, H .; Ghodsi, R .; Rezaie, K .; Atashpaz-Gargari, E. (2010). "Resolver el problema de la subcontratación de mezcla de productos integrados utilizando el algoritmo competitivo imperialista". Sistemas expertos con aplicaciones . 37 (12): 7615. doi : 10.1016 / j.eswa.2010.04.081 .
- ^ Akl, Selim G .; Calude, Cristian S .; Dinneen, Michael J .; Rozenberg, Grzegorz; Todd Wareham, H. (2007). Computación no convencional . Apuntes de conferencias en informática. 4618 . arXiv : 0711.2964 . doi : 10.1007 / 978-3-540-73554-0 . ISBN 978-3-540-73553-3.
- ^ Rabanal, Pablo; Rodríguez, Ismael; Rubio, Fernando (2009). "Aplicación de la dinámica de la formación del río para resolver problemas NP-Complete". Algoritmos inspirados en la naturaleza para la optimización . Estudios en Inteligencia Computacional. 193 . págs. 333–68. doi : 10.1007 / 978-3-642-00267-0_12 . ISBN 978-3-642-00266-3.
- ^ Amin, Saman Hameed; Al-Raweshidy, HS; Abbas, Rafed Sabbar (2014). "Protocolo de enrutamiento ad hoc de paquetes de datos inteligentes". Redes informáticas . 62 : 162-181. doi : 10.1016 / j.bjp.2013.11.015 .
- ^ Redlarski, Grzegorz; Pałkowski, Aleksander; Dąbkowski, Mariusz (2013). "Uso del algoritmo de dinámica de formación de ríos en la navegación de robots móviles". Fenómenos del estado sólido . 198 : 138-143. doi : 10.4028 / www.scientific.net / SSP.198.138 . S2CID 137020536 .
- ^ Rabanal, Pablo; Rodríguez, Ismael; Rubio, Fernando (2017). "Aplicaciones de la dinámica de formación de ríos". Revista de Ciencias Computacionales . 22 : 26–35. doi : 10.1016 / j.jocs.2017.08.002 .
- ^ Hosseini, Hamed Shah (2009). "El algoritmo inteligente de gotas de agua: un algoritmo de optimización basado en enjambres inspirado en la naturaleza". Revista internacional de computación bioinspirada . 1 : 71. doi : 10.1504 / ijbic.2009.022775 .
- ^ Rashedi, Esmat; Nezamabadi-Pour, Hossein; Saryazdi, Saeid (2009). "GSA: un algoritmo de búsqueda gravitacional". Ciencias de la información . 179 (13): 2232. doi : 10.1016 / j.ins.2009.03.004 .
- ^ Rashedi, Nezamabadi-pour y Saryazdi 2009
- ^ Hassanzadeh, Hamid Reza; Rouhani, Modjtaba (2010). "Un algoritmo de búsqueda gravitacional multiobjetivo". 2010 2º Congreso Internacional de Inteligencia Computacional, Sistemas y Redes de Comunicaciones . págs. 7-12. doi : 10.1109 / CICSyN.2010.32 . ISBN 978-1-4244-7837-8.
- ^ Yang, Xin-She; Suash Deb (2009). "Búsqueda de cuco vía vuelos de Lévy". Congreso Mundial de 2009 sobre la Naturaleza y la Computación de Inspiración Biológica (NaBIC) . págs. 210–4. doi : 10.1109 / NABIC.2009.5393690 . ISBN 978-1-4244-5053-4. S2CID 206491725 .
- ^ Inderscience (27 de mayo de 2010). "Diseños de cuco en primavera" . Alphagalileo.org . Consultado el 27 de mayo de 2010 .
- ^ Yang, Xin-She (2010). "Un nuevo algoritmo inspirado en murciélagos metaheurísticos". Estrategias cooperativas inspiradas en la naturaleza para la optimización (NICSO 2010) . Estudios en Inteligencia Computacional. 284 . págs. 65–74. CiteSeerX 10.1.1.761.2708 . doi : 10.1007 / 978-3-642-12538-6_6 . ISBN 978-3-642-12537-9. S2CID 14494281 .
- ^ Tamura, Kenichi; Yasuda, Keiichiro (2016). "Algoritmo de optimización en espiral utilizando direcciones de descenso periódicas" . Revista SICE de Control, Medición e Integración de Sistemas . 9 (3): 134–43. Código bibliográfico : 2016JCMSI ... 9..134T . doi : 10.9746 / jcmsi.9.134 .
- ^ Yang, Xin-She (2012). "Algoritmo de polinización de flores para la optimización global". Computación no convencional y computación natural . Apuntes de conferencias en informática. 7445 . págs. 240–9. CiteSeerX 10.1.1.747.9556 . doi : 10.1007 / 978-3-642-32894-7_27 . ISBN 978-3-642-32893-0. S2CID 8021636 .
- ^ Pavlyukevich, Ilya (2007). "Vuelos Lévy, búsqueda no local y recocido simulado". Revista de Física Computacional . 226 (2): 1830–1844. arXiv : cond-mat / 0701653 . Código Bibliográfico : 2007JCoPh.226.1830P . doi : 10.1016 / j.jcp.2007.06.008 . S2CID 7368994 .
- ^ XS Yang, algoritmos de optimización inspirados en la naturaleza, Elsevier, (2014). [ página necesaria ]
- ^ Eesa, Adel Sabry; Brifcani, Adnan Mohsin Abdulazeez; Orman, Zeynep (septiembre de 2013). "Algoritmo de sepia - un nuevo algoritmo de optimización bioinspirado" . Revista Internacional de Investigación Científica e Ingeniería . 4 (9): 1978–86.
- ^ Eesa, Adel Sabry; Orman, Zeynep; Brifcani, Adnan Mohsin Abdulazeez (2015). "Un enfoque novedoso de selección de características basado en el algoritmo de optimización de la sepia para sistemas de detección de intrusos". Sistemas expertos con aplicaciones . 42 (5): 2670. doi : 10.1016 / j.eswa.2014.11.009 .
- ^ Tkach, I .; Edan, Y .; Jevtic, A .; Nof, SY (octubre de 2013). "Asignación automática de tareas multisensor mediante el algoritmo de abejas distribuidas modificado". Conferencia internacional de IEEE 2013 sobre sistemas, hombre y cibernética : 1401–1406. doi : 10.1109 / SMC.2013.242 . ISBN 978-1-4799-0652-9. S2CID 206569470 .
- ^ Edan, Yael; Nof, Shimon Y .; Jevtić, Aleksandar; Tkach, Itshak (marzo de 2018). "Un algoritmo de abejas distribuidas modificado para la asignación de tareas multisensor" . Sensores . 18 (3): 759. doi : 10.3390 / s18030759 . PMC 5876720 . PMID 29498683 .
- ^ Baczyński Dariusz, "Un nuevo concepto de un algoritmo de ecosistema artificial para problemas de optimización" , CONTROL AND CYBERNETICS, 45, ISSN 0324-8569, pp. 5-36, No. 1
- ^ Chandra SS, Vinod (1 de marzo de 2014). "Resolver la programación integrada de la producción y el problema del transporte ferroviario mediante el algoritmo de Keshtel" . Soft Computing aplicado . 25 (3): 184-203. doi : 10.1016 / j.asoc.2014.09.034 . ISSN 1568-4946 .
- ^ Xie, Xiao-Feng; Liu, J .; Wang, Zun-Jing (2018). "Un sistema de optimización de grupos cooperativos". Computación blanda . 18 (3): 469–495. arXiv : 1808.01342 . doi : 10.1007 / s00500-013-1069-8 . S2CID 5393223 .
- ^ Xie, Xiao-Feng; Wang, Zun-Jing (2018). "Optimización de grupo cooperativo con hormigas (CGO-AS): Optimización de apalancamiento con aprendizaje mixto individual y social". Soft Computing aplicado . 50 : 223-234. arXiv : 1808.00524 . doi : 10.1016 / j.asoc.2016.11.018 . S2CID 205709082 .
- ^ Rosenberg, Louis (12 de febrero de 2016). "Inteligencia artificial enjambre, un enfoque humano en el circuito de la IA" Actas de la 13ª Conferencia Anual AAAI sobre Inteligencia Artificial (AAAI-16) .
- ^ Reese, Hope (22 de enero de 2016). "Cómo la 'inteligencia artificial enjambre' usa a las personas para hacer mejores predicciones que los expertos" .
- ^ Rosenberg, Louis B. (2015). "Enjambre humano, un método en tiempo real para la inteligencia distribuida en paralelo". 2015 Taller de Inteligencia Combinada de Enjambres / Humanos (SHBI) . págs. 1-7. doi : 10.1109 / SHBI.2015.7321685 . ISBN 978-1-4673-6522-2. S2CID 15166767 .
- ^ CUTHBERTSON, ANTHONY (10 de mayo de 2016). "LA INTELIGENCIA ARTIFICIAL CONVIERTE $ 20 EN $ 11.000 EN KENTUCKY DERBY BET (Newsweek)" .
- ^ Ohlheiser, Abby (2 de junio de 2016). "¿Qué sucedió cuando una mente colmena de IA respondió a las candentes preguntas políticas de Reddit (Washington Post)" .
- ^ Kaveh, Ali; Mahdavi, Vahid Reza (2014). "Optimización de cuerpos en colisión: un nuevo método meta-heurístico". Computadoras y Estructuras . 139 : 18-27. doi : 10.1016 / j.compstruc.2014.04.005 .
- ^ Kaveh, Ali; Vazirinia, Yasin (2018). "Optimización de la ubicación de la grúa torre y cantidad de material entre los puntos de oferta y demanda: un estudio comparativo" . Periódica Politécnica de Ingeniería Civil . 62 (3): 732–745. doi : 10.3311 / PPci.11816 .
- ^ Biyanto, Totok Ruki; Fibrianto, Henokh Yernias; Nugroho, Gunawan; Hatta, Agus Muhamad; Listijorini, Erny; Budiati, Titik; Huda, Hairul (2016). "Algoritmo de duelista: un algoritmo inspirado en cómo el duelista mejora sus capacidades en un duelo". Avances en inteligencia de enjambres . Apuntes de conferencias en informática. 9712 . págs. 39–47. arXiv : 1512.00708 . doi : 10.1007 / 978-3-319-41000-5_4 . ISBN 978-3-319-40999-3. S2CID 17915138 .
- ^ Heidari, Ali Asghar; Mirjalili, Seyedali; Faris, Hossam; Aljarah, Ibrahim; Mafarja, Majdi; Chen, Huiling (2019). "Optimización de los halcones de Harris: algoritmos y aplicaciones". Sistemas informáticos de futura generación . 97 : 849–872. doi : 10.1016 / j.future.2019.02.028 . hdl : 10072/384262 . ISSN 0167-739X .
- ^ Biyanto, Totok R; Matradji; Irawan, Sonny; Febrianto, Henokh Y; Afdanny, Naindar; Rahman, Ahmad H; Gunawan, Kevin S; Pratama, Januar AD; Bethiana, Titania N (2017). "Algoritmo de ballena asesina: un algoritmo inspirado en la vida de la ballena asesina" . Procedia Informática . 124 : 151–7. doi : 10.1016 / j.procs.2017.12.141 .
- ^ "Un nuevo algoritmo de optimización metaheurística inspirado en las competiciones de la Copa Mundial de la FIFA: teoría y su aplicación en el diseño de PID para el sistema AVR" .
- ^ Biyanto, TR; Matradji; Syamsi, MN; Fibrianto, HY; Afdanny, N; Rahman, AH; Gunawan, KS; Pratama, JAD; Malwindasari, A; Abdillah, AI; Bethiana, TN; Putra, YA (2017). "Optimización de la eficiencia energética y la conservación en el diseño de edificios verdes utilizando algoritmos Duelist, Killer-Whale y Rain-Water" . Serie de conferencias IOP: Ciencia e ingeniería de materiales . 267 (1): 012036. Bibcode : 2017MS & E..267a2036B . doi : 10.1088 / 1757-899X / 267/1/012036 .
- ^ Wedyan, Ahmad; Whalley, Jacqueline; Narayanan, Ajit (2017). "Algoritmo de ciclo hidrológico para problemas de optimización continua" . Revista de optimización . 2017 : 1–25. doi : 10.1155 / 2017/3828420 .
- ^ Harifi, Sasan; Khalilian, Madjid; Mohammadzadeh, Javad; Ebrahimnejad, Sadoullah (2019). "Colonia de pingüinos emperador: un nuevo algoritmo metaheurístico para la optimización". Inteligencia evolutiva . 12 (2): 211-226. doi : 10.1007 / s12065-019-00212-x . S2CID 86856463 .
- ^ Rawal, A .; Mukhopadhyay, S. (2014). "Fundido de hilado de filamentos poliméricos sintéticos". Avances en Hilado de Filamentos de Textiles y Polímeros . págs. 75–99. doi : 10.1533 / 9780857099174.2.75 . ISBN 9780857094995.
- ^ Zienkiewicz, OC; Taylor, RL; Fox, David (2014). "Un modelo de carcasa no lineal geométricamente exacto". El método de los elementos finitos para la mecánica de sólidos y estructuras . págs. 519–588. doi : 10.1016 / B978-1-85617-634-7.00014-4 . ISBN 9781856176347.
- ^ Wu, Yu-Shu (2016). "Fluido multifásico y flujo de calor acoplado con geomecánica". Flujo de fluido multifásico en yacimientos porosos y fracturados . págs. 265-293. doi : 10.1016 / B978-0-12-803848-2.00011-8 . ISBN 9780128038482.
- ^ Kaveh, Ali; Zaerreza, Ataollah (2020). "Método de optimización de pastor barajado: un nuevo algoritmo metaheurístico". Cálculos de ingeniería . antes de la impresión (antes de la impresión): cabeza de impresión. doi : 10.1108 / EC-10-2019-0481 .
- ^ Zervoudakis, Konstantinos; Tsafarakis, Stelios (2020). "Un algoritmo de optimización de efímeras". Computación e Ingeniería Industrial . antes de la impresión (antes de la impresión): cabeza de impresión. doi : 10.1016 / j.cie.2020.106559 .
- ^ Askari, Qamar; Younas, Irfan; Saeed, Mehreen (2020). "Optimizador político: una novela de inspiración socio-heurística para la optimización global". Sistemas basados en el conocimiento . 195 : 105709. doi : 10.1016 / j.knosys.2020.105709 .
- ^ Askari, Qamar; Saeed, Mehreen; Younas, Irfan (2020). "Optimizador basado en montón inspirado en la jerarquía de rango corporativo para la optimización global". Sistemas expertos con aplicaciones . 161 : 113702. doi : 10.1016 / j.eswa.2020.113702 .
- ^ Chou, Jui-Sheng; Nguyen, Ngoc-Mai (2020). "Meta-optimización inspirada en el FBI" . Soft Computing aplicado . 93 : 106339. doi : 10.1016 / j.asoc.2020.106339 - a través de Elsevier Science Direct.
- ^ Chou, Jui-Sheng; Truong, Dinh-Nhat (2021). "Un optimizador metaheurístico novedoso inspirado en el comportamiento de las medusas en el océano" . Matemática Aplicada y Computación . 389 : 125535. doi : 10.1016 / j.amc.2020.125535 - a través de Elsevier Science Direct.
- ^ Mohammadi-Balani, Abdolkarim; Dehghan Nayeri, Mahmoud; Azar, Adel; Taghizadeh-Yazdi, Mohammadreza (17 de diciembre de 2020). "Golden Eagle Optimizer: un algoritmo metaheurístico inspirado en la naturaleza" . Computación e Ingeniería Industrial . 152 : 107050. doi : 10.1016 / j.cie.2020.107050 . ISSN 0360-8352 .
- ^ "Caja de herramientas Golden Eagle Optimizer" . www.mathworks.com . Consultado el 17 de diciembre de 2020 .
- ↑ a b Alexander Brownlee y John R. Woodward (2015). "Por qué nos enamoramos de los algoritmos inspirados en la naturaleza" . La conversación .
- ^ Jerry Swan, Steven Adriaensen, Mohamed Bishr, Edmund K. Burke, John A. Clark, Patrick De Causmaecker, Juanjo Durillo, Kevin Hammond, Emma Hart, Colin G. Johnson, Zoltan A. Kocsis, Ben Kovitz, Krzysztof Krawiec, Simon Martin, JJ Merelo, Leandro L. Minku, Ender Özcan, Gisele L. Pappa, Erwin Pesch, Pablo Garcáa-Sánchez, Andrea Schaerf, Kevin Sim, Jim E. Smith, Thomas Stützle, Stefan Voß, Stefan Wagner, Xin Yao. "Una agenda de investigación para la estandarización metaheurística" . "Las metáforas a menudo inspiran nuevas metaheurísticas, pero sin rigor matemático, puede ser difícil saber si una nueva metaheurística es realmente distinta de una familiar. Por ejemplo, matemáticamente, 'Búsqueda de armonía' resultó ser una variante simple de ' Estrategias de evolución '"a pesar de que las metáforas que los inspiraron fueron bastante diferentes. Describir formalmente el estado, la representación y los operadores permite distinguir la novedad genuina de las variaciones menores".
- ^ Sörensen, Kenneth (2015). "Metaheurística-la metáfora expuesta". Transacciones internacionales en investigación operativa . 22 : 3-18. CiteSeerX 10.1.1.470.3422 . doi : 10.1111 / itor.12001 .
- ^ Fred Glover y Kenneth Sörensen (ed.). "Metaheurística" . Scholarpedia .
- ^ Revista de políticas heurísticas sobre investigación de búsqueda heurística . Saltador.
- ^ "4OR - incl. Opción de publicar acceso abierto" .
Referencias
- Sörensen, Kenneth; Sevaux, Marc; Glover, Fred (16 de enero de 2017). "Una historia de la metaheurística" (PDF) . En Martí, Rafael; Panos, Pardalos; Resende, Mauricio (eds.). Manual de heurística . Saltador. ISBN 978-3-319-07123-7.
- Sörensen, Kenneth (2015). "Metaheurística-la metáfora expuesta". Transacciones internacionales en investigación operativa . 22 : 3-18. CiteSeerX 10.1.1.470.3422 . doi : 10.1111 / itor.12001 .
- Solitarios, Michael A. (2014). "Metaheurística en algoritmos inspirados en la naturaleza". Actas del compañero de la conferencia de 2014 sobre el compañero de cómputo genético y evolutivo: GECCO Comp '14 . págs. 1419–22. CiteSeerX 10.1.1.699.1825 . doi : 10.1145 / 2598394.2609841 . ISBN 9781450328814. S2CID 14997975 .
- Fister, Iztok; Yang, Xin-She; Fister, Iztok; Brest, Janez; Fister, Dušan (2013). "Una breve revisión de los algoritmos inspirados en la naturaleza para la optimización". Elektrotehniški Vestnik . arXiv : 1307.4186 .
enlaces externos
- Bestiario de computación evolutiva : un relato irónico de todas las metaheurísticas extrañas, incluso extrañas, basadas en metáforas que existen en el amplio mundo de las publicaciones académicas.
- Lista de metaheurísticos de The Science Matrix : una lista completa de algoritmos metaheurísticos. La lista se puede filtrar fácilmente por Nombre, Autor o Año, y proporciona el enlace a la publicación principal de cada algoritmo.