Una comparación de algoritmos evolutivos para la optimización de funciones multimodales
La Computación Evolutiva (CE) ha sido reconocida recientemente como un campo de investigación que estudia un nuevo tipo de algoritmos: los algoritmos evolutivos (AEs). Opuestamente a los enfoques tradicionales que mejoran una única solución, estos algoritmos procesan poblaciones de soluciones y pos...
Guardado en:
| Autores principales: | , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2000
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/23462 |
| Aporte de: |
| Sumario: | La Computación Evolutiva (CE) ha sido reconocida recientemente como un campo de investigación que estudia un nuevo tipo de algoritmos: los algoritmos evolutivos (AEs).
Opuestamente a los enfoques tradicionales que mejoran una única solución, estos algoritmos procesan poblaciones de soluciones y poseen como características comunes la reproducción, la variación aleatoria, la competición y la selección de individuos. Los algoritmos genéticos (AGs) y las estrategias evolutivas (EEs) constituyen hoy los algoritmos evolutivos de mayor uso en el campo de la optimización.
En este trabajo se comparan diferentes técnicas evolutivas para tratar la optimización de dos funciones altamente multimodales. Por un lado se utilizan dos tipos de Algoritmos Genéticos, uno con representación binaria y otro con representación en punto flotante; por otro lado se aplica el concepto de las Estrategias Evolutivas. |
|---|