Comparative Study of the Efficiency and Effectiveness Against the Use of Genetic Algorithms and Swarms
Article Sidebar
Downloads
Article Details
Altmetrics
This work is licensed under a Creative Commons Attribution 4.0 International License.
Se solicita a los autores que diligencien el documento de cesión de derechos de autor sobre el artículo, para que sea posible su edición, publicación y distribución en cualquier medio y modalidad: medios electrónicos, CD ROM, impresos o cualquier otra forma, con fines exclusivamente científicos, educativos y culturales
- La obra pertenece a UNIMINUTO.
- Dada la naturaleza de UNIMINUTO como Institución de Educación Superior, con un modelo universitario innovador para ofrecer Educación de alta calidad, de fácil acceso, integral y flexible; para formar profesionales altamente competentes, éticamente responsables y líderes de procesos de transformación social, EL CEDENTE ha decidido ceder los derechos patrimoniales de su OBRA, que adelante se detalla para que sea explotado por ésta
- El querer de EL CEDENTE es ceder a título gratuito los derechos patrimoniales de la OBRA a UNIMINUTO con fines académicos.
Main Article Content
Abstract
This article focuses on making a comparison between the efficiency and effectiveness of two search techniques with the intention of evaluating the behavior in the adjustment of solutions, they are: genetic algorithms and particle swarm. Both techniques have proven to be effective and their application covers problems in very diverse areas, their structures have proven to be capable of efficiently solving uninformed search problems in complex systems, in addition, they are characterized by their populations of static, preprogrammed and adaptive coefficients. Thus, the main objective is to focus on the two techniques and find which of the two best approximates a set of experimental measurements, as well as analyze the similarities and differences between said optimization techniques. Optimization consists of finding those values in the search space that represent a close solution for a given problem. The initial approach considers the evaluation of a numerical optimization design which serve as a model to determine the behavior, even against traditional adjustment techniques, however, it is not intended to qualify a technique as better, but to provide elements that allow deciding which implementation use before a problem with characteristics similar to the case study raised, for this reason, when carrying out the pertinent study it was shown that genetic algorithms are methods with simple structures that implement an adaptation mechanism that can continue to solve it.
References
Complex systems and AI, “Algoritmos de enjambre”, complex-systems-ai.com, 2022. [En línea]. Disponible: https://complex-systems-ai. com/es/algoritmos-desaims/
J. A. de la Vega, I. Aguilar Juárez, F. García Lamont y H. Gómez Ayala. Introducción al análisis de algoritmos. Guadalajara, México: Cenid, 2019.
A. Moujahid, I. Inza y P. Larrañag, P. Tema 2. Algoritmos Genéticos. Departamento de Ciencias de la Computación e Inteligencia Artificial, Universidad del País Vasco, 2018.
C. E. Toca Torres, “Inteligencia colectiva: enfoque para el análisis de redes”, Est. Gerenc., vol. 30, n.º 132, pp. 259–266, jul. 2014, doi: 10.1016/j.estger.2014.01.014.
AcademiaLab. ”Comportamiento de Enjambre”, academia-lab.com, 2022. [En línea]. Disponible: h t t p s : / / a c a d e m i a - l a b . c o m / e n c i c l o p e d i a /comportamiento-de-enjambre/
Aguión, A. “La inteligencia de enjambre”, fundacionaquae.org, 2020. [En línea]. Disponible: https://www.fundacionaquae.org/la inteligenciaenjambre-y-la-inteligencia-artificial/
Amat, J. R. “Optimización con enjambre de partículas”, cienciadedatos.net, 2019. [En línea]. Disponible: https://www.cienciadedatos.net/documentos/49_optimizacion_con_particle_swarm”.
M. D. Arango Serna, L. F. Campuzano Zapata y J. A. Zapata Cortés. “Mejoramiento de procesos de manufactura utilizando Kanban”. Rev. Ing. Univ. Medellín, vol. 14, n.º 27, pp. 221-234, 2015.
C. Darwin, “Capítulo IV: Selección natural, o la supervivencia de los más adecuados”, en El origen de las especies por medio de la selección natural [En línea]. Disponible en: https://www.cervantesvirtual.com/nd/ark:/59851/bmcd21v0,
Blog Profesores Elo.”Control de congestión”, profesores.elo.utfsm.cl, 2018. [En línea]. Disponible: http://profesores.elo.utfsm.cl/~agv/elo322/1s02/lectures/congestion.pdf
F. Charles, F. Velázquez Dodge y M. Mejía Lavalle. Análisis del algoritmo de optimización de enjambres de partículas utilizando una aplicación de gráficos 3D. Morelos, Mexico: Centro Nacional de Investigación y Desarrollo Tecnológico Cuernavaca, 2016.
Cloudflare. “Que es el enrutamiento? Enrutamiento IP”, cloudflare.com,2022. [En línea]. Disponible: https://www.cloudflare.com/es es/learning/network-layer/what-is-routing/#:~:text=El%20enrutamiento%20de%20redes%20es,telef%C3%B3nicas%20 hasta%20el%20transporte%20p%C3%BAblico.
Conogasi. “Algoritmos Geneticos”, conogasi.org, 2018, [En línea]. Disponible: https://conogasi.org/articulos/algoritmos-geneticos/
Correduría Inteligente. “La seguridad en las comunicaciones”, mpmsoftware.com, 2019. [En línea]. Disponible: https://www.mpmsoftware.com/es/blog/seguridad-en-las-comunicaciones/
G. Crespo Sánchez, I. Pérez Abril y Z. García Sánchez. Investigación científica sobre algoritmos evolutivos para la reconfiguración óptima de redes de distribución de energía., Santa Clara, Cuba: Universidad y Sociedad 2022.
N. A. Domínguez. Navegando por las inmensidades culturales. Buenos Aires, Argentina: Instituto de Publicaciones Navales, 2020.
J. M. Fernández Orchando. Cada punto en el espacio de búsqueda tiene asociado un valor numérico denominado valor de adaptación. Madrid, España: Universidad Politécnica de Madrid, 2018.
Khan Academy. “Darwin, evolución y selección natural”, es.khanacademy.org/science, 2020. [En línea]. Disponible: https://es.khanacademy.org/science/ap-biology/natural-selection/naturalselection-ap/a/darwin-evolution-natural-selection
Lorbes, M. “Metodología basada en algoritmos genéticos y optimización de enjambres de partículas para determinar la matriz de peso del modificador lineal cuadrado”, Univ. Cienc. Tecnol., vol. 23, n.º 95, pp. 95-102, dic. 2019, .
Mathworks. “Global Optimization Toolbox” la.mathworks.com. 2022. [En línea]. Disponible: https://la.mathworks.com/products/globaloptimization.html
Nieto Fuentes, R. Optimización con componentes interdependientes. Centro de Investigación en Matemáticas, Guanajuato, 2018.
J. M. Ochotorena Ferreras, B. A. Sabrido y G. L. Armero. Genética y evolucion darwianiana, Espasa, Madrid, 2020, pág 36.
G. D. Rodríguez Acevedo. “Ciencia, Tecnología y Sociedad: Una mirada desde la Educación en Tecnología”, Rev. Iberoam. Educ., n.º 18. [En línea]. Disponible en: https://rieoei.org/historico/oeivirt/rie18a05.htm.
R. Eberhart y J. Kennedy, James. “A new optimizer using particle swarm theory”, en Proceedings of the Sixth International Symposium on Micro Machine and Human Science, 1995, pp. 39-43.
Y. Shi y R. Eberhart. “A modified particle swarm optimizer”, en 1998 IEEE International Conference on Evolutionary Computation Proceedings. IEEE World Congress on Computational Intelligence (Cat. No. 98TH8360), pp. 69-73.
C. Arias y R. Aguilar. “Soluciones de sistemas de ecuaciones no lineales mediante el método metaheurístico PSO”. Trabajo de grado, Fac. de Ing. Fís.-Mec., Univ. Ind. de Santander. Bucaramanga, Colombia, 2011.
K. Barragán y D. Vanegas. “Real potencial del uso del método de análisis de intervalos para la optimización con restricciones frente al PSO de convergencia garantizada”. Trabajo de grado, Fac. de Ing. Fís.-Mec., Univ. Ind. de Santander. Bucaramanga, Colombia, 2010.
J. Plata y S. Reyes. “Determinación de raíces reales y complejas en sistemas de ecuaciones utilizando optimización por enjambre de partículas (PSO)”. Trabajo de grado, Fac. de Ing. Fís.-Mec., Univ. Ind. de Santander. Bucaramanga, Colombia, 2011.
P. Stoffa y S. Mrinal. Global Optimization Methods in Geophysical Inversión. Amsterdam, Netherlands: Elsevier Science, 1995.
J. Molina y E. Páez. “Optimización del peso de cerchas en 3D mediante Algoritmos Genéticos (GA) y optimización por Enjambre de Partículas (PSO)”. Trabajo de grado, Fac. de Ing. Físico-Mecánicas. Univ. Ind. de Santander. Bucaramanga, Colombia, 2010.
J. Cruz. “Ejemplo de algoritmo genético en Matlab código y funciones”. cienciafisicamatlab.blogspot.com. http://cienciafisicamatlab.blogspot.com/2011/11/ejemplo-de-algoritmo-genetico-enmatlab.html (Consultado: 30 de junio, 2014).