Estudo comparativo da eficiência e eficácia contra o uso de algoritmos genéticos e enxames
Barra lateral de artigos
Downloads
Detalhes do artigo
Altmetrics
Este trabalho está licenciado sob uma licença 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.
Conteúdo do artigo principal
Resumo
Este artigo tem como foco fazer uma comparação entre a eficiência e eficácia de duas técnicas de busca com o intuito de avaliar o comportamento no ajuste de soluções, são elas: algoritmos genéticos e enxame de partículas. Ambas as técnicas têm se mostrado eficazes e sua aplicação abrange problemas em áreas muito diversas, suas estruturas têm se mostrado capazes de resolver com eficiência problemas de busca não informada em sistemas complexos, além disso, são caracterizadas por suas populações de coeficientes estáticos, pré-programados e adaptativos Assim, o objetivo principal é focar nas duas técnicas e descobrir qual das duas melhor se aproxima de um conjunto de medidas experimentais, bem como analisar as semelhanças e diferenças entre as referidas técnicas de otimização. A otimização consiste em encontrar no espaço de busca aqueles valores que representam uma solução próxima para um determinado problema. A abordagem inicial considera a avaliação de um projeto de otimização numérica que sirva de modelo para determinar o comportamento, mesmo contra técnicas de ajuste tradicionais, porém, não se pretende qualificar uma técnica como melhor, mas fornecer elementos que permitam decidir qual implementação usar diante de um problema com características semelhantes ao estudo de caso levantado, por esta razão, ao realizar o estudo pertinente foi mostrado que os algoritmos genéticos são métodos com estruturas simples que implementam um mecanismo de adaptação que pode continuar a resolvê-lo.
Referências
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).