Un marco de trabajo para las medidas de rendimiento en la optimización dinámica evolutiva
DOI:
https://doi.org/10.33936/isrtic.v1i1.183Resumen
Varios fenómenos reales pueden ser modelados como problemas dinámicos de optimización. Estos problemas han sido tratados eficientemente mediante métodos evolutivos durante los últimos 25 años. En este contexto, la evaluación del rendimiento de estos métodos es aún un tema en desarrollo. Sin embargo, a partir de una revisión de la literatura desarrollada en este trabajo, es posible advertir la ausencia de un marco de trabajo que se organiza convenientemente los progresos alcanzados en este campo de investigación. En consecuencia, la presente investigación tiene como objetivo proponer un marco de trabajo que permita no solo organizar los avances actuales, sino también identificar posibles medidas aún no propuestas. Se incluye además un análisis de las principales tendencias en este campo de investigación. El principal resultado obtenido a partir del marco de trabajo propuesto es el predominio de medidas de rendimiento basadas en el promedio de la calidad de la solucion obtenida por el algoritmo en términos de la funcion objetivo.
Keywords: Medidas de rendimiento, Optimización dinámica evolutiva, Evaluación de algoritmos.
Descargas
Citas
URL http://doi.org/http://dx.doi.org/10.1016/j.swevo.2012.05.001
[2] T. Nguyen, S. Yang, J. Branke, X. Yao, Evolutionary Dynamic Optimization: Methodologies”, publisher = Evolutionary Computation for Dynamic Optimization Problems, editor = En S. Yang and X. Yao, address = Berlin, Heidelberg, publisher = Springer Berlin Heidelberg, pages = 39–64, year = 2013, url = http://doi.org/10.1007/978-3-642-38416-5 2.
[3] J. Verdegay, R. Yager, P. Bonissone, (2008), On heuristics as a fundamental constituent of soft computing. Fuzzy Sets and Systems 159 846–855.
[4] B. Melián, M. Pérez, M. V. JA., JM., (2003), Metaheurísticas: Una vision global. Revista Iberoa- mericana de Inteligencia Artificial.
[5] I. Boussäid, J. Lepagnot, P. Siarry, A survey on optimization metaheuristics, Information Sciences 237 (2013) 82–117.
[6] P. Novoa-Hernández, D. Pelta, C. Corona, (2010), Studies in Computational Intelligence 284 371–383.
[7] C. Cruz, J. González, D. Pelta, (2011), Optimization in dynamic environments: a survey on problems, methods and measures. Soft Computing.
[8] M. Plessis, A. Engelbrecht, (2013), Metaheuristics for Dynamic Optimization 433 117–145. URL http://doi.org/10.1007/978-3-642-30665-5_7
[9] P. Novoa-Hernández, C. Corona, P. C., DA., (2016), Self-adaptation in dynamic environments - a survey and open issues. International Journal of Bio-inspired Computation.
[10] K. Weicker, Performance measures for dynamic environments, Parallel Problem Solving from Nature - PPSN VII 2439 (2002) 64–73.
URL http://doi.org/10.1007/3-540-45712-7_7
[11] J. Branke, Evolutionary optimization in dynamic environments, Genetic Algorithms and Evolutionary Computation (Vol.
[12] K. Weicker, Evolutionary Algorithms and Dynamic Optimization Problems, Institut für Formale Methoden der Informatik der Universitat Stuttgart, 2003.
[13] W. Feng, T. Brune, L. Chan, M. Chowdhury, C. Kuek, Y. Li, Benchmarks for testing evolutionary algorithms (Tech, Rep. No. CSC-97006), 1997.
[14] P. Novoa-Hernández, C. Corona, D. Pelta, (2011), Efficient multiswarm PSO algorithms for dynamic environments. Memetic Computing.
[15] P. Novoa-Hernández, C. Corona, D. Pelta, (2013), Selfadaptive, multipopulation differential evolution in dynamic environments. Soft Computing.
URL http://doi.org/10.1007/s00500-013-1022-x
[16] P. Novoa-Hernández, C. Corona, D. Pelta, (2015), A software tool for assisting experimentation in dynamic environments. Applied Computational Intelligence and Soft Computing 5.
[17] S. R., P. Eggenberger, Adaptation on the evolutionary time scale: A working hypothesis and basic experiments, Artificial Evolution: Third European Conf., AE’97, Berlin, 1997.
[18] N. Mori, H. Kita, Y. Nishikawa, Adaptation to a changing environment by means of the thermody-namical genetic algorithm, Parallel Problem Solving from Nature, 1996.
[19] J. Branke, Memory enhanced evolutionary algorithms for changing optimization problems, Proceedings of the Congress on Evolutionary Computation (Vol) 3 (1999) 1875–1882.
[20] D. Jong, K., An analysis of the behavior of a class of genetic adaptive systems, University of Michigan, 1975.
[21] K. Trojanowski, Z. Michalewicz, Searching for optima in non-stationary environments, En Evolu- tionary Computation 99. (1999) 2348.
URL http://doi.org/10.1109/CEC.1999.785498
[22] R. Morrison, Performance Measurement in Dynamic Environments, GECCO Workshop on Evolu- tionary Algorithms for Dynamic Optimization Problems, 2003.
[23] S. Bird, X. Li, Informative performance metrics for dynamic optimization problems, En 9th Conf,2007.
[24] E. Alba, B. Sarasola, Measuring fitness degradation in dynamic optimization problems, En EvoAp- plications 1 (2010) 572–581.
[25] D. Shilane, J. Martikainen, S. Ovaska, (2009), ICANNGA 2009.
[26] C. Li, S. Yang, T. Nguyen, E. Yu, X. Yao, Y. Jin, H. G. Beyer, Suganthan, PN, 2008.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)
Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.
