Estado Del Arte de La Computación Evolutiva
Estado Del Arte de La Computación Evolutiva
Estado Del Arte de La Computación Evolutiva
x 1 , , x d T
. Donde
x=
f ( x)
xi
algoritmos genticos. Durante el mismo periodo Ingo Rechenberg y HansPaul Schwefel desarrollaron una tcnica de bsqueda para resolver problemas
de optimizacin en ingeniera aeroespacial, llamada estrategia evolutiva. En
1966 Lawrence Fogel, A. J. Owen y M. J. Walsh desarrollaron la tcnica de
programacin evolutiva.
Las dcadas de los 1990s y los 2000 fueron tiempos emocionantes para los
algoritmos metaheursticos. La expresin inteligencia de enjambre fue
introducido por Gerardo Beni y Jing Wang en 1989, en el contexto de sistemas
celulares robticos y en 1992 Marco Dorigo termin su trabajo en
optimizacin por colonia de hormigas, tcnica inspirada en el comportamiento
social de las hormigas. Posteriormente en 1995, otro significante progreso
vino con el desarrollo de la optimizacin por enjambre de partculas por
James Kennedy y Russell C. Eberhart. Entre 2007 y 2008 el algoritmo de
lucirnagas fue desarrollado por Xin-She Yang.
La literatura se expande rpidamente, y el nmero de algoritmos inspirados en
la naturaleza ha crecido dramticamente. Un estudio reciente muestra que
existen ms de 40 algoritmos de optimizacin inspirados en la naturaleza.
Las caractersticas bsicas de los algoritmos evolutivos que ms han sido
usados exitosamente, se enlistan a continuacin.
Algoritmos Genticos [AG] (Genetic Algorithms [GA])
Desarrollados por John Holland y colaboradores entre los aos 60s y
70s.
Es un modelo o abstraccin de la evolucin biolgica basada en la
teora de la seleccin natural de Darwin.
Emplea tres operadores genticos clave: cruza, mutacin y seleccin.
A menudo convergen bien y en muchos casos la optimizacin global
puede lograrse fcilmente, aunque puede llegar a ser una convergencia
lenta.
Optimizacin de
Optimization)
Enjambres
de
Partculas
[PSO]
(Particle
Swarm