“Optimización gravitatoria” y “Optimización por enjambre de partículas"comportamiento en funciones no-lineales

  1. Zapatero Moreno, María José 1
  2. Alegre Martínez, Jesús 1
  3. Pacheco de Bonrostro, Joaquín 1
  1. 1 Departamento de Economía Aplicada Universidad de Burgos
Revista:
Anales de ASEPUMA

ISSN: 2171-892X

Año de publicación: 2010

Número: 18

Tipo: Artículo

Otras publicaciones en: Anales de ASEPUMA

Resumen

Proponemos dos heurísticas para obtener óptimos globales de varias funciones no lineales, algunas multimodales. Una de las heurísticas está basada en la estrategia denominada Optimización Gravitatoria; en ella se concibe el espacio de soluciones análogamente al espacio-tiempo relativista, en el que la métrica es modificada por el campo gravitatorio generado por las diferentes partículas en él inmersas. En ella, el papel de la atracción gravitatoria lo juega la función objetivo; el óptimo se encontrará en el punto donde se encuentre la mayor masa. Como esta posición se desconoce, mediremos la variación de la geometría; Igual que en relatividad general la variación de la geometría nos lleva a descubrir la mayor masa, en la heurística nos conduce al óptimo global. La segunda heurística es conocida como Optimización por Enjambre de Partículas; en ella las partículas se mueven por la inercia y la atracción de sus líderes.

Referencias bibliográficas

  • Hsiao, Chuang, Jiang and Chien (2005) “A Novel Optimization Algorithm: Space Gravitational Optimization”. Systems, Man and Cybernetics, IEEE International Conference on Volume 3, Issue , 10-12 Oct. 2005 Page(s): 2323 – 2328 Vol. 3
  • Kennedy J., Eberhart R. (1995) “Particle swarm optimization”. Proceedings of the 1995 IEEE International Conference on Neural Networks, IV, 1942–1948
  • Laguna M. and Marti R. (2005) “Experimental Testing of Advanced Scatter Search Designs for Global Optimization of Multimodal Functions”. Journal of Global Optimization Volume 33 , Issue 2 , Oct. 2005, pages: 235 – 255.
  • Martínez García F. J., Moreno Pérez J.A., “Optimización por enjambre para la mediana continua y discreta” MAEB 2007
  • Tu Z. and Lu Y. (2004). “A Robust Stochastic Genetic Algorithm (StGA) forGlobal Numerical Optimization”. IEEE Transactions on Evolutionary Computation,vol. 8, no. 5, october 2004