Pso Y Ga´S

Optimización de funciones a través de Optimización por Enjambre de Partículas y Algoritmos Genéticos
Nelson Guerra Álvarez Pontificia Universidad Católica de Valparaíso, Escuela de Ingeniería Informática, Valparaíso, Chile, 237-1099 nelson.guerra.a@mail.ucv.cl y Broderick Crawford Labrín Pontificia Universidad Católica de Valparaíso, Escuela de Ingeniería Informática, Valparaíso, Chile, 237-1099broderick.crawford@ucv.cl
Abstract This paper presents a comparison of experimental results between Particle Swarm Optimization (PSO) and Genetic Algorithms (GAs) for the numerical optimization problems. The idea was to implement a PSO algorithm, to see its real behavior by comparing it with the performance that presents GAs in the optimization of classical benchmarking nonlinear functions.Moreover, the effects of different parameters values of the PSO and GAs algorithms are presented. Computational results showed that the optimization by particle swarm has a better behavior than genetic algorithms in most of the used benchmarks. Keywords: Evolutionary Computation, Metaheuristic, Particle Swarm Optimization, Genetic Algorithms, Nonlinear Functions Optimization. Resumen Este articulopresenta los resultados experimentales de la comparación entre Optimización por Enjambre de Partículas y Algoritmos Genéticos, a través de la solución de ciertos problemas de optimización. La idea es implementar la Optimización por Enjambre de Partículas para ver su real comportamiento, comparando dicho comportamiento con el de Algoritmos Genéticos, todo lo anterior, aplicándolo a la optimización defunciones no lineales. También se presentan los efectos que se producen en estas metaheuristicas al cambiar los valores de algunos de sus parámetros. Los resultados muestran que la Optimización por Enjambre de Partículas tiene un mejor comportamiento que Algoritmos Geneticos en la mayoría de las funciones aplicadas. Palabras claves: Computación Evolutiva, Metaheurísticas, Optimización por Enjambrede Partículas, Algoritmo Genético, Optimización de Funciones No Lineales.

1

Introducción

En la mayoría de los usos de ingeniería los problemas de optimización, de naturaleza continua o discreta, se presentan muy a menudo, lo que le da mucha importancia a las técnicas de optimización. Un esfuerzo enorme se ha realizado para crear técnicas de optimización, analíticas y numéricas. Aunqueahora existen muchas de técnicas, todavía hay un gran número de funciones que están más allá de los métodos analíticos y que presentan dificultades significativas para las técnicas numéricas. Como consecuencia, hay una continua búsqueda de nuevas y más robustas técnicas de optimización, que puedan solucionar tales problemas. Hemos estado viendo un creciente interés en la biología, motivado porencontrar la solución a los problemas de optimización. De esto se han creado nuevas técnicas como Algoritmos Genéticos, en ingles Genetic Algorithms (GA), y Redes Neuronales en las últimas décadas. Entre las más recientes técnicas inspiradas en biología se encuentran Optimización por Colonia de Hormigas, en ingles Ant Colony Optimization (ACO)[2],[5],[6],[7], y Optimizacion por Enjambre de Partículas,en ingles Particle Swarm Optimization

(PSO)[14],[15]. PSO es una metaheuristica[17] propuesta por James Kennedy y Russell C. Eberhart en 1995, inspirada por el comportamiento social de organismos tales como bandada de pájaros, enjambre de abejas y cardúmenes de peces. La base de PSO esta en la simulación de estos modelos sociales para así extrapolarlos a problemas de optimización reales queexisten hoy en día. En este artículo se compara el comportamiento de PSO y de GA solucionando la optimización de funciones no lineales y los efectos de diversos valores de los parámetros de PSO y de GA. El estudio del comportamiento fue basado en funciones de patrón para GA[3]. El resto del artículo se organiza como sigue: La sección 2 esta abocada a la presentación de GA y PSO. La sección 3...