Un nuevo algoritmo de optimización de Bio –inspiración

Algoritmo de Sepia – Una novela de Bio-inspiración

Algoritmo de optimización
1. Introducción
La optimización global es un campo con aplicaciones en muchas áreas de la ciencia, ingeniería,
economía y otros, donde se utiliza el modelado matemático sin pérdida de generalidad, la
optimización tal vez definida como buscar un vector X0 en un posible conjunto de soluciones
X minimizando un apunte la función f para que ∀x ∈ U ⊆ X: f(x) ≥ f ( x 0 ). Para U = X, X0 se
llama un óptimo global, de lo contrario se llama un local óptimo de f en X. Los algoritmos de
optimización global se dividen generalmente en determinista y meta-heurística.
Los algoritmos deterministas tienden a utilizar la técnica de gradiente y encontrar mayor
utilidad en la resolución de problemas unimodales, mientras los modelos meta-heurísticos
tienden a aprender a medida que se ejecutan, y tienden a ser más inteligentes y adaptables.
Los métodos meta-heurísticos son por lo general, más rápido en la localización de un óptimo
global que un determinista, los componentes de cualquier algoritmo meta-heurístico son:
Intensificación y diversificación, o explotación y exploración.
La mayoría de los algoritmos meta-heurísticos están inspirados en la naturaleza, como Ant
Colony Optimization ACO, Particle Swarm Optimización de PSO, algoritmo de abejas BA, etc.
que previamente ha sido propuesto por los investigadores. Algunos de estos estudios han
sido inspirados por comportamientos animales para desarrollar técnicas de optimización. Por
ejemplo:

 ACO algoritmo propuesto por Dorigo et al., está inspirado en el investigación sobre el
comportamiento de las colonias de hormigas.
 BA propuesto por DT Pham et al., está inspirado en el comportamiento de forrajeo
alimentario de abejas de miel.
 Algoritmo PSO propuesto por Kennedy y Eberhart, modela el comportamiento social
del flocado de aves o peces enseñanza.
Recientemente, nuevos enfoques meta-heurísticos son presentados por varios investigadores
por ejemplo, el comportamiento animal colectivo.

 Algoritmo CAB propuesto por Erik Cuevas et al., está inspirado de un grupo de
animales que interactúan entre sí que es basado en las leyes biológicas del
movimiento colectivo.
 Interacciones Abejorros de apareamiento optimización BBMO algoritmo presentado
en Yannis Marinakis et al., simula el comportamiento de apareamiento de los
abejorros.
 Algoritmo de bate BA propuesto por Xin-She Yang, se basa en el comportamiento de
ecolocación de los murciélagos. El algoritmo FA propuesto por Xin-She Yang se basa
en Características de las luciérnagas.
En este trabajo, un nuevo algoritmo de optimización meta-heurística se inspira en base al
mecanismo de cambio de color, se presenta el comportamiento de la sepia para encontrar la
solución óptima en problemas de optimización numérica.
Los patrones y colores visto en sepia son producidos por la luz reflejada de diferentes capas
de células apiladas juntas, y es la combinación de ciertas células a la vez que permite a la sepia
posee una gran variedad de patrones y colores.
El algoritmo propuesto imita el proceso de reflexión de la luz a través de la combinación de
estas capas, y la visibilidad de proceso de patrón de emparejamiento utilizado por la sepia
para que coincida con su fondo. El algoritmo divide la población (celdas) en cuatro grupos,
cada grupo trabaja de forma independiente compartiendo solo la mejor solución, dos de ellos
utilizados como búsqueda global, mientras que otros utilizados como una búsqueda local.
Este artículo está organizado de la siguiente forma:

 En la sección 2, sepia, se introducen componentes de la piel y comportamiento de

cambio de color.
 En la Sección 3, el algoritmo CFA propuesto y sus características se describen en
detalle.
 La sección 4 presenta los resultados experimentales y el estudio comparativo.
 Finalmente, las conclusiones se dan en la Sección 5.

2. COMPONENTES DE LA PIEL DE PASTORNOS

La sepia es un tipo de cefalópodos que está bien conocido por sus habilidades para cambiar
su color, ya sea que aparentemente desaparece en su entorno o para producir
impresionantes muestras. Los patrones y colores vistos en los cefalópodos son producidos
por diferentes capas de células apiladas juntas incluyendo cromatóforos, leucóforos e
iridóforos, y es la combinación de ciertas operaciones celulares de reflexión.
Luz y patrones a la vez que permiten a los cefalópodos poseer una gran variedad de patrones
y colores. Estas las capas se describen de la siguiente manera:

 Cromatóforos: son grupos de células que incluyen un elástico, saco que contiene un
pigmento, así como 15 a 25 músculos unidos a este saccule. Estas celdas están
ubicadas directamente debajo del Piel de sepia. Cuando los músculos se contraen,
estiran el saco que permite que el pigmento del interior cubra una superficie más
grande. Cuando los músculos se relajan, el fascículo se encoge y se esconde el
pigmento.
 Iridóforos: se encuentran en la siguiente capa debajo de los cromatóforos. Los
iridóforos son pilas de capas de plaquetas que son quitinosas en algunas especies y
proteínas basadas en otros. Son responsables de producir el verdes metálicos, azules
y dorados vistos en algunas especies, así como el color plateado alrededor de los ojos
y el saco de tinta de otros. Los iridóforos funcionan reflejando la luz y pueden ser
utilizada para ocultar órganos, como suele ser el caso con la plata.
  Leucóforos: estas células son responsables de las manchas blancas. En algunas
especies de sepias, calamares y pulpos. Los leucóforos son células aplanadas,
ramificadas que son pensado para dispersar y reflejar la luz entrante. De esta manera,
el color de los leucóforos reflejará el predominio.
 Longitud de onda de la luz en el medio ambiente. En luz blanca serán blancos, mientras
que en la luz azul serán azules. Es pensó que esto se suma a la capacidad del animal
para mezclarse en su ambiente.
2.1 Mecanismos de cambio de color de la piel.
La luz puede ser reflejada por cualquiera Cromóforos o reflejando células (iridóforos o
leucóforos) o una combinación de ambos, y es el Cambios fisiológicos de los cromatóforos y
células reflectantes que permiten que la sepia produzca tal Amplio repertorio de efectos
ópticos. Un diagrama en la Fig. 1 de Piel de sepia detalla las tres estructuras principales de la
piel (cromatóforos, iridóforos y leucóforos), dos ejemplos los estados (a, b) y tres trazas de
rayos distintas (1, 2, 3) muestran los medios sofisticados por los cuales la sepia puede cambiar
el color.

Figura 1Diagrama de piel de sepia detallando los tres.

3. PROPUESTA DE ALGORITMO DE CUTTLEFISH (CFA)

El algoritmo propuesto imita el trabajo de las tres células capas que utilizan las sepias para cambiar
el color de su piel. Para ello, reordenamos los seis casos que se muestran en la figura 1.

Figura 2 Reordenación de los seis casos

A partir de la Fig2 podemos asumir dos procesos principales (reflexión y visibilidad). El proceso de
reflexión representa el mecanismo utilizado por la sepia para reflejar la luz entrante y puede por
cualquier caso de los seis casos considerados en la figura 2. Mientras que la visibilidad es
representando la claridad de patrón que las sepias prueban.

Para simular los patrones aparecen en su entorno, nosotros asumimos que el patrón final es la
solución óptima global, Mientras que la visibilidad es la diferencia entre la mejor solución y la solución
actual. El algoritmo de sepia propuesto CFA es Diseñado en base a estos dos procesos (reflexión y
visibilidad) y utilizaron como estrategia de búsqueda para encontrar las nuevas soluciones.

La formulación de encontrar la nueva solución (newP) usando La reflexión y la visibilidad se describen

en (1): newP = reflexión + visibilidad.

Como otros algoritmos de optimización meta-heurística, CFA Se inicia con soluciones aleatorias para
inicializar la población. Luego se aplican los seis casos mostrados en la Fig. 6 hasta el final, condición
se cumple Los pasos principales del algoritmo CFA son:

Resumido de la siguiente manera:

1- Inicializar la población con soluciones aleatorias, calcular y mantener la mejor solución y el valor
promedio de los puntos de la mejor solución.

2- Usar operador de interacción entre cromatóforos e iridóforos células en los casos 1 y 2, para
producir una nueva solución basada en la reflexión y la visibilidad de patrón (búsqueda global).

3- Usar operadores de células iridóforos en los casos 3 y 4 para calcular nuevas soluciones basadas en
la luz reflejada procedentes de la mejor solución y la visibilidad de patrón coincidente (búsqueda
local).

4- Usar el operador de células leucóforos en el caso 5 para producir nueva solución al reflejar la luz
del área alrededor. La mejor solución y visibilidad del patrón (búsqueda local).

5- Usar el operador de células leucóforos en el caso 6 para solución aleatoria reflejando la luz entrante
(búsqueda global).

3.1 Inicialización
Primero la población P(células) de N soluciones iniciales P = células ={puntos 1 , puntos 2 , puntosN
}, se extiende sobre d- dimensional problema de espacio en posiciones aleatorias (puntos)
utilizando (2).

P[i].points[j] = random *(upperLimit – lowerLimit) + lowerLimit (2)

Donde límite superior y límite inferior son los límites superior e inferior en el dominio del
problema y aleatorio es un número aleatorio entre (0, 1).

Cada punto individual de la población representa una sola celda y se asocia con dos valores,
aptitud física y un vector de valores continuos de dimensión d. Entonces la población se divide en
cuatro grupos de células. Cada grupo trabajará de forma independiente compartiendo solo la
mejor solución, dos de ellos (grupo 1 y 4) funcionan como una búsqueda local, mientras que el
grupo 2 y 3 se trabaja como una búsqueda global.

3.2 Grupo 1, simulación de los casos 1 y 2.

El color reflejado (luz) que se muestra en la caja de la Fig. 2 (1 y 2) es producido debido a la

interacción entre cromatóforos y células iridóforas, cada célula cromatófora se contraerá o relaja
 sus músculos para estirar o encoger su sátula. Mientras Las células iridóforas reflejarán la luz que
viene de las células cromatóforas.

El proceso de estiramiento y encogimiento en las células cromatóforas y La luz reflejada de las

células iridóforas y la visibilidad del patrón utilizado por la sepia para que coincida con su fondo,
se utilizan para encontrar una nueva solución, las formulaciones de estos procesos, descrito en (3)
y (4), respectivamente son:

reflectionj = R* G1[i]Points[j] (3) visibility= V*(BestPoints[j]- G1[I].Points[j]) (4)

Por ejemplo: si reflexión = 17, la newP = 2. En este ejemplo, la nueva solución será mejor que la
actual solución si el valor de la luz reflejada está entre (-5, 20), de lo contrario, la nueva solución
será ignorada. En breve, el espacio de búsqueda del problema es demasiado grande, por lo que
estas operaciones reducen el espacio de búsqueda para estar entre dos valores específicos como
en el ejemplo entre (-10, 20). El trabajo en grupo como una búsqueda global utiliza el valor de
cada punto para encontrar nueva área alrededor de la mejor solución con un intervalo específico.

Figura 3 Procesos de reflexión y visibilidad, estuche (1, 2)

3.3. Grupo 2, simulación de los casos 3 y 4.

Como se describió antes, las células iridóforas son ligeras células reflectantes. De la figura 2, caso
(3 y 4), las células iridóforas reflejará la luz entrante del exterior (ambiente), y el color reflejado es
un color específico. Las células iridóforas son Ayudando en el ocultamiento o utilizado para ocultar
órganos, se supone que los órganos ocultos están representados por los mejores. Así que la
formulación de encontrar la reflexión, se reescribe de la siguiente manera:

Reflectionj=R * BestPoint[j]

Ilustración 4 Procesos de reflexión y visibilidad, caso (3, 4).

3.4. Grupo 3, simulación de caso 5.

Las células de los leucóforos funcionan como espejo. De esta manera, las células reflejarán la longitud
de onda predominante de la luz en el ambiente. En luz blanca reflejarán el blanco, en la luz marrón
reflejará marrón y etc., en este caso (caso 5 en la Fig. 2) la luz viene a través de las células cromatóforas
Con color específico. La luz reflejada es muy similar a la Luz que proviene de las células cromatóforas.

A fin de que cubrir la similitud entre el color entrante y el color reflejado, asumimos que el color
entrante es la mejor solución, y el color reflejado podría ser cualquier valor alrededor de los mejores.
El intervalo que se usa alrededor del Mejor es Producido por la visibilidad. Las dos ecuaciones (3) y (4)
de encontrar la reflexión y la visibilidad se modifican como:

Reflectionj= R*BestPoint[j] (8) Visibilityj = V*(Best.Point[j]-AVBest) (9)

Ilustración 5Procesos de reflexión y visibilidad, estuche (5).

3.5. Grupo 4, simulación de caso 6.

En este caso, las células leucóforas solo reflejarán la luz entrante del entorno. Este operador permite
la sepia para mezclarse con su entorno. Como una simulación, Se puede asumir que cualquier color
entrante del ambiente.

Se reflejará como tal y puede ser representado por cualquier solución aleatoria. Así este caso (caso 6
en la figura 2) funciona como inicialización utiliza (2) para encontrar las nuevas soluciones que se
describen anteriormente en la sección 3.1. Fig. 6, muestra el pseudo código para el CFA en su forma
más simple. El algoritmo se inicializa con N celdas colocadas aleatoriamente en el espacio de búsqueda
usando (2), y la aptitud de la población se evalúa en el Paso 2, y se mantiene la mejor solución. En el
Paso 3, la población se divide en cuatro grupos.El principio general de la propuesta CFA se muestra en
la Fig. 7.

Figura 6 Pseudocódigo del algoritmo básico de sepia. Figura 7 Principio general de CFA
 4. EXPERIMENTOS Y VALIDACIÓN

Para probar el rendimiento del algoritmo CFA, se utiliza la función de valle de Rosenbrock con 16
dimensiones. Fig8 muestra una vista bidimensional de esta función. El valle de Rosenbrock es un
problema clásico de optimización que también se conoce como función Banana o la segunda función
de De Jong. El óptimo global se encuentra dentro de un largo, estrecho, parabólico valle plano en
forma. Encontrar el valle es trivial, sin embargo. La convergencia hacia el óptimo global es difícil y por
lo tanto esto problema se ha utilizado con frecuencia para probar el rendimiento de algoritmos de
optimización. Esta función tiene la siguiente definición:

La figura 9 muestra cómo los valores de aptitud evolucionan con el número de evaluaciones
de funciones. Los resultados son promedios de 100.
Carreras independientes con un tamaño de población igual a 60. Se ve fácilmente que
después de aproximadamente 250,000 funciones en las evaluaciones, el algoritmo CFA es
capaz de encontrar soluciones cercanas a lo óptimo.

Figura 6 Función del valle de Rosenbrocks

Figura 7 Evolución de la condición física con el número medio de evaluación de la función, la diversión de Rosenbrock. con
16d

También hemos aplicado CFA a 12 funciones de prueba bien conocidas enumerados en la

Tabla 1 para comparar su desempeño con otros algoritmos conocidos como GA, PSO y BA.
TABLA 1: TEST FUNCTION TABLA 2: PARAMETROS DE ALGORITMO DE ABEJAS

TABLA 3: PARÁMETROS DE ALGORITMO CFA

TABLA 4: RESULTADOS COMPARATIVOS NÚMERO INTERMEDIO DE EVALUACIÓN DE FUNCIÓN,

DIVISIÓN ESTÁNDAR Y TASA DE ÉXITO (100 RUN, 20,000 ITERACIONES, 1000,000 EVALUACIONES
DE FUNCIÓN)
 TABLA 5: COMPARACIÓN DE CFAWITH GA, ALGORITMO DE LAS ABEJAS DE PSAAND PARA EL
SEGUNDO EXPERIMENTO, MEDIO INTERMEDIO NÚMERO DE EVALUACIÓN DE LA FUCNACIÓN Y
TASA DE ÉXITO, (100RUN, 200 ITERATION, 10,000 EVALUACIONES DE FUNCIÓN)

TABLA 6: COMPARACIÓN RESULTADOS INTERMMEAN BESTFITNESS, (100RUN, 1000 ITERATION,

50,000 EVALUACIONES DE FUNCIÓN)

CONCLUSIONES

En los últimos años, diversos meta-heurísticos inspirados. Se han desarrollado métodos de

optimización. En este trabajo, un Nuevo algoritmo de optimización meta-heurística llamado
Sepia. Se introduce el algoritmo (CFA). El algoritmo está inspirado basado en el
comportamiento de cambio de color de la sepia para encontrar la solución óptima.
Los patrones y colores que se ven en la sepia se producen por la luz reflejada de diferentes
capas de células, incluidas (cromatóforos, leucóforos e iridóforos) apilados, y es la
combinación de ciertas células a la vez lo que permite que la sepia posea una gran variedad
de patrones y colores.
Los resultados obtenidos por el CFA propuesto en todos los casos proporcionan resultados
superiores en comparación con GA, PSO y BA. Como trabajo futuro, se necesita más estudio
sobre los parámetros de CFA.