Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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:
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.
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.
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.
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:
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).
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.
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.
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]
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:
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 7 Evolución de la condición física con el número medio de evaluación de la función, la diversión de Rosenbrock. con
16d
CONCLUSIONES