Documentos de Académico
Documentos de Profesional
Documentos de Cultura
205-16-20 en Es
205-16-20 en Es
Resumen- La evolución diferencial (DE) es un enfoque evolutivo novedoso tipo de problema (por ejemplo, problemas de programación cuadrática, problemas
capaz de manejar funciones objetivas no diferenciables, no lineales y de programación geométrica, etc.). Teniendo en cuenta las limitaciones de las
multimodales. DE ha sido clasificado constantemente como uno de los técnicas tradicionales, los investigadores han propuesto el uso de métodos de
mejores algoritmos de búsqueda para resolver problemas de optimización optimización estocástica y algoritmos inteligentes para resolver la PNL que puede
global en varios estudios de casos. Este artículo presenta un algoritmo de
estar restringida o no. Algunos ejemplos son: Algoritmos genéticos [1] - [3],
Evolución Diferencial de Restricciones Mejoradas (ICDE) para resolver
Optimización de colonias de hormigas [4], Algoritmo de optimización del caos [5],
problemas de optimización restringida. El algoritmo ICDE propuesto difiere del
Optimización del calentamiento de partículas [6], Evolución diferencial [7], etcétera.
algoritmo DE no restringido solo en el lugar de inicialización, selección de
partículas para la siguiente generación y clasificación de los resultados Con base en los esfuerzos de investigación en la literatura, los métodos de manejo
finales. También implementamos la nueva idea en cinco versiones del de restricciones se han categorizado en varias clases [8] - [10]:
algoritmo DE. El rendimiento del algoritmo ICDE se valida en cuatro problemas
de ingeniería mecánica.
• Rechazar soluciones inviables
• Métodos de función de penalización
• Métodos de reparación
Esto puede ser formulado por: Sección V da los resultados numéricos y la discusión y finalmente el artículo
concluye con la Sección VI.
Minimizar / Maximizar f (x)
El vector mutante se genera mediante cierta estrategia de mutación. Las estrategias de El algoritmo ICDE propuesto usa la desviación estándar cero media una
mutación más utilizadas implementadas en los códigos DE se enumeran a continuación. distribución normal para inicializar la población y usa los siguientes tres criterios
de selección: Después de calcular el vector de prueba (i) Si el vector de prueba
• F * (X r 2, gramo • X r 3, g) y el vector objetivo son factibles, seleccione el la mejor (ii) Si ambas partículas
DE / rand / 1 (S1): V yo G • X r 1, gramo (3)
son inviables, seleccione la que tenga una menor violación de la restricción (iii)
DE / rand / 2 (S2):
Si una es factible y la otra no es factible, seleccione la factible. También al final
V yo G • X r, g • F * (X r, g • X r, g) • F * (X r, g • X r 5, g) de cada iteración, las partículas se clasifican utilizando los tres criterios: (a)
1 2 3 4
Clasificar soluciones factibles frente a soluciones no factibles (b) Clasificar
(4) soluciones factibles de acuerdo con sus valores de función de aptitud (c)
DE / bes t / 1 (S3): V yo G • X mejor, g • F * (X r, g • X r 2, g)1 ( 5) DE / mejor / 2 (S4): Clasificar soluciones no factibles de acuerdo con a sus violaciones de las
restricciones. Los pasos computacionales del algoritmo ICDE se dan a
continuación:
V yo G • X mejor, g • F * (X r 1, gramo • ) • F * (X r 3, gramo
X r 2, gramo • )
X r 4, gramo
(6)
DE / rand-to-best / 1 (S5):
Paso 1 Inicialice la población utilizando una distribución normal con
V yo G • X r, g • F * (X mejor, g • X r, g) • F * (X r, g • X r, g) media cero y desviación estándar uno.
1 2 3 4
(7)
Paso 2 Para todas las partículas
dónde r 1, r 2, r 3, r 4, r 5 • { 1,2, ...., NOTARIO PÚBLICO} son números enteros elegidos al
Evaluar la función objetivo Calcular la violación de
azar, deben ser diferentes entre sí y también diferentes del índice de ejecución i. F (>
restricción End para
0) es un factor de escala que
controla la amplificación del vector de diferencia. X mejor, g es Paso 3 Mientras no se cumple el criterio de parada
=V
Selección: La selección es el paso para elegir el vector entre el vector objetivo y Else U yo, g = X yo G yo G
el vector de prueba con el objetivo de crear un individuo para la próxima Terminara si yo G
generación. El flujo simple del algoritmo DE se muestra en la Figura 1. Fin para
Fin para
Paso 3.3 Selección
Para todas las partículas
Establecer X yo, g + 1 según los tres criterios de selección
Fin para
Paso 3.4 Clasifique las partículas usando el
tres reglas de clasificación
Paso 3.5 Ir a la próxima generación
Paso 4 Terminar mientras
Fig 1 Flujo del algoritmo DE
3
Dónde UNA • [( 745 xx • 1 X • 1) 2 • 16.9611 6] 0,5, segundo • 0,1 2
1 42 3 1X 6 • 6172.27 X 2 2 X 6 • 63098.88 X 1 X 3 X 11 • 5441,5 X 1 X 11
2
• •850
UNA 2 segundo 1
• 115055.5 X 1.664
1
X 5 • 6172.27 X 2 1X5• 140,53 X 1 X 11
• 1X• 12
Dónde UNA • [( 745 xx 2 52 3 ) • 15. 10
75 6] 0,5,
• 281,29 xx 3• 11
70,26 X 1 2 • 281,29 xx • 281,29
13
X2 3
segundo
2 • 0,1 X 73
• 14437 X 1.8812
8
X 0.3424
12
xx • 1 X 10
2 xx • 1
14 1 79
7.3 • X 4 • 8,3, 7,3 • X 5 • 8,3, 2,9 • X 6 • 3.9, 5 • X 7 • 5.5 7.05305 X • 91 X 2 1xx • 1 X • 1 X • 1 • 1, 0,0833 X • 1
10 8 2 14 13 X 14 • 1,
campo de los diseños mecánicos. Los criterios de comparación para los algoritmos se
Todos los algoritmos, NFE representa el número de evaluaciones de funciones, lo Se dan los resultados obtenidos por las diferentes versiones de DE y las disponibles en
que ayuda a determinar la convergencia del algoritmo. Un valor menor de la ENF la literatura. De los resultados numéricos es bastante visible que las versiones de DE
implica una convergencia más rápida. std representa la desviación estándar que dieron mejores resultados que las disponibles en la literatura. En términos de los valores
indica la estabilidad de los algoritmos. Un std más pequeño implica que el de función de aptitud mejor, promedio y peor, todos los algoritmos dieron resultados
algoritmo es más estable. SR representa la tasa de éxito, lo que significa la más o menos similares. Sin embargo, en términos de NFE, SR y tiempo empleado, los
eficiencia de un algoritmo. Nos dice cuántas veces el algoritmo pudo converger algoritmos mostraron un comportamiento diferente.
con éxito dentro del 1% de los verdaderos óptimos globales. Para todos los
problemas, comparamos nuestros resultados con los disponibles en la literatura.
FormTables I a IV, el
19
© 2011 AMAE
DOI: 01.IJPIE.02.01.205
AMAE Int. J. sobre producción e ingeniería industrial, vol. 02, No. 01, junio de 2011
El primer problema tiene que ver con el diseño de un reductor de velocidad para motores [3] JF Tang, D. Wang, et al., “Un algoritmo genético híbrido para un tipo de problema
de aviones pequeños. Tiene una función objetivo no lineal y consta de once restricciones de programación no lineal”, Computer Math. Applic, vol. 36 (5), págs. 11-21, 1998.
términos de tiempo de convergencia, es mejor que todas las demás versiones. El tercer
1948, 1995.
problema es un problema de diseño del compresor de transmisión de gas. Para este
[7] R. Storn y K. Price, “Evolución diferencial - un esquema adaptativo simple y eficiente
problema, DE / best / 1 dio un mejor resultado en términos de desviación estándar, NFE
para la optimización global en espacios continuos”, Informe técnico, Instituto
y tiempo de convergencia. DE / rand / 1 dio mejores resultados que otros algoritmos en
Internacional de Ciencias de la Computación, Berkley, 1995.
términos del mejor valor de función de aptitud.
integradas en varias versiones de DE y su eficiencia se valida en un conjunto de Computation Methods”, en Proc. de la Cuarta Conf. Anual. sobre Programación
Evolutiva, págs. 135 - 155, 1995. [11] D. Karaboga y S. Okdem, “Un algoritmo de
cuatro problemas de diseño de ingeniería de la vida real, que ocurren con frecuencia
optimización simple y global para problemas de ingeniería: algoritmo de evolución
en el campo de la ingeniería mecánica. Quisiéramos agregar que en el presente
diferencial”, Turk J. Elec. Engin. 12 (1), 2004, págs.53 -
artículo, aunque solo hemos considerado cuatro problemas, los resultados
numéricos preliminares obtenidos muestran que las modificaciones propuestas son 60.
beneficiosas para resolver problemas de optimización restringida de manera [12] R. Storn y K. Price, “Evolución diferencial: una heurística simple y eficiente para
efectiva, además, esta es una técnica / modificación general y puede ser aplicada a la optimización global en espacios continuos”, Revista Global Optimization. 11,
cualquier técnica de búsqueda basada en poblaciones como algoritmos genéticos, 1997, págs. 341 - 359.
optimización de enjambres de partículas, etc. [13] Floudas, CA, Pardalos, PM, “Una colección de problemas de prueba para algoritmos
de optimización global restringidos”, LNCS. Springer, Alemania, 1990.
[1] Y. Li, M.Gen, "Problemas de programación de enteros mixtos no lineales utilizando [15] Beightler C. S y Phillips D. T, “Programación geométrica aplicada”, Jhon Wiley &
algoritmo genético y función de penalización", In Proc. de IEEE Int. Conf. sobre SMC, págs. Sons, Nueva York, 1976.
2677-2682, 1996. [16] Paul H y Tay, "Diseño óptimo de un sistema de refrigeración industrial", In Proc.
[2] Y. Takao, M. Gen, T. Takeaki, Y. Li, “Un método para problemas de programación no de Int. Conf. sobre técnicas y aplicaciones de optimización, 1987, págs. 427 - 435.
20
© 2011 AMAE
DOI: 01.IJPIE.02.01.205