Algoritmo de optimización metaheurístico inspirado en el autómata celular LIFE
Resumen
Debido a que existe gran variedad de problemas de optimización, surgió la idea de diseñar un nuevo método inspirado en el comportamiento dinámico de los autómatas celulares. Para ello, se adaptan las reglas de evolución de un conocido autómata celular llamado “El juego de la vida o LIFE”. Estas reglas se implementaron con vectores de valores reales, de esta manera se realizan las acciones de exploración y explotación en el proceso de optimización global. El algoritmo se probó mediante un estudio comparativo utilizando una metaheurística reconocida por su rendimiento y de reciente publicación. Esta metaheurística se denomina: Algoritmo de autómatas celulares de estado continuo (CCAA, por sus siglas en inglés). Para el estudio se utilizaron librerías de funciones de prueba reconocidas por la comunidad científica para evaluar su comportamiento. Se comprobó mediante la comparación de los resultados obtenidos entre ambos algoritmos que la propuesta LIFE fue capaz de competir y, en algunos casos, mejorar la solución buscada. Se concluye que las reglas propuestas tienen un grado de eficiencia muy aceptable con el algoritmo comparado.
Descargas
Citas
Adamatzky, A. (Ed.). (2010). Game of life cellular automata. London: Springer.
Agustín, J. L. (1998). Aplicación de algoritmos genéticos al diseño óptimo de sistemas de distribución de energía eléctrica. Zaragoza.
Bansal, J. C., Singh, P. K., Pal, N. R. (Eds.). (2019). Evolutionary and swarm intelligence algorithms (Vol. 779). Cham: Springer.
Biedrzycki, R., Arabas, J., Warchulski, E. (2022, July). A version of nl-shade-rsp algorithm with midpoint for cec 2022 single objective bound constrained problems. In 2022 IEEE Congress on Evolutionary Computation (CEC) (pp. 1-8). IEEE.
Bilan, S. M., Bilan, M. M., & Motornyuk, R. L. (Eds.). (2020). New methods and paradigms for modeling dynamic processes based on cellular automata. United States America byIGI Global.
Brú, M. V. M., Fleites, G. L., & Barroso, E. M. (2004). Una comparación de dos métodos de gradiente en el Escalamiento Multidimensional. Ciencias Matemáticas, 22(1), pp. 44-53.
Conway, J. (1970). The game of life. Scientific American, 223(4): 4.
Eppstein, D. (2010). Growth and decay in life-like cellular automata.Game of Life cellular automata, pp. 71-97.
Garcia, J. B. C., Gomes, M. A. F., Jyh, T. I., Ren, T. I., Sales, T. R. M. (1993). Nonlinear dynamics of the cellular-automaton ‘‘game of Life’’.Physical Review E, 48(5): 3345.
Glover, F. (1986). Future paths for integer programming and links to artificial intelligence. Computers & Operations Research, 13(5), pp. 533-549.
Gogna, A., Tayal, A. (2013). Metaheuristics: review and application. Journal of Experimental & Theoretical Artificial Intelligence, 25(4), pp. 503-526.
Gosper, R. W. (1984). Exploiting regularities in large cellular spaces. Physica D: Nonlinear Phenomena, 10(1-2), pp. 75-80.
Hassanien, A. E., Emary, E. (2018). Swarm intelligence: principles, advances, and applications. CRC Press.
Kotyrba, M., Volna, E., Bujok, P. (2015). Unconventional modelling of complex system via cellular automata and differential evolution. Swarm and Evolutionary Computation, 25, pp.52-62.
Kumar, K., Davim, P. J. (Eds.). (2020). Modern Manufacturing Processes. Woodhead Publishing.
Lameda, F. M., Agustín, J. L. B. (2010). Diseño Multiobjetivo y Multietapa de Sistemas de Distribución de Energía Eléctrica Aplicando Algoritmos Evolutivos. Universidad de Zaragoza, Zaragoza.
Li, X., Wu, J., Li, X. (2018). Theory of practical cellular automaton. Berlin/Heidelberg, Germany: Springer.
Lozano, D., Velázquez, F., Zepeda, A. (2010). Optimización estructural de forma en el diseño de cavidades en elementos planos mediante algoritmos evolutivos. Mecánica Computacional, 29(12), pp. 1143-1159.
McIntosh, H. V. (2009). One dimensional cellular automata. Luniver Press.
Ramos, A., Sánchez, P., Ferrer, J. M., Barquín, J., Linares, P. (2010). Modelos matemáticos de optimización. Publicación Técnica, 1.
Salcido, A. (Ed.). (2011). Cellular automata: Innovative modelling for science and engineering. John Wiley & Sons. pp. 55-60.
Seck-Tuoh-Mora, J. C., Hernandez-Romero, N., Lagos-Eulogio, P., Medina-Marin, J., Zuñiga-Peña, N. S. (2021). A continuous-state cellular automata algorithm for global optimization. Expert Systems with Applications, 177: 114930.
Shi, Y., Eberhart, R. C. (1999, July). Empirical study of particle swarm optimization. In Proceedings of the 1999 congress on evolutionary computation-CEC99 (Cat. No. 99TH8406) 3, pp. 1945-1950. IEEE.
Valencia, P. E. (1997, August). Optimización mediante algoritmos genéticos. In Anales del Instituto de Ingenieros de Chile, 109 (2), pp. 83-92.
Van den Bergh, F., Engelbrecht, A. P. (2006). A study of particle swarm optimization particle trajectories. Information sciences, 176(8), pp. 937-971.
Van den Bergh, F., & Engelbrecht, A. P. (2010). A convergence proof for the particle swarm optimiser. Fundamenta Informaticae, 105 (4), pp. 341-374.
Wolpert, D. H., Macready, W. G. (1997). No free lunch theorems for optimization. IEEE transactions on evolutionary computation, 1(1), pp. 67-82.
Yang, X. S. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons.
Derechos de autor 2023 Omar López-Arias, Juan Carlos Seck-Tuoh-Mora, Norberto Hernández-Romero, Joselito Medina-Marín, Genaro Juárez Martínez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
