Vol. 29 (2019)
Artículos de investigación

Algoritmo basado en el Forrajeo de Bacterias con mutación para resolver problemas con restricciones

PDF XML
  • Betania Hernández-Ocaña ,
  • José Hernández-Torruco ,
  • Oscar Chávez-Bosquez ,
  • Juana Canul-Reich ,
  • Luis Gerardo Montané-Jiménez
Betania Hernández-Ocaña
http://orcid.org/0000-0001-5700-7615 (no autenticado) Universidad Juárez Autónoma de Tabasco - División Académica de Informática y Sistemas.

Biografía
José Hernández-Torruco
http://orcid.org/0000-0003-3146-9349 (no autenticado) Universidad Juárez Autónoma de Tabasco - División Académica de Informática y Sistemas.

Biografía
Oscar Chávez-Bosquez
http://orcid.org/0000-0002-0324-9886 (no autenticado) Universidad Juárez Autónoma de Tabasco - División Académica de Informática y Sistemas.

Biografía
Juana Canul-Reich
http://orcid.org/0000-0003-1893-1332 (no autenticado) Universidad Juárez Autónoma de Tabasco - División Académica de Informática y Sistemas.

Biografía
Luis Gerardo Montané-Jiménez
http://orcid.org/0000-0003-2732-5430 (no autenticado) Universidad Veracruzana - Facultad de Estadística e Informática.

Biografía

Publicado 2019-10-23

Aviso de derechos de autor/a

Cómo citar

Algoritmo basado en el Forrajeo de Bacterias con mutación para resolver problemas con restricciones. (2019). Acta Universitaria, 29, 1-16. https://doi.org/10.15174/au.2019.2335

Resumen

Se propone una versión simplificada de un algoritmo de Inteligencia Colectiva denominado algoritmo de optimización basado en el forrajeo de bacterias con mutación y tamaño de paso dinámico (BFOAM-DS). Este algoritmo tiene la habilidad de explorar y explotar el espacio de búsqueda mediante su operador quimiotáxico. Sin embargo, la convergencia prematura es una desventaja particular. Esta propuesta implementa un operador de mutación en el nado, similar al utilizado por los algoritmos evolutivos, y un tamaño de paso dinámico para mejorar el desempeño del algoritmo. BFOAM-DS se probó en tres problemas de optimización de diseño ingenieril. Los resultados obtenidos fueron analizados con estadísticas básicas y medidas de rendimiento comunes para evaluar el comportamiento del operador de nado con mutación y el operador de tamaño de paso dinámico. Se concluye que BFOAM-DS obtiene soluciones mejores que una versión previa del algoritmo y similares a la mejor solución conocida en la literatura especializada.

PDF XML

Referencias

  1. Arora, J. (2011). Introduction to Optimum Design (3rd. Ed.). New York, NY: McGraw-Hill.
  2. Biswas, A., Dasgupta, S., Das, S., & Abraham A. (2007). A Synergy of Differential Evolution and Bacterial Foraging Optimization for global optimization. Neural Network World, 17, 607-626.
  3. Calva-Yáñez, M. B., Niño-Suárez, P. A., Villarreal-Cervantes, M. G., Sepúlveda-Cervantes, G., & Portilla-Flores, E. A. (2013). Differential evolution for the control gain’s optimal tuning of a four-bar mechanism. Polibits, 47, 67-73.
  4. Coello-Coello, C. A. (2002). Theoretical and Numerical Constraint Handling Techniques used with Evolutionary Algorithms: A Survey of the State of the Art. Computer Methods in Applied Mechanics and Engineering, 191(11-12):1245-1287. doi: 10.1016/S0045-7825(01)00323-1.
  5. Deb, K. (2000). An Efficient Constraint Handling Method for Genetic Algorithms. Computer Methods in Applied Mechanics and Engineering, 186(2), 311-338. doi: 10.1016/S0045-7825(99)00389-8.
  6. Dorigo, M., Maniezzo, V., & Colorni, A. (1996). The Ant System: Optimization by a Colony of Cooperating Agents. IEEE Transactions of Systems, Man and Cybernetics-Part B, 26(1), 29-41. doi: 10.1109/3477.484436.
  7. Eiben, A., & Smith, J. E. (2003). Introduction to Evolutionary Computing (Vol. 1). Natural Computing Series. Berlin Heidelberg: Springer Verlag.
  8. Engelbrecht, A. P. (2007). Computational Intelligence. An Introduction (2nd. Ed.). New York, NY: John Wiley & Sons.
  9. Fogel, L. J. (1999). Intelligence Through Simulated Evolution. Forty years of Evolutionary Programming(1st. Ed.). New York, NY: John Wiley & Sons.
  10. Hernández-Ocaña, B., Mezura-Montes, E., & Pozos-Parra, P. (2013). A review of the bacterial foraging algorithm in constrained numerical optimization. In Proccedings of the Congress on Evolutionary Computation (CEC’2013) (pp. 2695-2702). IEEE. doi: 10.1109/CEC.2013.6557895.
  11. Hernández-Ocaña, B., Pozos-Parra, M. P., & Mezura-Montes, E. (2014). Stepsize control on the modified bacterial foraging algorithm for constrained numerical optimization. In Proceedings of the 2014 Conference on Genetic and Evolutionary Computation (GECCO ’14) (pp. 25-32). ACM. doi: 10.1145/2576768.2598379.
  12. Hernández-Ocaña, B., Pozos-Parra, M.P., Mezura-Montes, E., Portilla-Flores, E.,
  13. Vega-Alvarado, E., & Calva-Yáñez, M. (2016). Two swim operators in the modified bacterial foraging algorithm for the optimal synthesis of four-bar mechanisms. Computational Intelligence and Neuroscience, 2016(1), 1-18. doi: 10.1155/2016/4525294.
  14. Hernández-Ocaña, B., Chávez-Bosquez, O., Hernández-Torruco, J., Canul-Reich, J., & Pozos-Parra, P. (2018). Bacterial foraging optimization algorithm for menu planning. IEEE Access, 6, 8619-8629. doi: 10.1109/ACCESS.2018.2794198.
  15. Huang, H. C., Chen, Y.H., & Abraham, A. (2010). Optimized watermarking using swarm-based bacterial foraging. Information Hiding and Multimedia Signal Processing, 1(1), 51-58.
  16. Kennedy, J., & Eberhart, R. C. (2001). Swarm Intelligence (1st. Ed.). Burlington: MA: Morgan Kaufmann.
  17. Kim, D. H., Abraham, A., & Cho, J. H. (2007). A hybrid genetic algorithm and bacterial foraging approach for global optimization. Information Sciences, 177(18), 3918-3937. doi: 10.1016/j.ins.2007.04.002.
  18. Koza, J. R., Keane, M. A., Streeter, M. J., Mydlowec, W., Yu, J., & Lanza, G. (2003). Genetic Programming IV: Routine Human-Competitive Machine Intelligence (1st. Ed.). Hingham, MA: Kluwer Academic Publishers.
  19. Kushwaha, N., Bisht, V. S., & Shah, G. (2012). Genetic algorithm based bacterial foraging approach for optimization. In IJCA Proceedings on National Conference on Future Aspects of Artificial intelligence in Industrial Automation ‘12, NCFAAIIA(2), 11-14.
  20. Liang, J., Runarsson, T., Mezura-Montes, E., Clerc, M., Suganthan, P., Coello-Coello, C., & Deb, K. (2006). Problem definitions and evaluation criteria for the CEC 2006 special session on constrained real-parameter optimization. Technical report. School of EEE Nanyang Technological University, Singapore.
  21. López-Ibáñez, M., Dubois-Lacoste, J., Pérez Cáceres, L., Birattari, M., & Stützle, T. (2011). The iRace package, Iterated Race for Automatic Algorithm Configuration. Operations Research Perspectives, 3, 43-58, doi: 10.1016/j.orp.2016.09.002.
  22. Luo, Y., & Chen, Z. (2010). Optimization for PID control parameters on hydraulic servo control system based on the novel compound evolutionary algorithm. In Second International Conference on Computer Modeling and Simulation (pp. 40-43). IEEE. doi: 10.1109/ICCMS.2010.53.
  23. Mezura-Montes, E. (2009). Constraint-Handling in Evolutionary Optimization, volume 198 of Studies in Computational Intelligence (1st. Ed.). Berlin Heidelberg: Springer-Verlag.
  24. Mezura-Montes, E., & Coello-Coello, C. (2011). Constraint-handling in nature-inspired numerical optimization: Past, present and future. Swarm and Evolutionary Computation, 1(4), 173-194. doi: 10.1016/j.swevo.2011.10.001.
  25. Mezura-Montes, E., & Hernández-Ocaña, B. (2009). Modified bacterial foraging optimization for engineering design. In Proceedings of the Artificial Neural Networks in Enginnering Conference (ANNIE’09), volume 19 of Intelligent Engineering Systems through Artificial Neural Networks (pp. 357-364). ASME Press. doi: 10.1115/1.802953.paper45.
  26. Mezura-Montes, E., & López-Davila, E. A. (2012). Adaptation and local search in the modified bacterial foraging algorithm for constrained optimization. In Proccedings of the IEEE Congress on Evolutionary Computation (CEC ‘12), (pp. 497-504). IEEE. doi: 10.1109/CEC.2012.6256172.
  27. Michalewicz, Z., & Fogel, D. B. (2004). How to Solve It: Modern Heuristics (2nd. Ed.). Berlin Heidelberg: Springer-Verlag.
  28. Niu, B., Fan, Y., Xiao, H., & Xue, B. (2012). Bacterial foraging based approaches to portfolio optimization with liquidity risk. Neurocomputing, 98(1), 90-100. doi: 10.1016/j.neucom.2011.05.048.
  29. Nouri, H., & Hong, T. S. (2012). A bacterial foraging algorithm based cell information considering operation time. Manufacturing Systems, 1(31), 326-336. doi: 10.1016/j.jmsy.2012.03.001.
  30. Pandit, N., Tripathi, A., Tapaswi, S., & Pandit, M. (2012). An improved bacterial foraging algorithm for combined static/dynamic environmental economic dispatch. Applied Soft Computing, 1(12), 3500-3513. doi: 10.1016/j.asoc.2012.06.011.
  31. Passino, K. M. (2002). Biomimicry of bacterial foraging for distributed optimization and control. IEEE Control Systems Magazine, 22(3), 52-67. doi: 10.1109/MCS.2002.1004010.
  32. Praveena, P., Vaisakh, K., & Mohana Rao, S. (2010). A bacterial foraging and PSO-DE algorithm for solving dynamic economic dispatch problem with valve-point effects. In First International Conference on Integrated Intelligent Computing, (pp. 227-232). IEEE. doi: 10.1109/ICIIC.2010.26.
  33. Price, K., Storn, R. M., & Lampinen, J. A. (2005). Differential Evolution: A Practical Approach to Global Optimization (1st. Ed.). Natural Computing Series. Berlin Heidelberg: Springer-Verlag.
  34. Saber, A. Y. (2012). Economic dispatch using particle swarm optimization with bacterial foraging effect. Electrical Power and Energy Systems, 1(34), 38-46. doi: 10.1016/j.ijepes.2011.09.003.
  35. Sandgren, E. (1995). Nonlinear integer and discrete programming in mechanical design optimization. ASME Journal of Mechanical Design, 112(1), 223-229, 1990. doi: 10.1115/1.2912596.
  36. Schwefel, H. P. (1993). Evolution and Optimization Seeking (1st. Ed.). New York, NY: John Wiley & Sons.