Descripción
En este estudio, evaluamos varias estrategias de búsqueda sin gradiente (evolutivas) para minimizar las expresiones de funciones matemáticas. Desarrollamos y probamos los algoritmos genéticos, la optimización de enjambres de partículas y la evolución diferencial para evaluar su eficacia general en la optimización de ecuaciones matemáticas. Luego se hace una comparación entre los resultados y la eficiencia, que está determinada por el número de iteraciones, la precisión observada y el tiempo de ejecución general. Además, la optimización emplea 12 funciones de Easom, Holder table, Michalewicz, Ackley, Rastrigin, Rosen, Rosen Brock, Shubert, Sphere, Schaffer, Himmelblau’s y Spring Force Vanderplaats. Además, se evalúan la tasa de cruce, la tasa de mutación y el factor de escala para determinar la eficacia de los siguientes algoritmos. De acuerdo con los resultados de la comparación de algoritmos de optimización, el algoritmo DE tiene la complejidad temporal más baja de los demás. (Fozooni, A., Kamari, O., Pourtalebiyan, M., Gorgich, M., Khalilzadeh, M. K., & Valizadeh, A., 2022)
Referencia
Fozooni, A., Kamari, O., Pourtalebiyan, M., Gorgich, M., Khalilzadeh, M. K., & Valizadeh, A. (2022). An analysis of the operation factors of three PSO-GA-ED meta-heuristic search methods for solving a single-objective optimization problem. Computational Intelligence and Neuroscience. https://doi.org/10.1155/2022/2748215 [Published: October (4th Quarter/Autumn) 2022]
