Validación de un método heurístico de optimización basado en un sistema de infección por virus
| Issue | Vol. 3 Núm. 1 (2020): Ciencia, Ingenierías y Aplicaciones |
| DOI | |
| Publicado | may. 28, 2020 |
|
Estadísticas |
Resumen
En los problemas de optimización se pueden utilizar diferentes algoritmos para encontrar la solución adecuada. Pero cuando se trata de problemas de complejidad media y alta, como los NP difíciles, las técnicas conocidas como los Algoritmos Genéticos (GA) tiene dificultad en converger o llegar a una solución. En este artículo se presenta la implementación de un Sistema de Virus (VS, por sus siglas en inglés Virus System), que se desarrolla con un nuevo enfoque para resolver problemas de optimización simulando la forma en que un organismo es atacado por un virus. La analogía del VS se aplica a dos tipos de problemas, Onemax, de diferentes longitudes de bits y funciones engañosas (Deceptive Functions) con el objetivo de comprobar su funcionamiento y su potencia de convergencia. Este método es comparado con un GA inspirado en el crecimiento de corales marinos. El VS ha logrado conseguir resultados de alta precisión, con una convergencia del 100 % en ambos problemas y con considerables mejoras comparados con los obtenidos con el GA.
Carson, J. (2017). Genetic Algorithms: Advances in Research and Applications. New York, EE. UU.: Nova Science Publishers, Inc.
Cortés, P., García, J. M., Onieva, L., Muñuzuri, J. y Guadix, J. (2008). Viral System: A new bio-inspired optimisation approach. Computers & Operations Research, 35, 2840-2860.
Cortés, P., García, J. M., Muñuzuri, J. & Guadix, J. (2012). "Viral system algorithm: foundations and comparison between selective and massive infections". Transactions of the Institute of Measurement & Control, 34(6), 677–690. Doi:10.15439/2019F63
Del Valle, Y., Kumar, G., S. Mohagheghi, S., Hernandez, J.C. y Harley, R.G. (2007). Particle Swarm Optimization: Basic Concepts, Variants and Applications in Power Systems. IEEE Transactions on Evolutionary Computation, 12(2): 171–195.
Doerr, B. y Neumann, F. (2020). Theory of Evolutionary Computation: Recent Developments. In Discrete Optimization, Switzerland: Springer.
Du, K.L. y Swamy, M. N. S. (2016). Search and Optimization by Metaheuristics, Techniques and Algorithms Inspired by Nature, Basel Switzerland: Birkhäuser.
Harrington, D. (2017). Bacteriophages: An Overview and Synthesis of a Re-Emerging Field (Bacteriology Research Developments). New York, EE. UU.: Nova Science Publishers, Inc
Lira, C.F., (s. f.). Phage life cycle, [en línea]. Disponible en https://www.lifeder.com/ciclo-lisogenico/
López, J. (2015). Optimización Multi-objetivo. Aplicaciones a problemas en el mundo real. La Plata, Argentina: EDULP
Loeffelholz, M. J., Hodinka, R. L., Pinsky, B. & Young, S. A. (2016). Clinical Virology Manual. (Fifth ed.). Washington DC., EE. UU.: ASM Press
Mahy, B. W. J. (2001). A Dictionary of Virology: Vol. 3rd ed. California, EE.UU.: Academic Press.
Microdok, (s.f). Types of Virus, [en línea]. Disponible en https://microdok.com/taxonomy-of-viruses/
Microinmuno, Bacteriofagos. (s.f.). Disponible en http://www.microinmuno.qb.fcen.uba.ar/SeminarioBacteriofagos.htm
Miskevich, F. (2016). Microbiology. Florida, EEUU: QuickStudy Reference Guides
Tong, L., Dong, M., Ai, B. y Jing. C. (2018). A Simple Butterfly Particle Swarm Optimization Algorithm with the Fitness-based Adaptive Inertia Weight and the Opposition-based Learning Average Elite Strategy., Fundamenta Informaticae, 163(2), 205–223
Xinjie Y. y Mitsuo G. (2010). Introduction to evolutionary algorithms. London, England: Springer
- Resumen visto - 830 veces
- PDF descargado - 277 veces
- HTML descargado - 580 veces
Descargas
Licencia
Copyright
© Ciencia, Ingenierías y Aplicaciones, 2020
Afiliaciones
Claudia A. Díaz Payano
Instituto Especializado de Estudios Superiores Loyola (IEESL), San Cristóbal, República Dominicana

