Métodos de búsqueda usando los algoritmos de enjambre de partículas y genético

• Autores: Jovani Alberto Jiménez Builes, Rafael Esteban Arango Sánchez, Leidy Diana Jiménez Pinzón
• Localización: Lámpsakos, ISSN-e 2145-4086, ISSN 2145-4086, Nº. 16, 2016 (Ejemplar dedicado a: Edición 16: Apuntes de Ingeniería), págs. 52-60
• Idioma: español
• Títulos paralelos:
  • Search methods using the algorithms: particle swarm and genetic
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La optimización de un problema para la toma de decisiones es una tarea frecuente en la vida. Existen en la literatura diferentes técnicas determinísticas y heurísticas, las cuales son utilizadas de acuerdo a las condiciones o restricciones del problema para encontrar la mejor solución. Sin embargo, para lograr una exploración en un espacio de búsqueda de posibles soluciones, se aplican los métodos metaheurísticos, los cuales se basan en el comportamiento de poblaciones y trayectorias permitiendo encontrar soluciones casi óptimas. En este artículo se presenta el estudio de dos métodos metaheurísticos basados en poblaciones, el algoritmo enjambre de partículas y el algoritmo genético, implementados para dar solución a problemas cuyo objetivo es optimizar buscando siempre el menor valor. Para llevar a cabo este estudio, se realiza una aplicación en lenguaje de programación JAVA que contiene la implementación de los dos algoritmos a ser evaluados sobre funciones no lineales. El resultado de este trabajo se muestra mediante la comparación en la precisión al obtener la solución óptima de los métodos, mostrando la evolución de los resultados de forma gráfica hasta llegar a la solución. Al finalizar se concluye que el enjambre de partículas tiene un mejor comportamiento que el algoritmo genético.

  • English

    This article presents the study of two metaheuristic methods based in populations, the comparison between two search algorithms, the particle swarm algorithm (PSO) and genetic algorithm (GA) for solving problems whose objective is optimize always looking for the lowest value. To carry out this study, we made an application in JAVA programming language that contains the implementation of the two algorithms to be used for evaluation of nonlinear functions. The result of this work is shown by comparing the accuracy to obtain the optimal solution of the methods listed above, showing the evolution of the results in graphical form to reach the solution. From this study it can be concluded that the particle swarm optimization has a better performance than genetic algorithm.