Enfoque de Evaluación para la Configuración de Parámetros en Algoritmo Genético: Un Caso del Problema de la Mochila 0-1

• Alcántara-Aravena, Gustavo ^[1] ; Acuña-Porras, Camilo ^[2]
  1. [1] Universidad de Santiago de Chile

     Universidad de Santiago de Chile

     Santiago, Chile

     
  2. [2] Pontificia Universidad Católica de Chile

     Pontificia Universidad Católica de Chile

     Santiago, Chile

     
• Localización: Gestión de las Personas y Tecnología, ISSN-e 0718-5693, Vol. 18, Nº. 53, 2025 (Ejemplar dedicado a: August), 76 págs.
• Idioma: español
• Títulos paralelos:
  • Abordagem de avaliação de configurações de parâmetros em algoritmo genético: um caso do problema da mochila 0-1
  • Evaluation Approach for Parameter Settings in Genetic Algorithm: A Case of the 0-1 Knapsack Problem
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La experimentación con diferentes configuraciones del algoritmo genético reveló que una baja probabilidad de mutación, combinada con un tamaño de torneo adecuado, mejora significativamente el rendimiento del algoritmo. Esto se refleja en la reducción del GAP promedio y la maximización del valor objetivo alcanzado, estableciendo así parámetros de referencia cuantificables para implementaciones eficientes del problema de la mochila 0-1. La novedad del estudio radica en ofrecer directrices concretas para aplicaciones prácticas, identificando relaciones consistentes entre la configuración de parámetros y el comportamiento del algoritmo. Si bien los AG son eficaces en la exploración de grandes espacios de búsqueda en problemas NP-completos, este trabajo demuestra que requieren una calibración precisa para evitar la convergencia prematura. Se constató que la probabilidad de mutación y el tamaño del torneo influyen directamente en las dinámicas exploratoria y explotadora del algoritmo. En general, combinaciones con baja mutación y torneos intermedios ofrecieron un buen equilibrio entre calidad de solución y estabilidad, mientras que valores extremos (mutación de 0.20 o torneo k = 2/k=4) incrementaron la variabilidad del rendimiento, especialmente en problemas de mayor escala. Estos hallazgos evidencian la sensibilidad del algoritmo a dichos parámetros y destacan la importancia de ajustes cuidadosos para preservar su eficacia ante escenarios complejos.

  • English

    Experimentation with different configurations of the genetic algorithm revealed that a low mutation probability, combined with an appropriate tournament size, significantly improves the algorithm's performance. This is reflected in the reduction of the average GAP and the maximization of the achieved objective value, thereby establishing quantifiable benchmark parameters for efficient implementations of the 0-1 knapsack problem. The novelty of the study lies in providing concrete guidelines for practical applications, identifying consistent relationships between parameter configuration and algorithm behavior. While genetic algorithms are effective in exploring large search spaces in NP-complete problems, this work demonstrates that they require precise calibration to avoid premature convergence. It was found that the mutation probability and tournament size directly influence the algorithm's exploratory and exploitative dynamics. In general, combinations with low mutation and intermediate tournament sizes offered a good balance between solution quality and stability, whereas extreme values (mutation of 0.20 or tournament size k = 2/k = 4) increased performance variability, especially in larger-scale problems. These findings highlight the algorithm’s sensitivity to these parameters and underscore the importance of careful tuning to preserve its effectiveness in complex scenarios.

  • português

    A experimentação com várias configurações do algoritmo genético revelou que a combinação específica de uma baixa probabilidade de mutação juntamente com um tamanho de torneio ajustado produz melhorias significativas de desempenho, evidenciadas tanto na redução do GAP médio quanto na maximização do valor objetivo alcançado, estabelecendo assim referências quantificáveis ​​para implementações eficientes em problemas de mochila 0-1 de complexidade variável. A novidade está em fornecer diretrizes concretas para implementações práticas, estabelecendo relações claras entre parâmetros e desempenho. Embora os AGs sejam eficazes para explorar grandes espaços de busca em problemas NP-completos, o estudo confirma que eles exigem um ajuste cuidadoso para evitar convergência prematura. Propõe-se integrar técnicas avançadas como redes neurais profundas (DNN) e aprendizado por reforço (RL) para otimizar parâmetros de forma adaptativa, melhorando potencialmente sua aplicabilidade em cenários de maior escalabilidade.