Resumen de Selección determinista y cruce anular en algoritmos genéticos: aplicación a la planificación de unidades térmicas de generación.

Boris Pavez Lazo, Jessica Soto Cartes, Carlos Urrutia, Millaray Curilem

• español

  Uno de los problemas fundamentales de los algoritmos genéticos (AG) es la convergencia prematura a un óptimo local, debido principalmente a que los mejores individuos tienden a adueñarse de las características genéticas de la población, disminuyéndose la diversidad. Además, cuando la representación cromosómica es lineal, el cruzamiento es sensible a la codificación, ya que los extremos en este tipo de cromosoma pueden cambiar, con una probabilidad muy baja, sólo si son mutados. En este trabajo se aplica al problema de planificación de unidades térmicas de generación. Un AG que utiliza un operador determinista en la selección de individuos, donde se permite a individuos menos aptos perdurar de una generación a otra y un operador de cruce, llamado Cruce Anular, para generar nuevos individuos. Con ambos mecanismos se permite una mayor diversidad de la población y que el algoritmo sea menos dependiente de la codificación del cromosoma. Estos operadores garantizan la convergencia a una solución óptima, pero no garantiza rapidez de la convergencia. Sin embargo, los resultados obtenidos muestran que estos operadores alcanzan una convergencia más rápida y de mejor calidad que cuando se usan operadores estándares.

• English

  One of the fundamental problems of genetic algorithms (GA) is the premature convergence to a local optimum due mainly to the fact that the best individuals tend to take over the genetic characteristics of the population, reducing diversity. Moreover, when the chromosome has a linear representation, the crossover is sensitive to the chromosome codification, as its head and tail change with a very low probability, only if they are affected by mutation. In this work we propose an approach to the problem of thermal generating units scheduling, using a GA which combines a deterministic selection operator with an Annular Crossover operator to generate new individuals. Both mechanisms allow greater diversity of the population and more independence from the codification of the chromosome. These operators guarantee the convergence to an optimal solution, although there is no guarantee of rapid convergence. However, the results show that these operators have a faster convergence and reach a better performance when compared to standard GA operators.