Resumen de Comparative study of cuckoo-inspired algorithms to solve large-scale continuous optimization problems

Carlos Alberto Cobos Lozada, Henry Muñoz Collazos, Richard Urbano Muñoz

• español

  Dos comportamientos distintivos del pájaro cuco han inspirado varios algoritmos metaheurísticos para resolver problemas de optimización continua. Además del conocido comportamiento de reproducción parasitaria que dio origen a diversos algoritmos de búsqueda cuco (CS por sus siglas en inglés), otro comportamiento relacionado con sus agrupaciones y la forma en que localizan las fuentes de alimento ha dado lugar al algoritmo COA. Como resultado, existen diferentes variantes para resolver problemas de optimización continua; sin embargo, es necesario definir cuál es el más adecuado para resolver un problema bajo requerimientos específicos. En este trabajo se realiza una comparación entre seis de estos algoritmos incluido CS+LEM (propuesto en este artículo), una hibridación del algoritmo CS con modelos evolutivos que aprenden (LEM por sus siglas en inglés) usando un enfoque conocido como “metaheurística mejorada por inteligencia artificial”. Se realizaron tres evaluaciones utilizando un conjunto de 61 funciones de prueba continuas: 1) el valor óptimo alcanzado con un tiempo fijo de ejecución; 2) el número de evaluaciones de la función objetivo necesarias para alcanzar el óptimo global; 3) el valor óptimo alcanzado con un número fijo de evaluaciones de la función objetivo. CS+LEM presenta los mejores resultados en la evaluación 1, mientras que COA presenta los mejores resultados en las evaluaciones 2 y 3. Los resultados se analizaron mediante las pruebas estadísticas no paramétricas de Friedman y Wilcoxon

• English

  Two distinctive behaviors of the cuckoo bird have inspired several metaheuristic algorithms to solve continuous optimization problems. In addition to the well-known parasitic breeding behavior that gave rise to several cuckoo search (CS) algorithms, another behavior related to their clustering and the way they locate food sources has given rise to the COA algorithm. As a result, there are several variants to solve continuous optimization problems; however, it is necessary to define which one is the most suitable under specific requirements. This paper compares six of these algorithms, including CS+LEM (proposed in this paper), which consists of a hybridization of the CS algorithm with learning evolutionary models (LEM) using an approach known as “metaheuristics enhanced by artificial intelligence”. Three assessments were performed using a set of 61 continuous test functions: 1) the optimal value achieved with a fixed execution time; 2) the number of objective function evaluations required to reach the global optimum; and 3) the optimal value achieved with a fixed number of objective function evaluations. CS+LEM presents the best results in evaluation 1, while COA presents the best results in evaluations 2 and 3. The results were analyzed using the Friedman and Wilcoxon nonparametric statistical tests