Perfiles de comportamiento numérico de los métodos de búsqueda immune network algorithm y bacterial foraging optimization algorithm en funciones benchmark
Título del documento: Perfiles de comportamiento numérico de los métodos de búsqueda immune network algorithm y bacterial foraging optimization algorithm en funciones benchmark
Revista: Ingeniería. Investigación y tecnología
Base de datos: PERIÓDICA
Número de sistema: 000410094
ISSN: 1405-7743
Autores: 1
2
3
1
Instituciones: 1Universidad Autónoma de Coahuila, Facultad de Ciencias Químicas, Saltillo, Coahuila. México
2Universidad Autónoma de Coahuila, Facultad de Sistemas, Saltillo, Coahuila. México
3Instituto Tecnológico y de Estudios Superiores de Monterrey, Campus Cuernavaca, Cuernavaca, Morelos. México
Año:
Periodo: Oct-Dic
Volumen: 17
Número: 4
Paginación: 479-490
País: México
Idioma: Español
Tipo de documento: Artículo
Enfoque: Aplicado, descriptivo
Resumen en español En este trabajo se reporta la aplicación del concepto de perfiles de comportamiento numérico en la comparación del desempeño numérico de los métodos Immune Network Algorithm y Bacterial Foraging Optimization en 18 funciones benchmark de optimización. Específicamente la robustez, eficiencia y el tiempo de ejecución de estos métodos se compararon en espacios de búsqueda con múltiples mínimos locales, bowl-shaped, plate-shaped, valley-shaped, steep ridges y otras conocidas funciones de optimización como styblinski-tang y beale function. Los resultados muestran que el método AiNet (Castro et al., 2002) es más robusto que el método BFOA (Passino, 2010) para los casos de estudio considerados en este trabajo. Sin embargo, existen diferencias en la eficiencia (número de funciones evaluadas y tiempo de convergencia) entre ambos métodos. Donde BFOA es el algoritmo con mejor desempeño en cuanto al número de funciones evaluadas
Resumen en inglés This paper reports the application of the performance profiles model comparing the numerical methods Immune Network (AiNet) and Bacterial Foraging Optimization Algorithm (BFOA) in 18 benchmark optimization functions. Specifically robustness, efficiency and execution time of these methods were compared in search spaces with local minima multiple, bowl-shaped, plate-shaped, valley-shaped, steep ridges and other known optimization functions as styblinski-tang and beale function. The results show that the method AiNet (Castro et al., 2002) is more robust than the BFOA method (Passino, 2010) for the case studies considered in this work. However there are differences in the efficiency (number of evaluated functions and convergence time) between both methods. BFOA is the algorithm with best perform in terms of the number of evaluated functions
Disciplinas: Ingeniería,
Ciencias de la computación
Palabras clave: Ingeniería industrial,
Tecnología de la información,
Métodos de búsqueda,
Perfil de comportamiento,
Funciones benchmark,
Optimización
Keyword: Engineering,
Computer science,
Industrial engineering,
Information technology,
Searching methods,
Performance profile,
Benchmark functions,
Optimization
Texto completo: Texto completo (Ver HTML)