Estudio comparativo de algoritmos inspirados en el cuco para problemas de optimización continua a gran escala
![](https://revistas.uptc.edu.co/public/journals/15/cover_issue_959_en_US.jpg)
Resumen
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.
Palabras clave
algoritmo de búsqueda del cuco, inteligencia artificial, metaheurísticas, optimización, problemas continuos a gran escala
Biografía del autor/a
Carlos-Alberto Cobos-Lozada
Profesor de Planta Titular Tiempo Completo
Departamento de Sistemas
Facultad de Ingeniería Electrónica y Telecomunicaciones
Universidad del Cauca
Referencias
- L. Velasco, H. Guerrero, A. Hospitaler, “A Literature Review and Critical Analysis of Metaheuristics Recently Developed,” Arch. Comput. Methods Eng., 2023. https://doi.org/10.1007/s11831-023-09975-0
- R. R. Abo-Alsabeh, A. Salhi, “The Genetic Algorithm: A study survey,” Iraqi J. Sci., vol. 63, no. 3, pp. 1215-1231, 2022. https://doi.org/10.24996/ijs.2022.63.3.27
- F. Neri, C. Cotta, “Memetic algorithms and memetic computing optimization: A literature review,” Swarm Evol. Comput., vol. 2, pp. 1-14, 2012. https://doi.org/10.1016/j.swevo.2011.11.003
- V. K. Prajapati, M. Jain, L. Chouhan, “Tabu Search Algorithm (TSA): A Comprehensive Survey,” in Proceedings of 3rd International Conference on Emerging Technologies in Computer Engineering: Machine Learning and Internet of Things, 2020, pp. 222–229. https://doi.org/10.1109/ICETCE48199.2020.9091743
- N. Nayar, S. Gautam, P. Singh, G. Mehta, “Ant Colony Optimization: A Review of Literature and Application in Feature Selection,” in Lecture Notes in Networks and Systems, 2021, pp. 285-297. https://doi.org/10.1007/978-981-33-4305-4_22
- A. G. Gad, “Particle Swarm Optimization Algorithm and Its Applications: A Systematic Review,” Arch. Comput. Methods Eng., vol. 29, no. 5, pp. 2531-2561, 2022. https://doi.org/10.1007/s11831-021-09694-4
- I. Sharma, V. Kumar, S. Sharma, “A Comprehensive Survey on Grey Wolf Optimization,” Recent Adv. Comput. Sci. Commun., vol. 15, no. 3, pp. 323-333, 2022. https://doi.org/10.2174/2666255813999201007165454
- J. Li, X. Wei, B. Li, Z. Zeng, “A survey on firefly algorithms,” Neurocomputing, vol. 500, pp. 662-678, 2022. https://doi.org/10.1016/j.neucom.2022.05.100
- D. Karaboga, B. Akay, “A comparative study of Artificial Bee Colony algorithm,” Appl. Math. Comput., vol. 214, no. 1, pp. 108-132, 2009. https://doi.org/10.1016/j.amc.2009.03.090
- M. F. Ahmad, N. A. M. Isa, W. H. Lim, K. M. Ang, “Differential evolution: A recent review based on state-of-the-art works,” Alexandria Eng. J., vol. 61, no. 5, pp. 3831-3872, 2022. https://doi.org/10.1016/j.aej.2021.09.013
- F. Qin, A. M. Zain, K.-Q. Zhou, “Harmony search algorithm and related variants: A systematic review,” Swarm Evol. Comput., vol. 74, 2022. https://doi.org/10.1016/j.swevo.2022.101126
- E. Ruano-Daza, C. Cobos, J. Torres-Jimenez, M. Mendoza, A. Paz, “A multiobjective bilevel approach based on global-best harmony search for defining optimal routes and frequencies for bus rapid transit systems,” Appl. Soft Comput. J., vol. 67, pp. 567-583, 2018. https://doi.org/10.1016/j.asoc.2018.03.026
- S. Salhi, J. Thompson, “An overview of heuristics and metaheuristics,” in The Palgrave Handbook of Operations Research, 2022, pp. 353-403. https://doi.org/10.1007/978-3-030-96935-6_11
- X.-S. Yang, S. Deb, “Cuckoo Search via Lévy flights,” in 2009 World Congress on Nature & Biologically Inspired Computing (NaBIC), 2009, pp. 210-214. https://doi.org/10.1109/NABIC.2009.5393690
- K. Safdar, K. N. Abdul Rani, H. A. Rahim, S. J. Rosli, M. A. Jamlos, “A Review on Research Trends in using Cuckoo Search Algorithm: Applications and Open Research Challenges,” Prz. Elektrotechniczny, vol. 1, no. 5, pp. 18-24, 2023. https://doi.org/10.15199/48.2023.05.04
- E. Valian, S. Mohanna, S. Tavakoli, “Improved Cuckoo Search Algorithm for Feed forward Neural Network Training,” Int. J. Artif. Intell. Appl., vol. 2, no. 3, pp. 36-43, 2011. https://doi.org/10.5121/ijaia.2011.2304
- S. Walton, O. Hassan, K. Morgan, M. R. Brown, “Modified cuckoo search: A new gradient free optimisation algorithm,” Chaos, Solitons and Fractals, vol. 44, no. 9, pp. 710-718, 2011. https://doi.org/101016/jchaos201106004
- M. Tuba, M. Subotic, N. Stanarevic, “Modified Cuckoo Search Algorithm for Unconstrained Optimization Problems,” in Proc. 5th Eur. Conf. Eur. Comput. Conf., pp. 263-268, 2011. http://www.wseas.us/e-library/conferences/2011/Paris/ECC/ECC-43.pdf
- R. Rajabioun, “Cuckoo Optimization Algorithm,” Appl. Soft Comput., vol. 11, no. 8, pp. 5508-5518, 2011. https://doi.org/10.1016/j.asoc.2011.05.008
- J. Li, Q. An, H. Lei, Q. Deng, G.-G. Wang, “Survey of Lévy Flight-Based Metaheuristics for Optimization,” Mathematics, vol. 10, no. 15, e2785, 2022. https://doi.org/10.3390/math10152785
- R. S. Michalski, “Learnable evolution model: evolutionary processes guided by machine learning,” Mach. Learn., vol. 38, no. 1, pp. 9-40, 2000. https://doi.org/10.1023/a:1007677805582
- A. L. da Costa Oliveira, A. Britto, R. Gusmão, “Machine learning enhancing metaheuristics: a systematic review,” Soft Comput., 2023. https://doi.org/10.1007/s00500-023-08886-3
- C. Cobos, D. Estupiñán, J. Pérez, “GHS + LEM: Global-best Harmony Search using learnable evolution models,” Appl. Math. Comput., vol. 218, no. 6, pp. 2558-2578, 2011. https://doi.org/10.1016/j.amc.2011.07.073
- P. N. Suganthan et al., “Problem definitions and evaluation criteria for the CEC 2005 special session on real-parameter optimization,” Singapore, 2005. http://www.cmap.polytechnique.fr/~nikolaus.hansen/Tech-Report-May-30-05.pdf
- K. Tang et al., “Benchmark functions for the CEC’2008 special session and competition on large scale global optimization,” in IEEE World Congress on Computational Intelligence, Rio de Janeiro, Brazil: IEEE, 2008, pp. 1-18. http://sci2s.ugr.es/programacion/workshop/Tech.Report.CEC2008.LSGO.pdf
- T. Ke, L. Xiaodong, S. P. N., Y. Zhenyu, W. Thomas, “Benchmark Functions for the CEC’2010 Special Session and Competition on Large-Scale Global Optimization,” Shanghai, China, 2010. http://goanna.cs.rmit.edu.au/~xiaodong/cec13-lsgo/competition/cec2013-lsgo-benchmark-tech-report.pdf
- M. Molga, C. Smutnicki, “Test functions for optimization needs,” Test functions for optimization needs, pp. 1-43, 2005. https://robertmarks.org/Classes/ENGR5358/Papers/functions.pdf
- D. H. Wolpert, W. G. Macready, “No free lunch theorems for optimization,” IEEE Trans. Evol. Comput., vol. 1, no. 1, pp. 67-82, 1997. https://doi.org/10.1109/4235.585893