Estudio comparativo de algoritmos inspirados en el cuco para problemas de optimización continua a gran escala

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.