TÉCNICAS PARA CONTRARRESTAR LA PÉRDIDA DE VARIABILIDAD EN UN UMDA
Cargando...
Fecha
Fecha
Director
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Distrital Francisco José de Caldas
Compartir
Citar documento
Mendoza, Alfredo; Sentí, Eunice Ponce de León; Díaz, Elva Díaz (s. f.). TÉCNICAS PARA CONTRARRESTAR LA PÉRDIDA DE VARIABILIDAD EN UN UMDA. Universidad Distrital Francisco José de Caldas. https://hdl.handle.net/11349/21488
Gestores bibliográficos
Altmetric
El indicador aparece cuando Altmetric registra menciones para este documento.
Resumen
Descripción
Debido a la naturaleza de su proceso de aprendizaje, los algoritmos de estimación de la distribución (conocidos como EDA) han padecido, desde sus primeras implementaciones, de problemas de variabilidad (respecto a las soluciones utilizadas en su proceso de optimización); lo que conlleva a estancamientos en óptimos locales o lentitud para encontrar la solución óptima. Diversos métodos y técnicas han sido implementados en estos algoritmos que reducen, y en algunos casos anulan, dicho problema. El UMDA (Univariate Marginal Distribution Algorithm), es la implementación más simple de un EDA; al asumir independencia entre sus variables, simplifica la estimación de la distribución de las soluciones en el producto de las probabilidades marginales. La aleatoriedad de la primera población y el número de individuos utilizados para estimar la distribución son factores que influyen en la variabilidad del algoritmo. Este artículo presenta un análisis comparativo entre los métodos que tratan este problema, involucrando cuatro de los más utilizados en la literatura y dos más propuestos por los autores. También se presenta un análisis de la influencia en la variabilidad de un UMDA de los parámetros utilizados en los operadores de selección y remplazamiento.