Este trabajo presenta los resultados de una nueva metodología para hibridar metaheurísticas. Localizando primero los componentes activos (partes) de un algoritmo y luego insertándolos en otro, podemos construir algoritmos de optimización, búsqueda y aprendizaje eficientes y precisos. Esto proporciona una forma concreta de construir nuevas técnicas que contrasta con la forma de hibridación ad hoc extendida. En este trabajo, el algoritmo mejorado es un Algoritmo Genético Celular (AGc) que ha sido utilizado con éxito en el pasado para encontrar soluciones a estos difíciles problemas de optimización. Con el fin de ampliar y corroborar el uso de componentes activos como metodología emergente de hibridación, proponemos aquí el uso de componentes activos tomados de la búsqueda dispersa (SS) para mejorar el cGA. Los resultados obtenidos sobre un conjunto variado de benchmarks son altamente satisfactorios en eficacia y eficiencia cuando se comparan con un cGA estándar. Además, el enfoque híbrido propuesto (es decir, cGA SS) ha mostrado resultados alentadores con respecto a aplicaciones anteriores de nuestra metodología.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Morfosíntesis de nanopartículas de hidroxiapatita estequiométricas y carbonatadas sustituidas por Zn y su citotoxicidad en fibroblastos
Artículo:
Análisis estadístico para identificar microARN diferenciales en exosomas séricos de trabajadores del plomo
Artículo:
Retroalimentación de estimulación visual-electrotáctil para mejorar la interfaz cerebro-ordenador inmersiva basada en imágenes motoras de la mano
Artículo:
Uso del modelo de gestor de cambios para el sistema hipocampal para predecir la conectividad y los parámetros neurofisiológicos en la corteza perirrinal
Artículo:
Detección de anomalías en vídeos mediante un autocodificador de dos flujos con interpretabilidad post-hoc