Metaheurística ACO

Top PDF Metaheurística ACO:

Metaheurística ACO aplicada a problemas de planificación en entornos dinámicos

Metaheurística ACO aplicada a problemas de planificación en entornos dinámicos

Por otro lado, la metaheurística ACO está inspirada en el comportamiento de las hormigas reales. Puede ser aplicada a cualquier problema de optimización, para que un procedimiento de construcción de una solución pueda ser realizado. ACO se caracteriza por ser un método de búsqueda distribuida, estocástica y basada en la comunicación indirecta de una colonia artificial de hormigas, transmitida por trayectos artificiales de feromona. Estos trayectos sirven como información usada por las hormigas para construir probabilísticamente soluciones al problema bajo consideración. Las hormigas modifican los trayectos de feromona durante la ejecución del algoritmo para reflejar su experiencia de búsqueda [12].
Mostrar más

5 Lee mas

Problemas de planificación para máquina única en entornos dinámicos implementados con metaheurística ACO Y AES

Problemas de planificación para máquina única en entornos dinámicos implementados con metaheurística ACO Y AES

Por otro lado, la metaheurística ACO está inspirada en el comportamiento de las hormigas reales. Puede ser aplicada a cualquier problema de optimización, para que un procedimiento de construcción de una solución pueda ser realizado. ACO se caracteriza por ser un método de búsqueda distribuida, estocástica y basada en la comunicación indirecta de una colonia artificial de hormigas, transmitida por trayectos artificiales de feromona. Estos trayectos sirven como información usada por las hormigas para construir probabilísticamente soluciones al problema bajo consideración. Las hormigas modifican los trayectos de feromona durante la ejecución del algoritmo para reflejar su experiencia de búsqueda [9].
Mostrar más

5 Lee mas

Metaheurística ACO en dos etapas aplicada al problema del Job Shop Scheduling

Metaheurística ACO en dos etapas aplicada al problema del Job Shop Scheduling

Una metaheurística relativamente reciente es la Optimización Basada en Colonias de Hormigas (“Ant Colony Optimization”, ACO) la cual se inspira en el comportamiento que rige a las hormigas de diversas especies para encontrar los caminos más cortos entre las fuentes de comida y el hormiguero. De hecho, desde el trabajo inicial de Dorigo, Maniezzo y Colorni, Sistema de Hormigas (“Ant System”, AS) ACO se ha convirtiendo en un campo de investigación importante: un gran número de autores han desarrollado modelos cada vez más sofisticados para solucionar de manera satisfactoria un gran número de problemas de optimización combinatoria. Una problemática de interés en dicha metaheurística siempre ha sido el costo computacional empleado por ella, ya que la calidad de las soluciones encontradas tiene una estrecha relación con el tamaño de la exploración, de ahí es que surge la idea de crear un nuevo modelo llamado ACO en dos etapas que trabajará con ese factor que tiene tanta importancia para dicho algoritmo. En este capítulo se hará un estudio de forma general de algunos aspectos importantes en la metaheurística ACO, además de darle un tratamiento más profundo al nuevo modelo mencionado anteriormente.
Mostrar más

85 Lee mas

Metaheurística ACO para resolver un problema de transporte

Metaheurística ACO para resolver un problema de transporte

Se propone un enfoque basado en optimización por colonia de hormigas y la utilización del software GAMS para la resolución de problemas de localización y ruteo con restricciones de capacidad. La utilización de una metaheurística permite abordar problemas de grandes dimensiones y obtener resultados satisfactorios. Se presenta un algoritmo que resuelve la localización de paradas en función de una zonificación previa en la región de interés. Esta condición nos permite satisfacer la demanda de los usuarios en cada sector, minimizando los costos globales por la prestación del servicio. Finalmente, es importante destacar que el algoritmo diseñado es general, permitiendo su aplicación a distintas versiones de un LRP.
Mostrar más

11 Lee mas

Algoritmos heurísticos para la búsqueda por palabras clave en documentos XML basados en la metaheurística ACO

Algoritmos heurísticos para la búsqueda por palabras clave en documentos XML basados en la metaheurística ACO

método inspirado en el movimiento natural desarrollado por las comunidades de animales, tales como las emigraciones de las bandadas de pájaros. En estos, la población representa un enjambre y está compuesta por una serie de partículas (pájaros) que representan soluciones a un problema determinado, donde cada una de ellas realiza un desplazamiento (cambia de posición) en el espacio de búsqueda. Cada partícula se desplaza influenciada por dos direcciones: una hacia la mejor partícula encontrada hasta el momento, y por la mejor posición por la que ha pasado. Este comportamiento es un ejemplo de comunicación directa.  Optimización basada en colonia de hormigas (Ant Colony Optimization; ACO)
Mostrar más

77 Lee mas

Aplicación de la Metaheurística ACO en II Etapas al Problema de Planeamiento de las Fuerzas de Trabajo

Aplicación de la Metaheurística ACO en II Etapas al Problema de Planeamiento de las Fuerzas de Trabajo

En esta sección se hará referencia solamente a los aspectos que diferenciaron la implementación del Max-Min AS en II Etapas de la del Max-Min AS tradicional. En todos los puntos técnicos y teóricos asociados al problema WPP y al algoritmo AS, la concepción del modelo ACO en II etapas no difiere de la del ACO tradicional, y solamente el método executeWPP tratado en la sección anterior tiene variaciones en cuanto al AS original. La diferencia se debe al hecho de que este método conduce el hilo general del algoritmo y, para aplicar las nuevas concepciones del modelo ACO en II Etapas, solamente era necesario modificar este procedimiento. En el AS en II Etapas este método se encarga de hacer una división del espacio de búsqueda en dos partes, en la primera etapa se hallan soluciones parciales que se completan en la segunda. A continuación mostramos el pseudocódigo de este método:
Mostrar más

82 Lee mas

Modelo ACO para la recolección de residuos por contenedores

Modelo ACO para la recolección de residuos por contenedores

El algoritmo ACO seleccionado es el ACS (Ant Colony System), ya que dada su regla de transición permite balancear la intensificación y exploración en el espacio de soluciones [9] para resolver un problema TSP. El problema TSP tiene un rol fundamental en ACO, dado que fue el primer problema tratado con este método [12, 11] existiendo una natural asociación entre este problema y la definición de la metaheurística ACO [8]. El problema fundamental consiste en que, dado un conjunto de n ciudades a visitar, se debe buscar el tour de mínima distancia visitando cada ciudad una sola vez. Cada una de las m hormigas disponibles construye una solución (secuencia de ciudades a visitar).
Mostrar más

8 Lee mas

Integración de técnicas de visualización a algoritmos de optimización de la metaheurística colonia de hormigas

Integración de técnicas de visualización a algoritmos de optimización de la metaheurística colonia de hormigas

De Archivo se puede elegir cuatro opciones (Ver Figura 3.13): “Cargar Problema TSP”: muestra una ventana de diálogo similar a la de la Figura 3.14 para cargar un fichero con extensión tsp y las características explicadas en el epígrafe 3.3.1, el nombre del fichero cargado aparecerá en la barra de título de la ventana principal de la aplicación; “Iniciar ACS”: comienza a resolver el problema cargado con los parámetros prefijados y el algoritmo Sistema Colonia de Hormigas de la metaheurística ACO; “Salvar resultados”: permite guardar en un fichero texto los resultados numéricos del algoritmo para el problema seleccionado, la ventana de diálogo que tramita esta operación es similar a la que ilustra la Figura 3.15 ; y “Terminar”: que brinda la posibilidad de abortar la ejecución de la aplicación, independientemente del estado en que se encuentre la misma.
Mostrar más

90 Lee mas

Un modelo ACO para una versión no estacionaria del problema del ascensor único

Un modelo ACO para una versión no estacionaria del problema del ascensor único

The Ant Colony Optimization (ACO) metaheuristic is a bio-inspired approach for hard combinatorial optimiza- tion problems for stationary and non-stationary environments. In the ACO metaheuristic, a colony of artificial ants cooperate for finding high quality solutions in a reasonable time. An interesting example of a non-stationary combinatorial optimization problem is the Multiple Elevators Problem (MEP) which consists in finding a se- quence of movements for each elevator to perform in a building so that to minimize, for instance, the waiting average time of the passengers. Events like the arrival of one new passenger to the elevator queue or the fault of one elevator produce dynamically the changes of state in this problem. A subclass of MEP is the non-stationary version of the so called Single Elevator Problem (SEP). In this work, we propose the design of an ACO model for the SEP that can be implemented as an Ant Colony System (ACS).
Mostrar más

13 Lee mas

Optimización para el trozado de múltiples rodales de Pinus Radiata  Uso de una metaheurística

Optimización para el trozado de múltiples rodales de Pinus Radiata Uso de una metaheurística

Generar Esquema de Trozado usando Metaheurística Simulated Annealing. Definida la Función Objetivo (FO) y el Espacio Solución, además de tener ingresado los datos de entrada, se genera el esquema de trozado compuesto por una cartera de productos de tamaño k, definido como dato de entrada, y el esquema de trozado por cada tipo de producto el cual es generado por un Simulador de Trozado que actúa en conjunto con Simulated Annealing (SA). El Simulador de Trozado a su vez, trabaja dentro de sí con los valores proporcionados por la función de ahusamiento que determina la relación que hay entre la altura del árbol y su diámetro, permitiendo obtener los trozos del fuste del árbol. La metaheurística cambia los tipos de productos que entran a la cartera de tamaño k y evalúa distintos esquemas para los rodales. Más adelante se muestra el algoritmo para SA, como también para el simulador de trozado y la ecuación para la Función de Ahusamiento.
Mostrar más

86 Lee mas

Aplicación de la Metaheurística "Simulated  Annealing" al Balanceo de Líneas de Ensamble Simples

Aplicación de la Metaheurística "Simulated Annealing" al Balanceo de Líneas de Ensamble Simples

Con esta solución inicial se aplicó la metaheurística de SA, con la cual se consiguen varias configuraciones alternativas con 12 estaciones, tiempo de ciclo de 246 minutos y eficiencia de línea del 86.48%. Una de ellas es la que se muestra en la Tabla 2.El tiempo de CPU incurrido para la resolución de este problema fue de 299.10 segundos encontrándose la solución reportada en la Tabla 2 en un total de 22157 iteraciones.

16 Lee mas

Aplicación de la metaheurística "simulated annealing" al balanceo de líneas de ensamble simples

Aplicación de la metaheurística "simulated annealing" al balanceo de líneas de ensamble simples

Si bien la metaheurísticaSA no permite garantizar la optimicidad de las soluciones halladas, el procedimiento aplicado es muy promisorio pues permite obtener solucio- nes alternativas cercanas al valor mínimo dado por el número teórico de estaciones, además no reporta una única solución sino que puede reportar varias soluciones alter- nativas, permite además poner una configuración inicial factible de partida, lo cual también influye en la convergencia de la metaheurística, tiene gran facilidad de uso y su programación puede ser desarrollada en la mayoría de las plataformas de progra- mación disponibles.
Mostrar más

12 Lee mas

Supervisión Metaheurística en Paralelo para Formación y Crecimiento de Cúmulos de Células Anómalas.

Supervisión Metaheurística en Paralelo para Formación y Crecimiento de Cúmulos de Células Anómalas.

México fue de 65 por cada 100,000 habitantes, según las cifras más recientes, del Instituto Nacional de Estadística y Geografía (INEGI)... • Al final cada modelo matemático puede ser.[r]

18 Lee mas

Integración de técnicas de visualización para el algoritmo de búsqueda metaheurística recocido simulado

Integración de técnicas de visualización para el algoritmo de búsqueda metaheurística recocido simulado

La presente investigación, tiene como antecedentes las investigaciones que se han realizado y que se encuentran en progreso de desarrollo en el Laboratorio de Computación Gráfica del Cen[r]

72 Lee mas

Integración de técnicas de visualización con el algoritmo de búsqueda metaheurística recocido simulado

Integración de técnicas de visualización con el algoritmo de búsqueda metaheurística recocido simulado

• Metaheurísticas evolutivas: tratan el problema utilizando conjuntos de soluciones que evolucionan sobre el espacio de soluciones. Entre ellas se encuentran los algoritmos genéticos, meméticos, estimación de distribuciones, reencadenamiento de caminos, colonias de hormigas, etc. (Pilar Moreno Díaz and Manso 2007). • Metaheurísticas de búsqueda: utilizan procedimientos mediante transformaciones o movimientos para recorrer el espacio de soluciones y explotar las estructuras de entornos asociadas. Entre ellas se encuentran los algoritmos de Hillclimbing, de arranque múltiple, Simulated Annealing, búsqueda tabú, etc. (Pilar Moreno Díaz and Manso 2007). Para esta investigación se utiliza este tipo de metaheurística, haciendo énfasis en Simulated Annealing.
Mostrar más

88 Lee mas

Protocolo de encaminamiento ACO híbrido para redes móviles  ad hoc

Protocolo de encaminamiento ACO híbrido para redes móviles ad hoc

Él abajo firmante, matriculado en el Máster en Investigación en Informática de la Facultad de Informática, autoriza a la Universidad Complutense de Madrid (UCM) a difundir y utilizar con fines académicos, no comerciales y mencionando expresamente a su autor, el presente Trabajo Fin de Máster: “Protocolo de Encaminamiento ACO Híbrido para Redes Móviles Ad hoc”, realizado durante el curso académico 2008-2009 bajo la dirección de Alfredo Fernández-Valmayor Crespo y con la colaboración externa de dirección de Luis Javier García Villalba en el Departamento de Ingeniería del Software e Inteligencia Artificial, y a la Biblioteca de la UCM a depositarlo en el Archivo Institucional E-Prints Complutense con el objeto de incrementar la difusión, uso e impacto del trabajo en Internet y garantizar su preservación y acceso a largo plazo.
Mostrar más

155 Lee mas

Soluciones aproximadas para el problema de Triangulación de Peso Mínimo utilizando ACO

Soluciones aproximadas para el problema de Triangulación de Peso Mínimo utilizando ACO

trabajo inicial de Dorigo, Maniezzo y Colorni sobre Sistema de Hormigas (Ant System). Los algoritmos ACO son aptos para resolver problemas de optimizaci´ on discretos y tambi´en continuos. Se basan en una colonia de hormigas artificiales, representadas por agentes computacionales simples, que trabajan de manera cooperativa y se comunican entre s´ı mediante rastros de feromona artificiales [7]. Son esencialmente algoritmos constructivos: en cada iteraci´ on del algoritmo, cada hormiga construye una soluci´ on al problema recorriendo un grafo de cons- trucci´ on. Cada arista (i, j) del grafo representa los posibles pasos que la hormiga puede dar y tiene asociadas dos fuentes de informaci´ on que gu´ıan el movimiento de la hormiga: i) Informaci´ on de los rastros de feromona artificiales, que miden la “deseabilidad aprendida” del movimiento, τ ij , de i a j, imitando a la feromona
Mostrar más

10 Lee mas

M-ACO, un algoritmo de multicolonias de hormigas para el problema de múltiples ascensores

M-ACO, un algoritmo de multicolonias de hormigas para el problema de múltiples ascensores

En particular, un algoritmo ACO Multicononias de hormigas [1,2,16,17], posee varias colonias de hormigas cada una con su propia matriz de feromo- nas las cuales, para la construcci´ on de una soluci´ on, cooperan con sus colonias vecinas, con alg´ un tipo de informaci´ on. En un entorno paralelo, las colonias de hormigas son distribuidas en los procesadores disponibles, utilizando as´ı la potencia de c´ omputo y los recursos que brindan hoy en d´ıa las arquitecturas paralelas y las redes de computadoras.

10 Lee mas

Desarrollo de un algoritmo ACO para el problema de la detección de comunidades en redes sociales

Desarrollo de un algoritmo ACO para el problema de la detección de comunidades en redes sociales

Las hormigas son las estructuras principales de este algoritmo de detección de comunidades y se espera obtener una respuesta a este problema para nuestro grafo a en su compo[r]

68 Lee mas

Hibridización De Algoritmos ACO En Detección De Bandas En Imágenes DGGE

Hibridización De Algoritmos ACO En Detección De Bandas En Imágenes DGGE

Los resultados del método propuesto en imágenes genéricas hubo una buena detección de los bordes, en las cuales solo aparece ruido en forma de una dispersión de puntos, pero los bordes detectados son finos y se aprecian los detalles de las imágenes probadas, de mejor manera que lo realizado con técnicas tradicionales. Al comparar este algoritmo con su base (inicialización de feromonas como constante) y quitando una componente (algoritmo ACO con matriz de feromonas como el cuociente del gradiente y segunda derivada), el algoritmo híbrido obtuvo un mayor rendimiento que las otras dos técnicas y además, la introducción de la inicialización de la matriz de feromonas como se propuso en este trabajo mejora en gran manera la detección de bordes en imá- genes genéricas, sin generar una gran cantidad de ruido que baje de forma considerable el rendimiento, como ocurre con el algoritmo ACS inicializado de forma tradicional. Incluso, con blurring simulado en estos casos, los detalles de las imágenes no se pierden tras la detección de bordes.
Mostrar más

84 Lee mas

Show all 85 documents...