Algoritmo de Optimización de Colonia de Hormigas Multiobjetivo Aplicado al Problema de la Mochila Multidimensional
DOI:
https://doi.org/10.30973/progmat/2011.3.2/3Palabras clave:
Optimización de Colonia de Hormigas Multiobjetivo, Metaheurísticas, Problema de la Mochila MultidimensionalResumen
Este artículo presenta un algoritmo de optimización de colonia de hormigas (Ant Colony Optimization – ACO) multiobjetivo. El algoritmo propuesto es aplicado al problema de la mochila multidimensional. El problema de la mochila multidimensional es un problema de optimización combinatoria que consiste en encontrar un subconjunto de objetos que maximicen el beneficio total mientras se satisfacen ciertas restricciones. Se muestra como el algoritmo propuesto obtiene mejores resultados comparado con un importante algoritmo en un conjunto de datos seleccionado
Citas
Aghezzaf Brahim y Naimi Mohamed. The two-stage recombination operator and its application to the multiobjective 0/1 knapsack problem: A comparative study. Computers and Operations Research. Vol. 36(12):3247–3262, 2009. https://doi.org/10.1016/j.cor.2009.02.027
Aimin Zhou, Bo–Yang Qu, Hui Li, Shi– Zheng Zhao, Ponnuthurai Nagaratnam Suganthan y Qingfu Zhang. Multiobjective evolutionary algorithms A survey of the state of the art. Swarm and Evolutionary Computation, 1(1):32–49, 2011. https://doi.org/10.1016/j.swevo.2011.03.001
Alaya Inés, Solnon Christine y Ghédira Khaled. Ant Colony Optimization for Multi– objective Optimization Problems In Proc. of the 19th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2007), 1:450–457, IEEE Computer Society Press, 2007. https://doi.org/10.1109/ICTAI.2007.108
Angelo Jaqueline S. y Barbosa, Helio J.C. On Ant Colony Optimization Algorithms for Multiobjective Problems Ant Colony Optimization: Methods and Applications. Ed. Avi Ostfeld, InTech. pp. 53–74, 2011.
Dorigo M. Optimization, Learning and Natural Algorithms, PhD thesis. Politecnico di Milano, Italie, 1992.
Dréo Johann. Adaptation de la méthode des colonies de fourmis pour l'optimisation en variables continues. Application en génie biomédica, Ph.D. tesis, Universidad de Paris XII, France, 2003.
Dréo Johann, Pétrowsky Alain, Siarry Patrick y Taillard Éric. Métaheuristiques pour l'optimisation difficil, Eyrolles, 2003. 30.
Fidanova S. Probabilistic Model of Ant Colony Optimization for Multiple Knapsack Problem, Large Scale Scientific Computing, Lecture Notes in Computer Science 4818, 545–552, 2008. https://doi.org/10.1007/978-3-540-78827-0_62
Fidanova S. Ant Colony Optimization for Multiple Knapsack Problem and Model Bias, Numerical Analysis and Applications 2004, Lecture Notes in Computer Science 3401, 282–289, 2005. https://doi.org/10.1007/978-3-540-31852-1_33
KKellerer H., U. Pferschy y D. Pisinger. Knapsack Problems, Springer Verlag, Berlin, Germany. 2004.
Khichane Madjid, Patrick Albert y Christine Solnon. Un modèle réactif pour l'optimisation par colonies de fourmis:application á la satisfaction de contraintes, Journees Francophones de Programmation par Contraintes JFPC'09, France, 2009.
Martello Silvano y Paolo Toth. Knapsack problems: algorithms and computer implementations, John Wiley & Sons Inc., New York, USA, 1990.
Olive Xavier. Résolution de conflits par algorithmes stochastiques parallèles, Master Recherche, École nationale supériore de l'aéronautique et de l'space, Toulouse, France, 2006.
Shah Ruchit y Reed Patrick. Comparative analysis of multiobjective evolutionary algorithms for random and correlated instances of multiobjective d-dimensional knapsack problems. European Journal of Operational Research, Elsevier, 211(3):466–479, 2011. https://doi.org/10.1016/j.ejor.2011.01.030
Stutzle Thomas y Holger Hoos, MAX–MIN Ant System. Future Generation Computer Systems, 16(2000), 889–914. https://doi.org/10.1016/S0167-739X(00)00043-1
Tomoyuki Hiroyasu, Mitsunori Miki, Seiichi Nakayama y Yoshiko Hanada. MultiObjective Optimization of Diesel Engine Emissions and Fuel Economy Using SPEA2+, in Hans–Georg Beyer et al. (editors), 2005 Genetic and Evolutionary Computation Conference (GECCO'2005), 2:2195–2196, ACM Press, New York, USA, 2005. https://doi.org/10.1145/1068009.1068371
Zitzler E. Evolutionary Algorithms for Multiobjective Optimization: Methods and Applications. Ph.D. thesis, Swiss Federal Institute of Technology (ETH) Zurich, Switzerland, 1999.
Zitzler E. y L. Thiele. Multiobjective Evolutionary Algorithms: A Comparative Case Study and the Strength Pareto Approach, IEEE Transactions on Evolutionary Computation, 3 (1999), 257– 271. https://doi.org/10.1109/4235.797969
Zitzler, E.y L. Thiele. An Evolutionary Algorithm for Multiobjective Optimization: The Strength Pareto Approach, Technical Report, Swiss Federal Institute of Technology (ETH) Zurich, Switzerland, 1998.
Zitzler E., M. Laumanns y L. Thiele, SPEA2: Improving the Strength Pareto Evolutionary Algorithm, Technical Report, Swiss Federal Institute of Technology (ETH) Zurich, Switzerland, 2001.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2011 Programación Mtatemática y Software
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
