Análisis Comparativo de los Algoritmos Basados en Abejas y Hormigas en el Problema de la Esfera

• Hernández-Ocaña, Betania ; Hernández-Torruco, José ; Chávez-Bosquez, Oscar ^[1] ; Montané-Jiménez, Luis G.
  1. [1] Universidad Juárez Autónoma de Tabasco

     Universidad Juárez Autónoma de Tabasco

     México

     
• Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 50, Nº. 2, 2022 (Ejemplar dedicado a: Revista Politécnica), págs. 55-62
• Idioma: español
• DOI: 10.33333/rp.vol50n2.06
• Títulos paralelos:
  • A Comparative Study of Bee and Ant Algorithms on the Sphere Problem
  • Algoritmos baseados em abelhas e formigas para otimização numérica
• Enlaces
  • Texto completo
• Resumen
  • español

    Dos algoritmos bio-inspirados en la naturaleza se implementaron con el fin de conocer y analizar su comportamiento al buscar una solución a un problema de optimización numérica bien conocido en el estado del arte como problema de la esfera. Asimismo, se buscó detectar aspectos comunes y particulares de ambos algoritmos que derivan en una convergencia prematura. Estos algoritmos son: el Algoritmo de Optimización de Colonia de Hormigas (ACO) y Colonia Artificial de Abejas (ABC). Ambos pertenecen al grupo de Algoritmos de Inteligencia Colectiva, los cuales simulan el comportamiento colaborativo de ciertas especies simples e inteligentes. ACO y ABC son escasamente utilizados debido a su poca popularidad en la solución de problemas de optimización numérica puesto que en un principio fueron desarrollados para problemas combinatorios. Los resultados de cinco experimentos son presentados dando como mejor algoritmo a ACO para el problema de la esfera.

  • English

    Two bio-inspired algorithms in nature were implemented in order to know and analyze their behavior when looking for a solution to a well-known numerical optimization problem in the state of the art as a sphere problem. Likewise, we sought to detect common and particular aspects of both algorithms that lead to a premature convergence. These algorithms are: the Ant Colony Optimization Algorithm (ACO) and the Artificial Bee Colony (ABC). Both belong to the group of Collective Intelligence Algorithms, which simulate the collaborative behavior of certain simple and intelligent species. ACO and ABC are rarely used due to their low popularity in solving numerical optimization problems since they were originally developed for combinatorial problems. The results of five experiments are presented giving ACO as the best algorithm for the sphere problem.

  • português

    Dois algoritmos bioinspirados pela natureza foram implementados com o objetivo de conhecer e analisar seu comportamento na busca de uma solução para um problema de otimização numérica bem conhecido no estado da técnica. Da mesma forma, procuramos detectar aspectos comuns e particulares de ambos os algoritmos que levam à convergéncia prematura. Esses algoritmos são o Ant Colony Optimization Algorithm (ACO) e Artificial Colony of Bees (ABC). Ambos pertencem ao grupo dos Algoritmos de Inteligéncia Coletiva, que simulam o comportamento colaborativo de certas espécies simples e inteligentes. ACO e ABC são raramente usados ​​devido à sua impopularidade na solução de problemas de otimização numérica, uma vez que foram originalmente desenvolvidos para problemas combinatórios. Os resultados de cinco experimentos são apresentados, dando ao ACO o melhor algoritmo para este problema.

• Referencias bibliográficas
  • Abbass, H. A. (2001). Mbo: marriage in honey bees optimization-a haplometrosis polygynous swarming approach. In Proceedings of the 2001 Congress...
  • Arito, F. L. A. (2010). Algoritmos de optimización basados en colonias de hormigas aplicados al problema de asignación cuadrática y otros...
  • Baykasoglu, A., Ozbakir, L., and Tapkan, P. (2007). Artificial bee colony algorithm and its application to generalized assignment problem...
  • Dorigo, M., Maniezzo, V., and Colorni, A. (1996). The Ant System: Optimization by a Colony of Cooperating Agents. IEEE Transactions of Systems,...
  • Dorzán, M., Gagliardi, E., Leguizamón, M., and Hernández Peñalver, G. (2012). Approximations on minimum weight triangulations and minimum...
  • Eaton, J. W. (2016). GNU Octave. Technical report, Free Software Foundation. Accessed 13-11-2016.
  • Eiben, A. and Smith, J. E., editors (2003). Introduction to Evolutionary Computing. Natural Computing Series. Springer-Verlag.
  • Engelbrecht, A. P. (2005). Fundamentals of Computational Swarm Intelligence. John Wiley & Sons.
  • Gutjahr, W. J. (2008). First steps to the runtime complexity analysis of ant colony optimization. Computers & Operations Research, 35(9):2711...
  • Haddad, O. B. and Mariño, M. A. (2007). Dynamic penalty function as a strategy in solving water resources combinatorial optimization problems...
  • Ji, J., Pang, W., Zheng, Y., Wang, Z., and Ma, Z. (2015). A novel artificial bee colony based clustering algorithm for categorical data. PloS...
  • Karaboga, D. and Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm....
  • Kennedy, J. and Eberhart, R. (2001). Swarm Intelligence. Morgan Kaufmann, UK.
  • Leguizamón, G. and Coello Coello, C. A. (2009). Boundary search for constrained numerical optimization problems with an algorithm inspired...
  • MatijaÅ¡, V. D., Molnar, G., ÄŒupić, M., Jakobovic, D., and BaÅ¡ić, B. D. (2010). University course timetabling using ACO: A case study...
  • Mezura-Montes, E. and Cetina-Domínguez, O. (2012). Empirical analysis of a modified artificial bee colony for constrained numerical optimization....
  • Mezura-Montes, E. and Coello Coello, C. (2011). Constraint-handling in nature-inspired numerical optimization: Past, present and future. Swarm...
  • Vega-Alvarado, E., Portilla-Flores, E., noz Hernández, G. M., Mezura-Montes, E., Sepúlveda-Cervantes, G., and Bautista-Camino, P. (2018)....
  • Wei, X., Zhang, J., Zhou, D., and Zhang, Q. (2015). Multiswarm particle swarm optimization with transfer of the best particle. Computational...