Supernova un algoritmo novedoso de optimización global

Abstract

La optimización se utiliza en diversas áreas: ciencias aplicadas, ingeniería, economía y muchas más. De las diversas formas de abordar el problema de optimización, las metaheurísticas han mostrado la estrecha relación existente entre los diversos procesos del entorno y la solución del problema de optimización; la analogía de procesos como la evolución provee elementos que permiten la solución rápida y eficiente de problemas complejos. En este trabajo se propone una heurística novedosa y funcional, para resolver problemas de optimización no lineal sin restricciones, basada en el fenómeno de las supernovas. Esta heurística se denominó Supernova. Inicialmente se plantearon las reglas estratégicas para la heurística. Seguidamente se implementó y probó su convergencia inicial. Luego, se validaron los resultados obtenidos comparando el desempeño de Supernova con tres métodos heurísticos (evolución diferencial adaptativa, evolución diferencial y programación evolutiva más rápida) en problemas benchmark utilizados para la prueba de métodos de optimización global. Finalmente, se aplicó Supernova al problema de estimación de parámetros para redes neuronales artificiales tipo cascada correlación. Supernova mostró ser robusta y también un desempeño superior en algunos de los problemas teóricos evaluados y para el problema de aplicación./ Abstract. Optimization had been used in several fields as: applied sciences, engineer, economy and many more. A successful approach to solve optimization problem is metaheuristics methods. They had been shown a close relationship between diverse natural and physical process and the way that optimization problem could be solved, i.e. evolution analogy provides necessary elements to solve hard optimization problems efficiently and quickly. This work proposes a novel and functional heuristic to solve non linear problems without constrains based in supernovae phenomenon. The proposed heuristic was called Supernova. Initially, heuristic strategies and rules were planned. Then Supernova was implemented and convergence was tested empirically. After, the results were validated against other three methods used to solve global optimization problem using known benchmark functions. Finally, Supernova was applied to estimate the parameter to neural network. Supernova showed a robust behavior and superior performance in some benchmark problems and application problem.