An optimization algorithm inspired by musical composition in constrained optimization problems
Un algoritmo de optimización inspirado en composición musical para el problema de optimización con restricciones
Abstract
Many real-world problems can be expressed as an instance of the constrained nonlinear optimization problem (CNOP). This problem has a set of constraints specifies the feasible solution space. In the last years several algorithms have been proposed and developed for tackling CNOP. In this paper, we present a cultural algorithm for constrained optimization, which is an adaptation of “Musical Composition Method” or MCM, which was proposed in [33] by Mora et al. We evaluated and analyzed the performance of MCM on five test cases benchmark of the CNOP. Numerical results were compared to evolutionary algorithm based on homomorphous mapping [23], Artificial Immune System [9] and anti-culture population algorithm [39]. The experimental results demonstrate that MCM significantly improves the global performances of the other tested metaheuristics on same of benchmark functions. Muchos de los problemas reales se pueden expresar como una instancia del problema de optimización no lineal con restricciones (CNOP). Este problema tiene un conjunto de restricciones, el cual especifica el espacio de soluciones factibles. En los últimos años se han propuesto y desarrollado varios algoritmos para resolver el CNOP. En este trabajo, se presenta un algoritmo cultural para optimización con restricciones, el cual es una adaptación del “ Método de Composición Musical” o MCM, propuesto en [33] por Mora et al., para resolver instancias del CNOP. La adaptación propuesta del MCM se aplicó a cinco instancias de prueba del CNOP a fin de evaluar y analizar su comportamiento. Los resultados experimentales del MCM se compararon con los resultados obtenidos por algoritmo evolutivo basado en homomorfismo [23] , Sistema Inmune Artificial [9] y el algoritmo de anti-cultural [39]. Los resultados experimentales muestran que el MCM genera resultados significativamente mejores que los obtenidos por las otras metaheurísticas probadas en algunos de los problemas de referencia.