Uso de modelos del sistema inmune para manejo de restricciones con algoritmos genéticos

Abstract

Se diseñaron e implementaron tres algoritmos evolutivos para resolver instancias del problema de programación no lineal. Algunas ideas tomadas del campo de los sistemas inmunes fueron adaptadas para incluirlas en los algoritmos. Estas ideas son principal-mente modelos de algunos mecanismos del más evolucionado de los sistemas inmunes naturales, el sistema inmune natural de los vertebrados con mandíbula (SIN), principalmente el de los seres humanos y el de los ratones. Estos mecanismos fueron la recombinación somática para construir los genes de las regiones variables de los receptores de los linfocitos B, y la maduración de la afinidad de los receptores de los linfocitos B. No se pretendió simular ni imitar esos mecanismos del SIN, sino usar sólo las partes de sus modelos que resultaron ser útiles para llevar a cabo la optimización numérica restringida. Se usaron cadenas binarias para representar lo puntos en el espacio de búsqueda. Este tipo de representación, el uso de límites superiores e inferiores para cada coordenada de los puntos y el uso del operador de cruzamiento, son razones para clasificar estos algoritmos evolutivos como algoritmos genéticos. Estos tres algoritmos fueron probados con una colección de problemas propuestos por MIchalewicz [Mic95], y usados por Koziel y Michalewicz [KM99] y Runarsson y Yao [RY00], entre otros investigadores. Algunos de los problemas en esta colección tienen regiones factibles cuyos tamaños relativos son menores a 10-5. Cuatro experimentos para cada uno de los tres algoritmos, cada uno con un conjunto diferente de valores para los parámetros, algunos tomados al azar, fueron realizados. Se realizaron treinta corridas independientes para cada problema de la colección. Los tres algoritmos pudieron encontrar por lo menos un punto en la región factible usando 500,000 o menos evaluaciones de la función para cada una de sus corridas. Uno de los algoritmos pudo encontrar consistentemente el mejor punto para cada uno de los trece problemas, otro pudo encontrar consistentemente el mejor de los puntos para doce de los problemas, y el último pudo encontrar consistentemente el mejor punto para once de los trece problemas, usando 500,000 o menos evaluaciones de cada función.