Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

Anlisis de algunas metaheursticas creadas a partir de

Optimizacin Gravitatoria
Zapatero Moreno, M Jos; Alegre Martnez, Jess y Pacheco Bonrostro, Joaqun
Departamento de Economa Aplicada
Universidad de Burgos

RESUMEN
En este trabajo proponemos una nueva metaheurstica para obtener ptimos globales de
funciones no lineales, algunas multimodales. Dicha metaheurstica surge uniendo dos
algoritmos: el primero,Optimizacin Gravitatoria, concibe el espacio de soluciones
anlogamente al espacio-tiempo relativista, en el que la mtrica es modificada por las diferentes
partculas en l inmersas. En la heurstica el papel de la atraccin gravitatoria lo juega la funcin
objetivo; el ptimo se encontrara en el punto donde se encuentre la mayor masa. Como esta
posicin se desconoce, se procede a medir la variacin de la geometra; tal como en relatividad
general la variacin de la geometra nos lleva a la mayor masa, en la heurstica nos conduce al
ptimo global. El segundo algoritmo es el conocido simplex de Nelder-Mead que consiste en,
partiendo de un simplex no degenerado inicial en el espacio de soluciones, variar dicho poliedro
para optimizar la funcin objetivo.

Palabras claves: Metaheurstica; optimizacin no lineal; Optimizacin Gravitatoria;

S.G.O.; funcin multimodal; algoritmo Nelder-Mead.

rea temtica: Optimizacin.

1
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

ABSTRACT
In this work we propose a new metaheuristic for global optimization of nonlinear
functions, some multimodal. This metaheuristic arises from de union of two algorithms: the
first, "Optimising Gravity", sees the solution space analogous to the relativistic space-time, in
which the metric is modified by the different particles embedded in it. In the heuristic the role of
the gravitational pull is played by the objective function, the optimum would be at the point
where the greatest mass is. As this position is unknown, it is necessary to measure the change of
geometry; the same as in general relativity the change in geometry leads to the greater mass in
the heuristic leads to the global optimum. The second algorithm is the known Nelder-Mead
simplex that consists on, starting from an initial nondegenerate simplex in the solution space,
change the polyhedron in order to optimize the objective function.

Keywords: Metaheuristics, nonlinear optimization, Space Gravitational Optimization

SGO; function multimodal Nelder-Mead algorithm.

2
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

1. INTRODUCCIN
En trabajos anteriores ya hemos analizado el algoritmo S.G.O. (ver Zapatero
M.J. y otros 2009 y 2010), ahora lo complementamos con el algoritmo Nelder-Mead
usado como tcnica de intensificacin.
Optimizacin gravitatoria, SGO, es una heurstica introducida recientemente por
Hsiao, Chuang, Jiang and Chien (2005). En ella se concibe el espacio de soluciones de
forma similar al espacio-tiempo relativista.
Hemos implementado esta novedosa heurstica para obtener los ptimos globales
de un conjunto de funciones de optimizacin difcil, funciones multimodales con un
nmero elevado o muy elevado de ptimos locales.
Segn la teora de la relatividad general el espacio se curva por efecto del campo
gravitatorio. Las partculas (asteroides, agentes de bsqueda, etc) se aceleran hacia las
masas grandes por las variaciones en la geometra del espacio tiempo.
Consideraremos en este procedimiento unos agentes de bsqueda, denominamos
asteroides. Estos se estn moviendo en el Universo, que ser el espacio de bsqueda.
Cuando un asteroide es capturado por la gravedad de una masa grande tiene dos
posibilidades: salir disparado como una honda y, en ese caso, seguir buscando otra masa
pesada en el universo o chocar contra su superficie. Para evitar esto ltimo en el
algoritmo se supone que el cuerpo real de las masas pesadas no existe realmente. As
cuando un asteroide se acerca al centro de una masa pesada, se incrementa
considerablemente la energa cintica de la partcula por la gravedad de la masa, y el
asteroide adquiere suficiente velocidad para escapar de la regin del espacio que ocupa
la masa pesada (ptimo local).
Un algoritmo as diseado requiere poca memoria y poder computacional. La
posibilidad de caer en ptimos locales es muy pequea y los asteroides tienen muchas
posibilidades de salir disparados fuera del ptimo local. Tampoco quedarn atrapados
por el ptimo global, en el caso que lleguen a hasta l, sino que seguirn la bsqueda.
En el ejemplo de la figura que se muestra a continuacin se han considerado tan
solo dos asteroides, representados uno de ellos por crculos azules y otro por asteriscos
rojos y observamos como los asteroides han sido atrados hacia los diferentes ptimos
locales (), han seguido su trayecto y han pasado cerca del ptimo global ().

3
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

El algoritmo Nelder_Mead parte de un simplex no degenerado en cuyos vrtices

tenemos aproximaciones al ptimo global. Dicho simplex se va modificando, bien al
cambiar alguno de sus vrtices por otro en el que la funcin objetivo haya disminuido, o
bien al contraer todo el poliedro si no se ha conseguido mejorar la funcin objetivo con
el simplex inicial. Es por tanto un algoritmo de carcter local que carece adems de
componente aleatoria.
De esta forma ambos algoritmos son complementarios ya que, en primer lugar se
ejecuta el S.G.O. con lo que tenemos una exploracin del espacio de soluciones y un
primer acercamiento al ptimo global. Una vez que disponemos de suficientes
aproximaciones localizadas por los asteroides, escogemos las mejores posiciones para
construir el simplex inicial no degenerado sobre el que trabajar el algoritmo NelderMead para llevarnos al ptimo global.

2. DESCRIPCIN DE LOS ALGORITMOS

2.1 Optimizacin gravitatoria
2.1.1 Descripcin general
El espacio de soluciones est formulado como un espacio tiempo curvado de
acuerdo al concepto de Einstein. Un nmero n de asteroides o agentes de bsqueda se
mueve en el espacio de soluciones y va buscando el cuerpo con mayor masa (ptimo
4
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

global). Denotaremos por P[i], V[i], A [i] con i = 1, ,n la posicin, velocidad y

aceleracin de cada asteroide, y por f a la funcin objetivo.
Paso I: Inmersin de los asteroides en el espacio de bsqueda:
A los asteroides inicialmente se les asigna una posicin aleatoria, P0[i] ( si el
nmero de variables de la funcin es dimension_espacio, cada componente ser
denotada por P0[i][k], k = 1..dimension_espacio1), dentro de su regin factible, y as
mismo se les asigna una velocidad aleatoria, V0[i], con valores en la regin factible,
para evitar, en lo posible, que el asteroide se escape a posiciones no factibles.
De partida los asteroides tienen una aceleracin nula, A0[i], y a partir de ese
momento quedan sometidos nicamente a la atraccin gravitatoria generada por f (ley
de la gravedad de Newton). Se va a almacenar la mejor solucin por la que pasa cada
asteroide i, que inicialmente se supone f_best[i] = +.
Los asteroides tratan de buscar los objetos de masa ms pesada. Los que no
queden atrapados en ptimos locales se dirigirn a la masa ms pesada del Universo, el
ptimo global.
Paso II: Buscando la variacin del espacio tiempo:
El espacio tiempo del universo est curvado por el campo gravitacional, y la
variacin de la geometra del espacio-tiempo modifica la aceleracin de los asteroides.
Como desconocemos la posicin del ptimo (masa mayor) para determinar la
trayectoria de los asteroides debemos detectar la variacin en la geometra del espacio
tiempo: para ello se emplea un parmetro llamado rango de deteccin rd. Para calcular
la aceleracin de cada asteroide por variacin espacio-tiempo, se emplea la siguiente
frmula que para el asteroide i, en su componente k es:
A[i][k] = G({f(P[i]) - f(P[i][1],......,P[i][k] + rd,......)} + {f(P[i][1],......,P[i][k] rd,........) - f(P[i])}) = G{f(P[i][1],.........,P[i][k] -rd,...........) - f(P[i][1],.........,P[i][k] +
rd,...........)}
donde G es un nuevo parmetro que representa la intensidad del campo
gravitatorio. En la frmula, para calcular cada componente de la aceleracin, se
multiplica G por la suma de las variaciones parciales de la funcin objetivo en el mbito
del rango de deteccin para dicha componente.

En lo que resta de trabajo asumimos que la dimensin de las magnitudes vectoriales ser de
dimension_espacio.

5
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

En el ejemplo del grfico observamos la tendencia hacia posiciones con menor

valor de la funcin f x, y 4 y 2 x 7 . Los asteriscos representan diversos puntos,
cuya distancia en sentido horizontal y vertical es un rango de deteccin (en este caso
considerando rd.=1) y a su lado el valor en ellos de la funcin objetivo. El asterisco
abajo a la izquierda estara situado en el punto (0,0), el de encima de l en el punto
(0,1), etc

* 1 * 3 * 5
* 3 * 1 * 1
*7 *5 *3
masa grande u ptimo
As, en este caso para el punto central la aceleracin producida por la variacin
de la geometra sera (suponiendo que G=1) en cada componente de Ax= -2-2= -4 y Ay =
-4-4 = -8. As si la velocidad de partida fuese (10, 5) pasara a ser (6, -3)
Paso III: Actualizando la velocidad y posicin de los asteroides:
Tras cada iteracin hay que recalcular la velocidad, y actualizar la posicin de
los asteroides a partir de las nuevas velocidades: as para el asteroide i su velocidad es
V[i]=V[i]+A[i], y la posicin del asteroide P[i]=P[i]+V[i]
Podra ocurrir que algn asteroide se escape del espacio factible, en ese caso
hemos recuperado su factibilidad, y para ello el procedimiento que hemos utilizado
consiste en devolver al asteroide, de forma aleatoria, a la regin factible.
Simultneamente se han ido contando las infactibilidades, y su cmputo se ha tenido en
cuenta a la hora de dar valores a los parmetros, procurando que el nmero de
infactibilidades no sea muy elevado.
Paso IV: Actualizacin de la mejor solucin del cada asteroide: En una matriz
posicion_best[i] almacenamos la mejor posicin de cada asteroide y en otra matriz,
f_best[i], el mejor valor de la funcin objetivo. Tras cada iteracin si la solucin
obtenida por el asteroide i es mejor que la mejor conocida hasta ese momento son
actualizadas posicion_best[i] y f_best[i].
2.1.1 Modificaciones del algoritmo

6
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

De la misma forma que en el trabajo de Hsiao y otros (2005) consideramos las

siguientes modificaciones del algoritmo:
1.- Efecto de los asteroides en la geometra: aadimos el efecto de los asteroides
en la modificacin de la geometra del espacio tiempo; stos van a producir un campo
gravitatorio que debe de ser considerado. En la frmula que nos serva para el clculo de
la aceleracin hay que aadir .C[k]/di2,, donde C es el centro de masas de todos los
asteroides, C[k] su componente k-sima y di es la distancia entre el asteroide i y el
centro de masas C. En cada iteracin ejecutaremos un procedimiento llamado
Calcular_posicion_centro_masas_asteroides. Para calcular el centro de masas
n

P[i]
utilizaremos que C =

i 1

2.- Contraccin o expansin del Universo: en cada componente la actualizacin

de la velocidad viene dada por velocidad[i]:=*velocidad[i]+aceleracion[i], donde
ser un parmetro mayor que 1 si se supone que el universo se contrae (cuando todo
parece aproximarse a los asteroides) y menor que 1 si se expande (cuando todo parece
alejarse de los asteroide).
El pseudocdigo del algoritmo es.
Procedimiento Gravita (mejorsolucion)
Inicializar aleatoriamente todos los asteroides
Mientras t < max_iter hacer
Calcular posicin centro masas asteroides;
Para cada asteroide i hacer
Calcular aceleracin asteroide por variacin espacio-tiempo;
Calcular velocidad tras aceleracin;
Calcular posicin tras variacin velocidad ;
Si no factible i HacerFactible;
Obtener funcion_objetivo;
Si Valor_funcion < f_best[i] entonces actualizar posicion_best[i] y
f_best[i]
t:=t+1
2.1 El algoritmo Nelder-Mead
El simplex de Nelder-Mead (tambin denominado simplex no-lineal) es un
algoritmo heurstico propuesto por John Nelder y Roger Mead en 1965 (Lagarias J. y
otros 1998) para la optimizacin de funciones objetivo sin restricciones.
Dicho algoritmo, que slo usa valores de la funcin, no de su derivada, se basa
en conceptos geomtricos y consiste en, partiendo de dimension_espacio+1 (dim, a
7
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

partir de ahora) puntos distintos de Rdim (donde se localizan las dim+1 aproximaciones
iniciales al ptimo buscado) construir su envolvente convexa en el espacio dimdimensional, i.e el poliedro ms simple, no degenerado, formado por dichos vrtices y
posteriormente ir modificando el poliedro de forma que en los nuevos vrtices la
funcin objetivo mejore, es decir, disminuya.
Ejemplos de simplex seran: el segmento que une dos puntos en R, el tringulo
que une 3 puntos no alineados en R2, el tetraedro que une 4 puntos no coplanarios en R3
etc.
La deformacin y variacin del poliedro se hace en base a 4 operaciones bsicas:
reflexin, expansin, contraccin y encogimiento, que llevan asociados 4 parmetros
respectivamente que denotaremos: , , y .
Siguiendo el algoritmo Nelder-Mead, dichos parmetros deben satisfacer

0, 1, 0 1,

0 1

Para nuestras experiencias computacionales hemos asumido los valores

1
2

1, 2, ,

1
2

que son los valores usados en el algoritmo estndar.

Desarrollo del algoritmo
Veamos cmo realizar la iteracin k-sima:
Partimos de dim+1 puntos que forman un simplex no degerado de Rdim, si k = 1
tendremos los dim+1 vrtices iniciales.
El objetivo de la iteracin es obtener un nuevo simplex variando uno o ms de
los vrtices que lo forman.
Paso 1: ordenacin
En primer lugar ordenamos los puntos de forma que los valores de la funcin
objetivo en dichos puntos estn ordenados de forma creciente, i.e.
k 1
k 1
x1k 1 , x2k 1 ,..., xdim
, xdim
1

k 1 tal que

k 1
k 1
f x1k 1 f x2k 1 ... f xdim
f xdim
1

Puesto que nuestro problema es minimizar la funcin objetivo entendemos que el

primer punto es el mejor, el ltimo el peor, etc.
Paso 2: reflexin

8
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

Hallamos el punto de reflexin que ser el punto simtrico, ponderado por ,

del peor respecto al centro de gravedad que forman los dim mejores, esto es:
Dado

1 dim k 1
x
xi
dim i 1

Entonces

xrefle x x xdim 1

Evaluamos la funcin objetivo f ( xrefle )

Caso I: el punto de reflexin ha mejorado al mejor

f ( xrefle ) f ( x1 )
Paso 3: expansin
Calculamos el punto de expansin respecto al centro de gravedad para ver si
podemos mejorar an ms

xexpan x xrefle x
De nuevo evaluamos la funcin objetivo f ( xexpan )
Si hemos mejorado, i.e. f ( xexpan ) f ( xrefle ) aceptamos el punto de
expansin y sacamos al peor punto para formar el nuevo simplex.
Si no hemos mejorado, i.e. f ( xexpan ) f ( xrefle ) aceptamos el punto
reflejado y sacamos al peor punto para formar el nuevo simplex. Fin de la iteracin
Caso II: el punto de reflexin no ha mejorado al mejor pero s ha mejorado
a alguno de los n mejores.

f ( x1 ) f ( xrefle ) f ( xdim )
Aceptamos el punto reflejado y sacamos al peor punto para formar el nuevo
simplex. Fin de la iteracin
Caso III: el punto de reflexin no ha mejorado a ninguno de los n mejores

f ( xrefle ) f ( xdim )
Paso 4: contraccin
La contraccin se hace hacia el punto reflejado o hacia el peor punto
dependiendo de cual sea mejor de los dos

Para no entorpecer la notacin omitiremos a partir de este momento el superndice k.

9
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

-Hacia fuera: si el punto reflejado es mejor que elpeor i.e.

f ( xrefle ) f ( xdim 1 )
xcon f x xrefle x
Evaluamos la funcin objetivo en el punto contrado f ( xcon f ) .
Si hemos mejorado, i.e. , f ( xcon f ) f ( xrefle ) aceptamos el punto
contrado y sacamos al peor para formar el nuevo simplex. Fin de la iteracin
Si no hemos mejorado, i.e. f ( xcon f ) f ( xrefle ) vamos al paso 5.
- Hacia dentro: si el punto reflejado iguala o empeora el peor i.e.

f ( xrefle ) f ( xdim 1 )
xcond x x xdim 1
Evaluamos la funcin objetivo en el punto contrado f ( xcond ) .
Si hemos mejorado i.e.

f ( xcond ) f ( xdim 1 ) aceptamos el punto

contrado y sacamos al peor para formar el nuevo simplex Fin de la iteracin

Si no hemos mejorado i.e. f ( xcond ) f ( xdim 1 ) vamos al Paso 5.
Paso 5: encogimiento
Tomamos n puntos nuevos de la forma

vi x1 ( xi x1 ) i 2,...,dim 1
El nuevo simplex tiene como vrtices x1 , v2 ,..., vdim 1 . Fin de la iteracin
En la figura siguiente, obtenida de Lagarias 1998, tenemos cinco grficos de
simplex: en el primero vemos cmo ha variado tras una reflexin, en el segundo tras
una reflexin expansin, en el tercero y cuarto tras una contraccin (hacia fuera y
hacia dentro respectivamente) y en el ltimo tras un encogimiento. En todos los casos el
simplex inicial aparece con lineas punteadas.

10
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

Un organigrama del mtodo de Nelder-Mead es

Ordenar puntos

reflexion
Mejora al
mejor

No mejora a
ningn bueno
Mejora a
alguno bueno
Contraccin
hacia fuera o
hacia dentro

expansin

Mejora al
reflejado

Cambio
por el
expandido

No mejora
al reflejado

Cambio
por el
reflejado

Mejora al
reflejado o
al peor

No mejora
al reflejado
o al peor

Cambio
por el
reflejado

encogimiento

Cambio
por el
contrado

11
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

3. EXPERIENCIAS COMPUTACIONALES
Dado que, a priori, puede ocurrir que el mejor valor permanezca estable durante
varias iteraciones, hemos optado por ejecutar el algoritmo un nmero fijo de veces, es
decir k=1 hasta n-iter.
Hemos probado la metaheurstica en diversas funciones no lineales de
dimensiones que varan desde 2 hasta 6, algunas de ellas multimodales Estas funciones
tambin han sido utilizadas, por ejemplo, como funciones test para algoritmos Scatter
Search en un trabajo de Laguna y Marti (2005), y para un algoritmo gentico, con
carcter estocstico, en un trabajo de Tu y Lu (2004).
Las pruebas han sido realizadas en un Pentium 4, 2.8 GHz. Las
implementaciones de los algoritmos de este trabajo, as como las representaciones
grficas, han sido realizadas con Matlab 6.5.
Mostramos en la tabla que viene a continuacin las funciones y sus principales
caractersticas.
Problema
g1(x)
g2(x)
g3(x)
g4(x)
g5(x)
g6(x)
g7(x)
g8(x)

dim
2
2
3
4
4
5
6
6

nombre
Space_paper
B2
De Joung
Rastrigin 4
Rosenbrok 4
Michalewics 5
Rosenbrock 6
Schwefel 6

x* ( ptimo)
(-2.8362,-2.8362)
(0,0)
(0,0,0)
(0,0,0,0)

(1,1,1,1)
(1,1,1,1,1,1)

f(x*)
-130.8323
0
0
0
-186.7309
-4.687658
0
0

La funcin que denominamos g1(x), Space_paper, es una funcin optimizada en

el trabajo de Hsiao, Chuang, Jiang Chien (2005) donde se introduce la heurstica
Optimizacin gravitatoria.
Algunas de estas funciones objetivo han sido construidas de forma que su
ptimo es conocido, pero que no puede ser hallado por procedimientos generales de
bsqueda. Adems, los problemas no pueden ser trivialmente resueltos

por

procedimientos de bsqueda que no exploren la estructura especial de cada funcin.

Varias de estas funciones son multimodales con muchos ptimos locales y representan
la clase de problemas con mayor dificultad, sobre todo cuando aumentamos la
dimensin del espacio de soluciones. Dos ejemplos de estas ltimas funciones son la

12
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

funcin de Schwefel y la funcin de Rosenbroks cuya representacin grfica en el caso

de dos variables podemos contemplar en las figuras que vienen a continuacin.

Funcin de Rosenbrok

funcin de Schwefel

Los resultados obtenidos slo con S.G.O. son muy buenos en algunos casos, lo
que hace pensar en su gran capacidad para encontrar el ptimo global, siempre que se
elijan adecuadamente los parmetros. Pero, como se ve a continuacin, la
metaheurstica propuesta disminuye el error en todos los casos.
Funcion
g1(x)
g2(x)
g3(x)
g4(x)
g5(x)
g6(x)
g7(x)
g8(x)

Aprox. S.G.O.
130.832322
3.388344e-006
9.184064e-008
3.960606e-004
1.950390e-004
-4.668336
2.480493e-004
-1.633879e-006

Error S.G.O.
-6.443289e-007
3.388344e-006
9.184064e-008
3.960606e-004
1.950390e-004
1.932110e-002
2.480493e-004
-1.633879e-006

Aprox. Metaheur.
-130.832323
0
0
0
1.035379e-030
-4.687658
4.269709e-029
-1.346024e-007

Error Metaheur.
5.684341e-014
0
0
0
1.035379e-030
1.790881e-007
4.269709e-029
1.3460248e-007

4. CONCLUSIONES

El algoritmo S.G.O. es una buena herramienta para optimizar funciones

de dimensin 2 (ver ms ejemplos en Zapatero M.J. y otros 2009). Sin embargo, para
mayores dimensiones se hace necesario realizar un estudio previo de los parmetros
utilizados para obtener resultados aceptables. Este estudio es muy costoso aunque
posible si se conoce el ptimo global a priori pero resulta muy difcil en un problema
desconocido. sta es posiblemente la dificultad ms seria del algoritmo S.G.O. Sin
embargo, aadir el algoritmo Nelder-Mead como estrategia de intensificacin hace que
podamos obtener resultados muy buenos partiendo de aproximaciones menos buenas
13
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

obtenidas a partir de S.G.O. As, el estudio inicial de los parmetros de S.G.O. no es tan
importante para asegurar el xito y el metaheurstico puede emplearse en problemas
nuevos con garantas.

El algoritmo Nelder-Mead busca ptimos locales, por tanto por s slo no

se puede garantizar que encuentre el ptimo global. Sin embargo, si sus datos iniciales
estn cerca del ptimo global, i.e. son, por ejemplo, las aproximaciones ya encontradas
por S.G.O., su efectividad se potencia en gran medida.

La capacidad de no quedar atrapado en ptimos locales de S.G.O. y la

capacidad de localizar el ptimo en dominios pequeos de Nelder-Mead se

complementan perfectamente de forma que ninguno se mete en la tarea del otro.

En definitiva, estamos ante una metaheurstica muy prometedora que

resuelve de forma satisfactoria los problemas planteados desde 2 dimensiones hasta 6.

Queda abierta su evaluacin en dimensiones mayores que 6.

5. APNDICE
Lista de funciones empleadas:
g1= x14 16x12 0.5x1 x24 16x22 0.5x2 funcin del Space_paper
Dominio de optimizacin: [-15, 15] x [-15, 15] , que denotaremos[-15, 15] 2
5

i 1

i 1

g2= ( i cos((i 1) x1 i))( i cos((i 1) x2 i)) , funcin B2

Dominio de optimizacin: [-50, 100] 2
3

g3= xi2

funcin De Joung

i 1

Dominio de optimizacin: 2.56 xi 5.12 i 1, 2,3.

n

g4= 418.9829n (- xi sin | x |) funcin Rastrigin 4

i 1

Dominio de optimizacin: xi 0, i 1,...,5

3

g5= [100( xi 1 xi )2 ( xi 1)2 ] funcin de Rosenbrock 4

2

i 1

Dominio de optimizacin: [-500, 500] 4

14
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Anlisis de algunas metaheursticas creadas a partir de Optimizacin gravitatoria

20

jx 2j
g6 sen x j sen
, funcin de Michalewics

j 1

Dominio de optimizacin: xi 0, i 1,...,5

5

g7= [100( xi 1 xi )2 ( xi 1)2 ] funcin de Rosenbrocks 6

2

i 1

Dominio de optimizacin: [-500, 500] 6

6

g8= 2513.897322+ -x i sin

xi

funcin de Schwefel 6

i=1

Dominio de optimizacin: [-30, 30] 2

6. REFERENCIAS BIBLIOGRFICAS

Hsiao, Chuang, Jiang and Chien (2005) A Novel Optimization Algorithm: Space
Gravitational Optimization. Systems, Man and Cybernetics, IEEE International
Conference on Volume 3, Issue , 10-12 Oct. 2005 Page(s): 2323 - 2328 Vol. 3

Lagarias J., Reeds J., Wright M. and Wright P.(1998) Converge properties of the
Nelder-Mead simplex Method in low dimensions. SIAM J. OPTIMIZATION, No
1, pp. 112-147.

Laguna M. and Marti R. (2005) Experimental Testing of Advanced Scatter Search

Designs for Global Optimization of Multimodal Functions. Journal of Global
Optimization Volume 33 , Issue 2 , Oct. 2005, pages: 235 255.

Martnez Gonzlez, J.L. (2001) Optimizacin y ajuste de parmetros mediante el

mtodo simplex (Nelder-Mead) 1 Reunin de Usuarios de EcosimPro, UNED,
Madrid 3-4 Mayp 2001, C19.

Tu Z. and Lu Y. (2004). A Robust Stochastic Genetic Algorithm (StGA) for Global

Numerical Optimization. IEEE Transactions on Evolutionary Computation, vol. 8,
no. 5, october 2004.

Zapatero M.J., Pacheco J. y Alegre J. Uso de la heurstica Optimizacin

Gravitatoria

con

funciones

no

lineales

Rect@ 2009.

Vol: Actas_17

Issue: 1 Pages/record No.: 201.

15
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902

Zapatero M.J.; Alegre J; Pacheco J.

Zapatero M.J., Alegre J., y Pacheco J. Optimizacin gravitatoria y Optimizacin

por enjambre de partculas. Comportamiento en funciones no lineales XXVIII
jornadas ASEPUMA. VI Encuentro Internacional. Anales de ASEPUMA n 18 303.

Webs

informacin

sobre

las

funciones:

http://www-optima.amp.i.kyoto-

u.ac.jp/member/student/hedar/Hedar_files/go.htm;
http://solon.cma.univie.ac.at/glopt.html.

16
XIX Jornadas ASEPUMA VII Encuentro Internacional
Anales de ASEPUMA n 19: 0902