Resumen

El comportamiento de un algoritmo evolutivo (AE) para un problema de optimización dado está usualmente dirigido por sus operadores (p.ej., cruza, mutación, selección, etc.) y por los valores seleccionados para los parámetros del algoritmo. Calibrar los parámetros de este tipo de enfoques es un problema difícil debido a que pueden tomar diferentes valores y por lo tanto, el número de posibles combinaciones podría ser muy elevado. Por lo tanto, podemos decir que cuando usamos un AE, existe un problema adicional de optimización que necesita ser resuelto: la calibración de parámetros. Hasta recientemente dicha calibración se había hecho con base en la experiencia del usuario, por referencias bibliográficas o bien aplicando el método experimental de prueba y error. Sin embargo, recientemente los investigadores de la comunidad de computación evolutiva han comenzado a utilizar métodos clásicos y estadísticos del diseño de experimentos como una alternativa viable para calibrar adecuadamente los parámetros de sus enfoques. Esta nueva tendencia, busca obtener conclusiones científicas a través de una experimentación sistemática.

Esta tesis propone usar el diseño de experimentos y métodos de superficie de respuesta para crear una metodología viable para la calibración de parámetros en algoritmos evolutivos. De manera particular, en este trabajo se calibrarán los parámetros intrínsecos del algoritmo optimización mediante cúmulos de partículas con el objetivo de incrementar su desempeño promedio.

The behavior of an evolutionary algorithm (EA) for a given optimization problem is directed by both, the operators (crossover, mutation, etc), and the values selected for the parameters of the algorithm. The issue of setting the parameters and operators (which can be seen as parameters also) plays a key role on the performance of such approach. Tuning well these parameters is a hard problem, since they can usually take several values, and therefore, the number of possible combinations is usually very high. Therefore, when we use EAs we can say that there is an additional optimization problem to be solved: parameter tuning. Until recently, the parameters had been tuned using the common sense, taking values from the specialized literature or by trial and error. However, nowadays the evolutionary computation researchers have started using design of experiments approaches in order to tune the parameters of their approaches.

This thesis uses the design of experiments and response surface methods to develop a viable methodology in order to solve the parameter tuning problem. Specifically, in this work the particle swarm optimization's parameters will be tuning in order to increase the average performance of PSO.