ReCIBE, Revista electrónica de Computación, Informática, Biomédica y Electrónica

Metropolis-Hastings (MH): Una Perspectiva Innovadora en la Inicialización de Poblaciones

Oscar Francisco Barba Toscano — 2024-06-09

En este artículo, se propone un nuevo método de inicialización de poblaciones para algoritmos metaheurísticos. En este enfoque, el conjunto inicial de soluciones iniciales se obtiene a través del muestreo de la función objetivo aplicando la técnica de Metropolis-Hastings (MH). Bajo este método, el conjunto inicial de soluciones adopta un valor cercano a los valores prominentes de la función objetivo a optimizar. A diferencia de la mayoría de los métodos de inicialización que únicamente consideran una distribución espacial, en el método, los puntos iniciales representan regiones promisorias del espacio de búsqueda, las cuales merecen ser explotadas para identificar la solución óptima global de una manera más rápida. brindando al algoritmo una convergencia más rápida y mejorando la calidad de las soluciones obtenidas. Con el objetivo de demostrar el rendimiento del método de inicialización a algoritmos metaheurísticos, éste ha sido embebido en el algoritmo de Differential Evolution (DE) clásico, y el sistema completo ha sido puesto a prueba en un conjunto representativo de funciones de benchmark extraído de diferentes conjuntos de datos. Los resultados experimentales demuestran una mejora en la rapidez de convergencia y un incremento en la calidad de las soluciones por parte del enfoque propuesto, a comparación de otros métodos similares.

Un nuevo enfoque de optimización basado en la teoría evolutiva de juegos no estructurada

Marcos Mario Vasquez Franco — 2024-06-09

Proponer nuevos métodos metaheurísticos es crucial para la mejora continua en el desarrollo de
algoritmos y la capacidad de abordar con eficacia problemas de optimización del mundo real cada
vez mas complejos. Por otro lado, la Teoría Evolutiva de Juegos analiza cómo a través de la
competencia es posible modificar las estrategias de los individuos dentro de una población con el
fin de extender los mecanismos exitosos y reducir o eliminar las estrategias menos exitosas. Este
artículo presenta un novedoso enfoque de optimización basado en los principios de la Teoría
Evolutiva de Juegos. En el método propuesto, todos los individuos se inicializan mediante la
técnica Metropolis-Hasting, que sitúa las soluciones en un punto de partida más cercano a las
regiones óptimas o casi óptimas del problema. Se asigna una estrategia original a cada individuo
de la población. Al tener en cuenta las interacciones y la competencia entre los distintos agentes
del problema de optimización, el enfoque modifica las estrategias para mejorar la eficiencia de la
búsqueda y encontrar mejores soluciones. Para evaluar el rendimiento de la técnica propuesta, se
compara con ocho algoritmos metaheurísticos bien conocidos utilizando 30 funciones de prueba.
La metodología propuesta demostró superioridad en términos de calidad de la solución,
dimensionalidad y convergencia en comparación con otros enfoques.

Segmentación rápida de imágenes con múltiples características

Sergio Gomez-Vega — 2024-06-21

La segmentación de características múltiples es superior a los enfoques unidimensionales en escalas de grises. El algoritmo del cambio medio (CM) se utiliza comúnmente para esta tarea. A pesar de sus interesantes resultados, el CM sigue siendo computacionalmente prohibitivo para escenarios de segmentación en los que el mapa de funciones está formado por características multidimensionales. El enfoque propuesto considera un mapa de características bidimensional que incluye el valor en escala de grises y la varianza local de cada píxel de la imagen. Para reducir el coste computacional, se modifica el algoritmo de CM clásico para que opere sobre un número menor de puntos. En tales condiciones, se diferencian dos conjuntos de elementos: datos implicados (el conjunto reducido de datos considerados en la operación CM) y datos no implicados (el resto de datos disponibles). A diferencia del CM clásico, que emplea funciones gaussianas, en nuestro enfoque el proceso de estimación del mapa de características se lleva a cabo utilizando un enfoque más preciso, como la función kernel de Epanechnikov. Una vez obtenidos los resultados del CM, se generalizan para incluir los datos no utilizados. Así, cada característica no utilizada se asigna al mismo clúster de datos utilizados más cercano. Por último, los grupos con menos características se fusionan con otros grupos vecinos. El método de segmentación propuesto se ha comparado con otros algoritmos del estado de la técnica usando de la base de datos de Berkeley. Los resultados experimentales confirman que el esquema propuesto produce imágenes segmentadas con un 50% más de calidad de percepción visual.