Algoritmos de estimación de distribución para la resolución de problemas de optimización con restricciones

La optimización se refiere al hecho de encontrar el mejor elemento entre un conjunto de alternativas disponibles, con la intención de minimizar o maximizar una función objetivo. Las soluciones están compuestas de cadenas de información, llamadas variables, las cuales pueden estar sujetas a restricciones, de manera que el propósito principal consiste en encontrar el valor de dichas variables que optimicen la función objetivo. La computación evolutiva ha demostrado ser una herramienta eficiente para la resolución de diversos problemas de optimización. El objetivo de la tesis es proponer un algoritmo de estimación de distribución (EDA), basado en el concepto de mezclas de distribuciones normales, con la finalidad de resolver problemas de optimización en un espacio de búsqueda multidimensional con restricciones. Uno de los principales problemas que afrontan los EDAs es la alta velocidad de convergencia que presentan. Por esta razón, se implementaron diversos métodos de selección y de control de diversidad, los cuales ayudan a realizar una mejor exploración del espacio de búsqueda, y evitar caer en el problema de una convergencia acelerada. Por último, el algoritmo propuesto se aplicó para optimizar un grupo de funciones benchmark, las cuales presentan restricciones tanto lineales, como no lineales