Un algoritmo híbrido novedoso para el problema del conjunto dominante total mínimo
Autores: Yuan, Fuyu; Li, Chenxi; Gao, Xin; Yin, Minghao; Wang, Yiyuan
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Un algoritmo híbrido novedoso para el problema del conjunto dominante total mínimo
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Conjunto total mínimo dominante
Algoritmo evolutivo híbrido
Búsqueda local
Algoritmo genético
Heurística de puntuación
Operación de cruce basada en reparación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
El problema del conjunto dominante total mínimo (MTDS) es una variante del problema clásico del conjunto dominante. En este documento, proponemos un algoritmo evolutivo híbrido, que combina la búsqueda local y el algoritmo genético para resolver MTDS. En primer lugar, se implementa una heurística de puntuación novedosa para aumentar la efectividad de la búsqueda y así obtener mejores soluciones. Especialmente, se crea una población que incluye varias soluciones iniciales para que el algoritmo busque en más regiones y luego la fase de búsqueda local mejora aún más las soluciones iniciales intercambiando vértices de manera efectiva. En segundo lugar, la operación de cruce basada en reparación crea nuevas soluciones para que el algoritmo busque en regiones más factibles. Se llevan a cabo experimentos en el clásico banco de pruebas DIMACS para probar el rendimiento del algoritmo propuesto, y los resultados experimentales muestran que nuestro algoritmo funciona mucho mejor que su competidor en todas las instancias.
Descripción
El problema del conjunto dominante total mínimo (MTDS) es una variante del problema clásico del conjunto dominante. En este documento, proponemos un algoritmo evolutivo híbrido, que combina la búsqueda local y el algoritmo genético para resolver MTDS. En primer lugar, se implementa una heurística de puntuación novedosa para aumentar la efectividad de la búsqueda y así obtener mejores soluciones. Especialmente, se crea una población que incluye varias soluciones iniciales para que el algoritmo busque en más regiones y luego la fase de búsqueda local mejora aún más las soluciones iniciales intercambiando vértices de manera efectiva. En segundo lugar, la operación de cruce basada en reparación crea nuevas soluciones para que el algoritmo busque en regiones más factibles. Se llevan a cabo experimentos en el clásico banco de pruebas DIMACS para probar el rendimiento del algoritmo propuesto, y los resultados experimentales muestran que nuestro algoritmo funciona mucho mejor que su competidor en todas las instancias.