Saltar al contenido
Volver a los resultados

Algoritmo del Moho Limoso

Propuesto por
Shimin Li
Año
2020
Tipo
Nature-inspired metaheuristic algorithm
Familia
Swarm Intelligence

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El Algoritmo del Moho Limoso (SMA, por sus siglas en inglés) es una técnica de optimización metaheurística inspirada en la naturaleza, introducida por Li et al. en 2020.

Imita el comportamiento de los mohos limosos, que se expanden y contraen para encontrar fuentes de alimento óptimas. El SMA aborda problemas complejos de optimización simulando los patrones adaptativos de búsqueda de alimento y distribución espacial de estos organismos.

La intuición detrás del método

Los mohos limosos exhiben una notable inteligencia colectiva a pesar de carecer de un sistema nervioso central. Extienden pseudópodos (estructuras similares a ramas) para explorar su entorno y se contraen al alcanzar fuentes de nutrientes. El algoritmo captura este comportamiento a través de actualizaciones de posición que equilibran la exploración y la explotación: los individuos se mueven hacia mejores soluciones con creciente certeza, y la población se concentra progresivamente en regiones prometedoras. Este mecanismo adaptativo natural permite una búsqueda global eficiente.

Historia

Introducido por Shimin Li y colegas de la Universidad de Jiangsu en 2020, el SMA surgió del campo de la computación biomimética, inspirado por la observación del comportamiento real del moho limoso physarum. El algoritmo fue validado en funciones de referencia estándar y tareas de optimización de ingeniería. Su simplicidad y efectividad llevaron a una rápida adopción en diversos dominios de aplicación, con numerosas variantes y mejoras publicadas posteriormente.

Cuándo usarlo

Aplicar el SMA a problemas de optimización continuos y discretos donde la información del gradiente no está disponible. Sobresale en paisajes multimodales con múltiples óptimos locales. Adecuado para diseño de ingeniería, ajuste de parámetros y selección de características cuando los métodos de optimización clásicos fallan o son computacionalmente prohibitivos.

Limitaciones y consideraciones

  • El rendimiento puede degradarse en problemas de muy alta dimensionalidad debido al aumento del espacio de búsqueda
  • La velocidad de convergencia varía significativamente dependiendo de las características del paisaje del problema
  • Puede requerir ajuste específico del problema para aplicaciones de ingeniería complejas

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Excelente equilibrio entre exploración y explotación a través de un mecanismo de ponderación adaptativo
  • Implementación sencilla con pocos hiperparámetros que ajustar
  • Demuestra una rápida convergencia en las primeras iteraciones con una capacidad de búsqueda global efectiva
  • Aplicable tanto a problemas de optimización con restricciones como sin restricciones

Aplicaciones

  • Ingeniería mecánica: optimización de diseños estructurales y configuraciones de maquinaria bajo múltiples restricciones
  • Selección de características: selección de características relevantes en conjuntos de datos de alta dimensionalidad para mejorar el rendimiento de modelos de aprendizaje automático
  • Ajuste de hiperparámetros de redes neuronales: búsqueda de tasas de aprendizaje, tamaños de capa y constantes de regularización óptimas
  • Diseño de antenas: optimización de geometrías y parámetros de antenas para sistemas de comunicación
  • Optimización de la cadena de suministro: determinación de niveles de inventario y rutas de distribución para minimizar costos
  • Asignación de recursos: distribución de recursos limitados entre proyectos para maximizar el beneficio general

Cómo funciona

Cómo funciona

1

Inicializar una población de posiciones de moho limoso distribuidas aleatoriamente en el espacio de búsqueda y evaluar sus valores de aptitud.

2

Actualizar la posición de cada moho basándose en una función de ponderación que aumenta hacia la mejor solución, combinada con perturbaciones aleatorias para la exploración.

3

Calcular el valor de la función objetivo para cada nueva posición y compararlo con los valores de aptitud previos.

4

Repetir los pasos de actualización y evaluación hasta la convergencia o hasta alcanzar un número máximo de iteraciones.

Errores comunes

  • Convergencia prematura a óptimos locales si el mecanismo de ponderación es demasiado agresivo al principio de la optimización
  • Exploración insuficiente cuando la población inicial está demasiado concentrada en una región pequeña
  • No escalar adecuadamente las variables de decisión puede llevar a un rendimiento de búsqueda deficiente

Preguntas frecuentes

¿Cómo difiere el mecanismo de ponderación en el SMA de otras metaheurísticas como PSO?

A diferencia de PSO, que utiliza vectores de velocidad, el SMA emplea una ponderación que disminuye con el tiempo y fomenta la explotación a medida que avanzan las iteraciones. Esta estrategia adaptativa equilibra naturalmente la exploración y la explotación sin requerir parámetros separados para los componentes cognitivos y sociales.

¿Es el SMA adecuado para resolver problemas de optimización con restricciones?

Sí, el SMA puede manejar restricciones a través de métodos de función de penalización o técnicas de manejo de restricciones. Las soluciones infactibles reciben valores de aptitud reducidos, guiando la búsqueda hacia la región factible.

¿Cómo debo establecer el tamaño de la población para mi problema?

Comience con un tamaño de población proporcional a la dimensionalidad del problema, típicamente 20-50 individuos. Poblaciones más grandes mejoran la búsqueda global pero aumentan el costo computacional. Utilice pruebas empíricas en su problema específico para encontrar el equilibrio.

¿Cuál es el comportamiento típico de convergencia del SMA?

El SMA típicamente muestra una rápida mejora en las primeras iteraciones debido a una fuerte exploración, seguida de un refinamiento a medida que el mecanismo de ponderación guía cada vez más las soluciones hacia la mejor posición encontrada.

Métodos relacionados

Fuentes

  1. Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.

    Abrir referencia DOI
    Copiado.