You are on page 1of 21

Una Visi´ on General de los Algoritmos Mem´ eticos

Carlos Cotta Dept. Lenguajes y Ciencias de la Computaci´ on, ETSI Inform´ atica, University of M´ alaga, Campus de Teatinos, 29071 - M´ alaga, Spain. ccottap@lcc.uma.es

Resumen Los algoritmos mem´ eticos (MAs) constituyen un paradigma de optimizaci´ on basado en la explotaci´ on sistem´ atica de conocimiento acerca del problema que se desea resolver, y de la combinaci´ on de ideas tomadas de diferentes metaheur´ ısticas, tanto basadas en poblaci´ on como basadas en b´ usqueda local. De la utilidad pr´ actica de los MAs da cuenta la pl´ etora de problemas de optimizaci´ on complejos que han podido atacarse con ´ exito gracias a estas t´ ecnicas. En este trabajo se proporciona una visi´ on general del paradigma de los MAs, describiendo la arquitectura b´ asica de estas t´ ecnicas, y proporcionando algunas directrices para el dise˜ no de un MA satisfactorio en un cierto dominio. Tambi´ en se incluye una panor´ amica de algunas de aplicaciones destacadas de los MAs, y algunas reflexiones en torno al presente y al futuro de estos m´ etodos.

1.

Introducci´ on

Uno de los periodos clave en la historia de la Optimizaci´ on como disciplina lo constituyen sin duda alguna las primeras d´ ecadas de la segunda mitad del siglo XX. En un tiempo en el que la concepci´ on natural de la resoluci´ on de problemas era la obtenci´ on de la soluci´ on ´ optima al mismo (o cuanto menos de una soluci´ on con una garant´ ıa de aproximaci´ on al ´ optimo), empez´ oa tomar cuerpo una desagradable realidad: exist´ ıan muchos problemas de utilidad cierta para los que no s´ olo resultaba insostenible plantear una resoluci´ on exacta, sino que ni tan siquiera un enfoque aproximado con garant´ ıas realistas era aceptable en la pr´ actica. Esto abri´ o el camino a diferentes l´ ıneas de investigaci´ on para dar respuesta a esta problem´ atica, y que m´ as adelante desembocar´ ıan en lo que hoy se conoce como metaheur´ ısticas. Entre las mismas, deben destacarse los algoritmos evolutivos [1, 2, 3, 4] (EAs1 ) por estar ´ ıntimamente relacionados con el tema que nos ocupa: los algoritmos mem´ eticos. A pesar de que estas t´ ecnicas fueran consideradas en su momento por parte de la comunidad cient´ ıfica como un “reconocimiento de la derrota”, el tiempo ha demostrado su utilidad como punta de lanza tecnol´ ogica en la optimizaci´ on de problemas reales. Por supuesto, este ´ exito no es exclusivo de los EAs, sino que se extiende a otras t´ ecnicas relacionas tales como el recocido simulado [5] (SA), la b´ usqueda tab´ u [6] (TS), etc. Parte de la justificaci´ on (y de hecho, del enfoque metodol´ ogico) de los algoritmos mem´ eticos (MAs) se haya precisamente en el ´ exito de m´ etodos de optimizaci´ on tan diversos. En este sentido, debe considerarse que en ciertos campos se desarroll´ o una tendencia al purismo algor´ ıtmico, esto es, a no apreciar como caracter´ ıstica esencial de estas t´ ecnicas su flexibilidad y capacidad de asimilaci´ on de elementos algor´ ıtmicos externos o ad hoc, que pudieran acercar la t´ ecnica de resoluci´ on al problema que resolver en cada momento. No fue hasta mediados de los noventa cuando la formulaci´ on del as´ ı denominado
En este y en sucesivos acr´ onimos se emplear´ a la versi´ on inglesa por motivos de consistencia con la literatura, y para evitar posibles fuentes de confusi´ on o ambig¨ uedad.
1

1

Teorema de No Free Lunch por Wolpert and Macready [7] dio pie a una suerte de catarsis, a partir de la cual qued´ o definitivamente claro que un algoritmo de b´ usqueda u optimizaci´ on se comporta en estricta concordancia con la cantidad y calidad del conocimiento espec´ ıfico del problema que incorpora. Mirando retrospectivamente a estos a˜ nos nos encontramos con que esta filosof´ ıa que comenz´ o a imponerse de manera generalizada a finales del siglo XX ya estaba siendo promulgada de hecho con anterioridad por diversos investigadores, e.g., Hart and Belew [8], Davis [9], y Moscato [10]. El paradigma de los MAs surgir´ ıa precisamente a partir del trabajo de Pablo Moscato [11, 12, 13]. Los MAs son una familia de mataheur´ ısticas que intentan aunar ideas y conceptos de diferentes t´ ecnicas de resoluci´ on, como por ejemplo EAs y TS. El adjetivo “mem´ etico” viene del t´ ermino ingl´ es meme, acu˜ nado por R. Dawkins [14] para designar al an´ alogo del gen en el contexto de la evoluci´ on cultural. Resulta conveniente resaltar sin embargo que el empleo de esta terminolog´ ıa no representa un prop´ osito de adherirse a una met´ afora de funcionamiento concreta (la evoluci´ on cultural en este caso), sino m´ as bien lo contrario: hacer expl´ ıcito que se difumina la inspiraci´ on puramente biol´ ogica, y se opta por modelos m´ as gen´ ericos en los que se manipula, se aprende y se transmite informaci´ on. En relaci´ on con esto u ´ltimo y a la forma en la que m´ as com´ unmente un MA puede implementarse, pueden encontrarse diversos trabajos que hacen uso de nombre alternativos para referirse a ´ estos (e.g., EAs h´ ıbridos o lamarckianos), o que aun usando el propio t´ ermino MA, hacen una interpretaci´ on muy restringida del mismo. Sea como fuere, puede decirse que un MA es una estrategia de b´ usqueda en la que una poblaci´ on de agentes optimizadores compiten y cooperan de manera sin´ ergica [10]. M´ as a´ un, estos agentes hacen uso expl´ ıcito de conocimiento sobre el problema que se pretende resolver, tal como sugiere tanto la teor´ ıa como la pr´ actica [15]. La siguiente secci´ on proporciona una descripci´ on algor´ ıtmica m´ as detallada de los MAs.

2.

Un Algoritmo Mem´ etico B´ asico

Los MAs son metaheur´ ısticas basadas en poblaci´ on. Esto quiere decir que mantienen un conjunto de soluciones candidatas para el problema considerado. De acuerdo con la jerga empleada en EAs, cada una de estas soluciones tentativas es denominada un individuo. Tal como se anticip´ o anteriormente, la naturaleza de los MAs sugiere que el t´ ermino agente es no obstante m´ as apropiado. El motivo b´ asico es el hecho de que “individuo” denota un ente pasivo que est´ a sujeto a los procesos y reglas evolutivas, mientras que el t´ ermino “agente” implica la existencia de un comportamiento activo, dirigido a prop´ osito a la resoluci´ on de un cierto problema. Dicho comportamiento activo se ve reflejado en diferentes constituyentes t´ ıpicos del algoritmo, como por ejemplo t´ ecnicas de b´ usqueda local. La Figura 1 muestra el esquema general de un MA. Como en los EAs, la poblaci´ on de agentes est´ a sujeta a los procesos de competici´ on y cooperaci´ on mutua. Lo primero se consigue a trav´ es de los bien conocidos procedimientos de selecci´ on (l´ ınea 6) y reemplazo (l´ ınea 12): a partir de la informaci´ on que proporciona una funci´ on de gu´ ıa ad hoc se determina la bondad de los agentes en pop; acto seguido, se selecciona una parte de los mismos para pasar a la fase reproductiva atendiendo a dicha bondad. Posteriormente, se vuelve a hacer uso de esta informaci´ on para determinar qu´ e agentes ser´ an eliminados de la poblaci´ on para hacer sitio a los nuevos agentes. En ambos casos –selecci´ on y reemplazo– pueden usarse cualesquiera de las estrategias t´ ıpicas de los EAs, e.g., torneo, ranking, elitismo, etc. En cuanto a la cooperaci´ on, ´ esta se consigue a trav´ es de la reproducci´ on. En esta fase se crean nuevos agentes a partir de los existentes mediante el empleo de una serie de operadores de reproducci´ on. Tal como se muestra en la Figura 1, l´ ıneas 7–11, pueden considerarse un n´ umero arbitrario #op de tales operadores, que se aplican secuencialmente a la poblaci´ on de manera segmentada, dando lugar a varias poblaciones intermedias auxpop[i], 0 i #op, 2

y 3 1: 2: 3: 4: 5: 6: 7: 8: 9: 10 : 11 : 12 : 13 : 14 : 15 : 16 : 17 : . Por “relevante” se entiende que los elementos de informaci´ on considerados tienen importancia a la hora de determinar ´ (en un sentido o en otro) la calidad de las soluciones. I ) devolver Mejor (pop. inyectando nueva informaci´ on en la poblaci´ on de manera continua (pero a ritmo bajo. esta interpretaci´ on es la que proviene del ´ area de los algoritmos gen´ eticos [17]. auxpop [j − 1]. y basan su funcionamiento en el conocimiento que incorporan sobre el mismo (a diferencia de los modelos m´ as cl´ asicos de EA). Uno de los procesos reproductivos que mejor encapsula la cooperaci´ on entre agentes (dos. newpop) // Comprobar convergencia si Convergencia (pop) entonces sea pop ← RefrescarPoblaci´ on (pop. I ) finpara sea newpop ← auxpop [#op] // Reemplazo sea pop ← ActualizarProblaci´ on (pop. I ) finsi hasta CriterioTerminaci´ on (pop. Esta es sin duda una noci´ on interesante que se aleja de las m´ as cl´ asicas manipulaciones sint´ acticas. y auxpop[#op] es la descendencia final. en la pr´ oxima secci´ on. Esto se consigue mediante la construcci´ on de nuevas soluciones a partir de la informaci´ on relevante contenida en los agentes cooperantes. y no necesariamente coincide con la otros investigadores (aquellos del ´ area de la programaci´ on evolutiva [1] sin ir m´ as lejos). Apr´ eciese en la l´ ınea 9 del pseudoc´ odigo que estos operadores reciben no s´ olo las soluciones sobre las que act´ uan. De hecho. en ocasiones se ha aducido que la recombinaci´ on no es es m´ as que una macro-mutation. mutaci´ on. Por supuesto. sino tambi´ en la instancia I que se desea resolver. // generar poblaci´ on inicial para j ← 1:popsize hacer sea ind ← GenerarSoluci´ onHeuristica (I ) sea pop[j ] ← MejoraLocal (ind. o m´ as [16]) es la recombinaci´ on. En la pr´ actica. I ) Figura 1: Plantilla general de un MA donde auxpop[0] est´ a inicializada a pop. Volveremos a esto m´ as adelante. El otro operador cl´ asico –la mutaci´ on– cumple el rol de “mantener vivo el fuego”. t´ ıpicas de EAs simples. la situaci´ on m´ as t´ ıpica es la de utilizar simplemente tres operadores: recombinaci´ on. Con esto se ilustra el hecho de que los operadores de un MA son conscientes del problema. Salida: una soluci´ on sol. I ) finpara repetir // bucle generacional // Selecci´ on sea criadores ← SeleccionarDePoblaci´ on (pop) // Reproducci´ on segmentada sea auxpop [0] ← pop para j ← 1:#op hacer sea auxpop [j ] ← AplicarOperador (op[j ]. ya que de lo contrario el algoritmo se degradar´ ıa a una pura b´ usqueda aleatoria).Algoritmo Mem´ etico Entrada: una instancia I de un problema P . y mejora local.

´ estas pueden entenderse como compuestas de determinadas unidades de informaci´ on . etc. algo para lo que lo relevante son consideraciones relativas a consumo de memoria. no cabe hacer una apreciaci´ on similar en el campo de los MAs. y por lo tanto contribuyen de manera esencial a la b´ usqueda.ciertamente ese puede ser el caso en numerosas aplicaciones de los EAs en los que este operador de recombinaci´ on simplemente realiza una mezcla aleatoria de informaci´ on. El siguiente ejemplo puede ayudar a ilustrar este aspecto de la representaci´ on. En este sentido. empleando para ello conocimiento del problema. De esta manera. las unidades de informaci´ on que identifiquen deben servir para determinar si una soluci´ on es buena/prometedora o no. y compitiendo por recursos computacionales a trav´ es de los mecanismos de selecci´ on/reemplazo. fijando un umbral m´ ınimo por debajo del cual se considera que la poblaci´ on ha degenerado. La din´ amica del sistema debe entonces tender a retener las unidades de informaci´ on que lleven asociadas un efecto positivo. Sin embargo. recu´ erdese la menci´ on a informaci´ on relevante que se hizo en la Seccci´ on 2. Obviamente. y a eliminar aquellas que tengan connotaci´ on negativa. complejidad de manipulaci´ on. y debe decidirse por lo tanto de manera particular en cada caso. El pseudoc´ odigo de la Figura 1 muestra un componente que merece asimismo atenci´ on: el procedimiento RefrescarPoblaci´ on (l´ ıneas 13–15). Dada una cierta representaci´ on de las soluciones. Dado que el dise˜ no de un algoritmo de b´ usqueda efectivo es en general tan complejo como los propios problemas que se desean resolver. cooperando en ocasiones a trav´ es de la recombinaci´ on. dicho umbral depende de la representaci´ on de problema que se est´ e usando. Representaci´ on El primer elemento que debe determinarse es la representaci´ on de las soluciones que se va a usar. Finalmente. 3. Este tipo de circunstancias puede detectarse a trav´ es del empleo de medidas tales como la entrop´ ıa de Shannon [18]. Es importante en este punto aclarar que representaci´ on no debe entenderse como meramente codificaci´ on.1. Estas (n´ otese que pueden emplearse diferentes estrategias de LS en diferentes puntos del algoritmo) constituyen una de las razones esenciales por las que es apropiado usar el t´ ermino “agente” en este contexto: su funcionamiento es local.g. una de las caracter´ ısticas m´ as distintivas de los MAs es el empleo de estrate´ gias de b´ usqueda local (LS). A continuaci´ on se consideraran algunas de estas directrices para algunos de los componentes esenciales de los MAs. ya que en ´ estos la recombinaci´ on se realiza t´ ıpicamente mediante el empleo de estrategias astutas. nos encontramos ante la tesitura de tener que emplear directrices heur´ ısticas para abordar dicho problema de dise˜ no. un MA puede verse como una colecci´ on de agentes que realizan una exploraci´ on aut´ onoma del espacio de b´ usqueda. se ha producido convergencia).. 4 . la representaci´ on hace referencia a la formulaci´ on abstracta de las soluciones desde el punto de vista del algoritmo [19]. e. si los operadores que emplea el MA son conscientes del problema atacado. Consid´ erese un problema definido sobre un espacio de soluciones compuesto de todas las permutaciones de n elementos. Este procedimiento tiene suma importancia con vistas al aprovechamiento de los recursos computacionales: si en un determinado instante de la ejecuci´ on todos los agentes tienen un estado similar (esto es. y en ocasiones incluso aut´ onomo. el avance de la b´ usqueda se torna muy complejo. Dise˜ no de MAs Efectivos Atacar un cierto problema de optimizaci´ on con MAs requiere instanciar la plantilla gen´ erica descrita anteriormente. estas soluciones pueden entenderse como compuestas por diferentes tipos de informaci´ on [20]. 3. Muy al contrario.

varianza en la adecuaci´ on de formas (i. Esta u ´ltima problem´ atica puede atacarse de tres maneras: (i) usando funciones de penalizaci´ on que dirijan la b´ usqueda hacia regiones factibles. la informaci´ on de adyacencia es importante para el problema del viajante de comercio (TSP).e. se ha comprobado que esta u ´ltima s´ ı es relevante en problemas de planificaci´ on de cadenas de montaje (flowshop scheduling ) (FS) [21]. 30.. Operadores Reproductivos La generaci´ on de nuevas soluciones durante la fase reproductiva se realiza mediante la manipulaci´ on de las unidades de informaci´ on relevantes que se han identificado.. varianza en los valores que devuelve la funci´ on objetivo para soluciones que comparten un cierto conjunto de unidades de informaci´ on) [26]. pero no as´ ı la informaci´ on posicional. Por ejemplo. y correlaci´ on de adecuaci´ on (correlaci´ on entre los valores de la funci´ on objetivo para entre unas soluciones y sus descendientes directos) [27. i. Sea cual fuere la m´ etrica usada para cuantificar la bondad de una representaci´ on concreta. de manera que no s´ olo se consigan soluciones factibles.. RRR (random respectful recombination ). La relevancia de cada tipo de informaci´ on depender´ a obviamente del problema que se desea resolver. se hace de manera inteligente empleando conocimiento del problema. i. adyacencia. i. As´ ı. el elemento e aparece antes/despu´ es que el elemento e . (ii) usando mecanismos de reparaci´ on que produzcan soluciones factibles a partir de soluciones infactibles.g. la influencia no aditiva que sobre la funci´ on objetivo tiene la combinaci´ on de varias unidades de informaci´ on) [24. 28]. 31] entre otras). A tal fin. y RTR (random transmitting recombination ) entre otras [32].. 3. el elemento e aparece junto al elemento e . precedencia. el elemento e aparece en la posici´ on j . sino que adem´ as se introduzca conocimiento del problema que facilite que ´ estas sean de calidad (e. huelga decir que el rendimiento de algoritmo se ver´ a beneficiado si en lugar de manipular las unidades de informaci´ on a ciegas.e. En cualquier caso. Ha habido diferentes propuestas en este sentido: epistasis (i. Por otra parte.. Debe rese˜ narse que adem´ as de usar una m´ etrica para predecir cu´ an bueno puede ser el rendimiento de un cierto operador pre-existente (i. En los dos primeros casos es posible mantener la complejidad de la representaci´ on a un nivel m´ as bajo (aunque l´ ogicamente el algoritmo se beneficiar´ a de cualquier conocimiento que adicional que pudiera usarse aqu´ ı). es responsabilidad de la representaci´ on o de los operadores el garantizar la factibilidad.2. Desde un punto de vista general. y (iii) usando operadores reproductivos que permanezcan siempre dentro de la zona factible.e. y esto conllevar´ a una complejidad adicional.g. Esto quiere decir que un operador de recombinaci´ on como ER (edge-recombination ) [22] funcionar´ a mejor que un operador basado en informaci´ on posicional como PMX (partially-mapped crossover ) [23] o UCX (uniform cycle crossover ) [21] en el TSP. es posible definir representaciones indirectas que mediante el empleo de decodificadores garanticen la factibilidad de las soluciones representadas. 25]. esta inclusi´ on de conocimiento del problema en la manipulaci´ on de las unidades de informaci´ on tiene dos 5 ..e. pueden definirse nuevos operadores ad hoc para manipular la mejor representaci´ on (an´ alisis directo ) [13]. tales como por ejemplo la existencia de restricciones en el espacio de b´ usqueda.. [29. RAR (random assorting recombination ). an´ alisis inverso ). No es sorprendete a la vista de lo anterior que la obtenci´ on de m´ etodos o medidas para cuantificar la bondad de una cierta representaci´ on para un cierto problema haya sido y sea un tema de gran inter´ es. e.e.. siendo la informaci´ on de adyacencia menos importante en este caso. hay otras consideraciones que tambi´ en pueden jugar un papel determinante en el rendimiento final del algoritmo.posicional. puede emplearse cualquiera de las plantillas gen´ ericas definidas para ello. En el tercer caso.e. La idea b´ asica es utilizar un mecanismo sofisticado para pasar del genotipo al fenotipo. pero los u ´ltimos funcionar´ an mejor sobre FS.

g. es posible incluso que un MA no tenga un operador de mutaci´ on diferenciado. Por ejemplo. y que deben evitarse. La t´ ecnica de b´ usqueda dispersa (SS) [45] es un buen ejemplo en este sentido. Sin embargo. [40]). As´ ı. sino que ´ este est´ e simplemente empotrado en la b´ usqueda local. la evidencia experimental aconseja conservar aquellas caracter´ ısticas comunes a ambos padres (e. [41]). e. Una vez hecho esto. 39]. es posible encontrar enfoques metaheur´ ısticos con muy similar filosof´ ıa a la de los MAs. En principio. y que sin embargo no pueden llamarse evolutivos a no ser que se asuma una definici´ on tan amplia del termino que pr´ acticamente abarque a cualquier m´ etodo basado en poblaci´ on. En cualquier caso. [22.g. o definiendo mutaciones d´ ebiles y fuertes que introduzcan diferentes niveles de perturbaci´ on (e.. Por otra parte. hay situaciones en las que mutaci´ on s´ ı adquiere un papel determinante. [35. Uno de los motivos es el hecho de que los MAs est´ an dotados de mecanismos de reinicio de la poblaci´ on (v´ ease la Secci´ on 3.4). o por informaci´ on obtenida por alguno de los m´ etodos de completado descritos anteriormente. 12. y su substituci´ on por informaci´ on puramente aleatoria. 33]). Estos u ´ltimos pueden usarse tambi´ en para encontrar la mejor combinaci´ on posible de la informaci´ on parental [34. En relaci´ on a la selecci´ on de la informaci´ on contenida en los padres que debe transmitirse a los hijos. En cualquier caso. Puede apreciarse f´ acilmente que este tipo de recombinaci´ on ser´ ıa mon´ otono en el sentido de que los hijos ser´ ıan siempre al menos tan buenos como los padres.vertientes: la selecci´ on de las caracter´ ısticas parentales que ser´ an transmitidas a la descendencia. y en las que incluso se emplean varios operadores de mutaci´ on. 46]. Las t´ ecnicas de mejorar local pueden modelarse como trayectorias en el espacio de b´ usqueda tal que soluciones vecinas en dicha trayectoria difieren en una peque˜ na cantidad de unidades de informaci´ on. 36. 3... 35.g. Hasta cierto punto podr´ ıa hacerse un an´ alisis similar del operador de mutaci´ on.g. De hecho. B´ usqueda Local La presencia de componentes de b´ usqueda local (LS) es –tal como se comento anteriormente– una de las caracter´ ısticas m´ as distintivas de los MAs.. l´ ınea 2).. Es posible introducir tambi´ en conocimiento del problema mediante el empleo de heur´ ısticas constructivas en los operadores de inicializaci´ on usados para la generaci´ on de la poblaci´ on inicial (Figura 1. esta claro que EA + LS ⊂ MA. Esto se realiza bien por el empleo de diferentes vecindades (e. Radcliffe y Surry [26] proponen el empleo de estrategias de b´ usqueda local o de esquemas de enumeraci´ on impl´ ıcitos. v´ ease [11.g. se han empleado estrategias voraces para este prop´ osito en [43. ser´ ıa posible que esta combinaci´ on no necesariamente respetara las propiedades comunes). no es extra˜ no encontrar enfoques evolutivos en los que el conocimiento del problema se concentra m´ as en el operador de recombinaci´ on que en el uso de una b´ usqueda local. muy en la l´ ınea de los que se hace en la b´ usqueda en vecindades variables [42] (VNS). Esta definici´ on idealizada puede requerir no obstante diferentes matizaciones si 6 . y en ciertos contextos puede ser mejor dejar converger la poblaci´ on r´ apidamente y luego reiniciar. y la selecci´ on de las caracter´ ısticas no-parentales que ser´ an incluidas en la misma. v´ ease [38.3. 37] (dependiendo de las caracter´ ısticas de la representaci´ on. N´ otese que en cierto sentido el empleo de diferentes operadores reproductivos implica de manera impl´ ıcita la consideraci´ on de diferentes representaciones y/o vecindades durante la ejecuci´ on. 13] para m´ as detalles. De hecho. 44]. y que el componente LS es t´ ıpicamente uno de los que m´ as contribuyen al ´ exito del algoritmo. si bien es verdad que ´ este juega un papel bien distinto: introducir nueva informaci´ on en la poblaci´ on. el descendiente puede completarse de diferentes maneras. que diversificar constantemente la b´ usqueda. El hecho de que la mayor´ ıa de los MAs incorporen LS es una de las causas por las que a veces se pueden encontrar simplificaciones del tipo MA = EA + LS. esto puede conseguirse mediante la eliminaci´ on de ciertas unidades de informaci´ on de una soluci´ on. hay que resaltar que el papel de la mutaci´ on tiene ciertos matices diferenciadores en MAs frente a los cl´ asicos EAs. e.

Obviamente. m´ as que a un camino lineal. Por ejemplo. en este caso la soluci´ on final no tiene por qu´ e ser un ´ optimo local (como algunas descripciones err´ oneas de MAs aseguran). 48] entre otras muchas. M´ as a´ un tanto en TS como en otras metaheur´ ısticas tales como SA. pueden introducirse soluciones completamente nuevas (los as´ ı llamados “inmigrantes aleatorios”) [56] en la poblaci´ on. Si el coeficiente de correlaci´ on entre esta distancia y la calidad de la funci´ on objetivo es alta. Bierwirth et al.4. en forma de n´ umero de soluciones exploradas). La importancia de este hecho ha dado lugar a la noci´ on de lamarckismo parcial [49. esto es.g. Por supuesto. incluso por mor de pura deriva gen´ etica. No todos los problemas tienen esta propiedad. 50]. Cotta y Fern´ andez han encontrado que la representaci´ on directa para la b´ usqueda de reglas de Golomb de tama˜ no m´ ınimo tiene precisamente la propiedad opuesta [55]. lo que las hace m´ as f´ acilmente alcanzables. A la hora de implementar el componente LS es importante determinar el criterio de terminaci´ on. esto no es posible si se usa TS o SA. sino u ´nicamente sobre algunas soluciones o bien seleccionadas aleatoriamente. Esto causa un ralentizamiento de la propagaci´ on de informaci´ on a 7 . Esencialmente. dentro de los cuales se ´ engloban claramente los operadores de mutaci´ on. Por ejemplo. Otro aspecto importante en relaci´ on al paisaje de b´ usqueda es su topolog´ ıa global. el recorrido a trav´ es del espacio de b´ usqueda se asemejar´ ıa a una trayectoria ramificada). Gesti´ on de la Diversidad Hay diferentes maneras de enfocar la diversidad en algoritmos basados en poblaci´ on. Estos no son los u ´nicos mecanismos posibles sin embargo. debe encontrarse un equilibrio adecuado entre el esfuerzo computacional que se realiza durante LS y el que la b´ usqueda poblacional subyacente realiza. o bien en funci´ on de su calidad.g. y de hecho. ya que estas t´ ecnicas tienen capacidades globales de optimizaci´ on. o pueden emplearse poblaciones con estructura espacial [58].. por lo que lo m´ as com´ un es definir un tope computacional m´ aximo (e. As´ ı. y no la u ´ltima generada. la correlaci´ on entre distancia y adecuaci´ on [52. es normal que muchas implementaciones de TS usen estrategias de intensificaci´ on que hagan que en ciertos momentos la b´ usqueda se contin´ ue por ciertas soluciones anteriores de calidad (as´ ı. puede darse que la calidad de las soluciones no se incremente de manera mon´ otona. y m´ as precisamente si la relaci´ on de vecindad es regular o no.. entonces la calidad de las soluciones tiende a mejorar al acercarse al ´ optimo global. 36. Adem´ as. e. y que relaci´ on guarda con la calidad de las soluciones. L´ ogicamente. y la din´ amica evolutiva del MA lo llevar´ a a su cercan´ ıa. ya que los optimos locales mejores se alejar´ ´ ıan del ´ optimo global. el problema ser´ ıa enga˜ noso para el MA. sino que en ciertos momentos empeore con la finalidad de poder escapar de ´ optimos locales. 3. no usar siempre la b´ usqueda local. En este u ´ltimo caso. Si la correlaci´ on fuera negativa.por ejemplo se emplea TS para este fin. Por un lado pueden considerarse m´ etodos de preservaci´ on de la diversidad. se restringe el emparejamiento de agentes o el reemplazo de los mismos a elementos situados en posiciones vecinas dentro de la estructura topol´ ogica de la poblaci´ on. [57].g. [54] han estudiado esta circunstancia para un problema de planificaci´ on. 53] (FDC) es una de las propuestas. pueden definirse m´ etricas que ayuden a predecir si una determinada definici´ on de vecindad puede ser beneficiosa. o bien seg´ un alg´ un otro m´ etodo (v´ ease tambi´ en [51]). Si se est´ a empleando una t´ ecnica simple de escalada (HC) puede tener sentido determinar si la soluci´ on actual es un ´ optimo local y detener el procedimiento u ´nicamente en ese caso. Del mismo modo que se pueden definir m´ etricas para cuantificar la bondad de una representaci´ on (u operador que trabaje sobre la misma). la distancia mencionada se entiende como el n´ umero de movimientos (saltos de vecindad) que hay que realizar para pasar de un ´ optimo local al ´ optimo global. e. al final de la ejecuci´ on del procedimiento se conserva la mejor soluci´ on encontrada. [47. y han encontrado que las mejores soluciones tienen una mayor conectividad..

Los MAs. Alternativamente. 68]. tambi´ en han sido citados en la literatura de aprendizaje en m´ aquinas y rob´ otica como algoritmos gen´ eticos h´ ıbridos. optimizaci´ on de rutas [92]. telecomunicaciones [98].trav´ es de la poblaci´ on. problemas de transporte [93. asignaci´ on cuadr´ atica [81. En relaci´ on con los MAs. mutaci´ on pesada. De entre todas ´ estas. 44]. i. 40]. pero sin duda de igual importancia. 101]. flowshop scheduling [106. 61]. una de las opciones m´ as exitosas has sido una estructura jer´ arquica en forma de ´ arbol ternario [59. 115]. 41. las soluciones que toman parte en ella son de calidad similar. programaci´ on de tareas de mantenimiento [103. problemas de asignaci´ on generalizados [77]. asignaci´ on de frecuencias [88]. 91]. Una posibilidad en este sentido es emplear hipermutaci´ on [63. pueden destacarse las siguientes: problemas de particionado en grafos [64. lo cual tambi´ en garantiza que cuando se realiza una recombinaci´ on. b´ usqueda de patrones estables en aut´ omatas celulares [36. Eso no es sorprendente si tenemos en consideraci´ on que existen miles de problemas de optimizaci´ on pertenecientes a la clase NP. con lo que se impide (o al menos dificulta) que algunos super-agentes tomen r´ apidamente control de la misma y destruyan toda diversidad. confecci´ on de horarios [112. donde los MA se han mostrado de gran valor. o cuando la din´ amica del algoritmo apunta a un estado de degeneraci´ on en la b´ usqueda [62] se activa uno de estos mecanismos para relanzarla. como son: emparejamiento parcial de formas geom´ etricas [85]. y muy especialmente el problema del viajante de comercio [83. 53. la poblaci´ on puede refrescarse mediante la llegada masiva de inmigrantes aleatorios que sustituyan a toda la poblaci´ on. particionado de conjuntos [82].e. salvo a algunas soluciones de elite. 118]. para el que estas t´ ecnicas cuentan con cientos de aplicaciones.. Esto implica que cuando un agente tiene una soluci´ on mejor que la de su antecesor directo en el ´ arbol. cada nodo del ´ arbol est´ a restringido a tener una soluci´ on mejor que cualquiera de los nodos descendientes. planificaci´ on de turnos [114. problemas de emplazamiento [90. agrupamiento [97]. anillos. problemas de mochila multidimensional [78. optimizaci´ on en “paisajes NK” [86]. rejillas. 94]. dise˜ no de trayectorias ´ optimas para naves espaciales [87]. y a modo ilustrativo. planificaci´ on de juegos deportivos [116] y planificaci´ on de ex´ amenes [117. Es de destacar que en una gran parte de estas publicaciones los propios autores destacan que la metodolog´ ıa constituye el estado del arte para el problema en consideraci´ on. 113]. 108]. 79].2). las intercambian. empaquetado [69]. En la literatura se han propuesto diferentes topolog´ ıas para organizar la poblaci´ on. 74]. 65]. construcci´ on de ´ arboles de expansi´ on m´ ınimos con restricciones de grado [89]. hipercubos. planificaci´ on de tareas en una m´ aquina con tiempos de “set-up” y fechas de entrega [73. 41] (cf. M´ as concretamente. 100]. problemas de biconexi´ on de v´ ertices [96]. 111]. Como complemento a los mecanismos de preservaci´ on anteriores se pueden considerar tambi´ en los mecanismos de restauraci´ on de la diversidad: cuando se detecta que la diversidad ha ca´ ıdo por debajo de un cierto umbral. Destacamos algunas aplicaciones como por ejemplo: entre8 . 4. v´ ease Secci´ on 3. programaci´ on entera no-lineal [80]. 71]. isomorfismos en grafos [95]. 84]. partici´ on de n´ umeros [66. El paradigma fue utilizado en otros problemas menos conocidos. planificaci´ on de tareas en varias m´ aquinas [75. 53]. hay un continuo flujo de soluciones de calidad hacia la parte superior del ´ arbol. planificaci´ on de producci´ on [110. planificaci´ on de proyectos [107. coloreado de grafos [70. 60. De esta manera. planificaci´ on de almac´ en [109]. conjunto independiente de cardinalidad m´ axima [67. lo que es de inter´ es debido a que estos son problemas “cl´ asicos” en el ´ area de la optimizaci´ on combinatoria. open shop scheduling [105. 59]. 104]. etc. Esta topolog´ ıa se ha combinado con una estrategia para organizar la distribuci´ on de las soluciones en funci´ on de su calidad. 76]. recubrimiento de conjuntos [72]. b´ usqueda de regleros de Golomb m´ ınimos [99. identificaci´ on de sistemas no-lineares [102]. Aplicaciones de los MA Uno de los campos m´ as fruct´ ıferos para los MAs es el ´ ambito de la optimizaci´ on combinatoria.

60. abierto a la integraci´ on de otras t´ ecnicas (metaheur´ ısticas o no). En problemas en los que el coste de evaluar una soluci´ on es grande. calibraci´ on de motores [134]. ´ este es un problema que debe tenerse muy en cuenta. T´ engase en cuenta en relaci´ on a esto u ´ltimo que una t´ ecnica de b´ usqueda local muy sofisticada puede proporcionar mejores resultados que un simple HC. modelado de sistemas [132]. control de tr´ afico [138]. y el m´ aximo aprovechamiento de los recursos computaciones. Otras aplicaciones de estas t´ ecnicas pueden encontrarse en: Medicina [140. Est´ a claro asimismo que nuestro mundo se est´ a haciendo cada vez m´ as complejo a un ritmo acelerado. an´ alisis de series temporales [124]. y un sinn´ umero de ellas en Bioinform´ atica ([49. optimizaci´ on de estructuras [130] y mec´ anica de fracturas [131]. siendo posible adem´ as aprovechar ideas de t´ ecnicas relacionadas tales como las hiperheur´ ısticas [159. Otros m´ etodos jugar´ an tambi´ en un papel esencial. clasificaci´ on de caracter´ ısticas [122. 149. Oceanografia [144]. la auto-adaptaci´ on [155. problemas de dise˜ no ´ optimo en Aeron´ autica [135. planificaci´ on de trayectorias [126. control ´ optimo [128]. y planificaci´ on en problemas de potencia [139] entre otros. En u ´ltima instancia. las t´ ecnicas de reducci´ on a un kernel seguro com´ unmente empleadas dentro del campo de la complejidad parametrizada [161]. Procesamiento de im´ agenes y de voz [148. las t´ ecnicas de optimizaci´ on tendr´ an que adaptarse a esta complejidad. etc. los MAs deben considerarse no como competidores. los MAs fueron expl´ ıcitamente concebidos como un paradigma ecl´ ectico y pragm´ atico.g. 146. 154]. 5. No s´ olo habr´ a que hacer frente a problemas de optimizaci´ on a gran escala. esta habilidad para combinar de manera sinerg´ etica diferentes m´ etodos es una de las razones de su ´ exito. o en los que los tama˜ nos de las vecindades son considerables. En las ´ areas de la Electr´ onica y la Ingenier´ ıa podemos destacar: proyectos de VLSI [129]. los MAs constituyen el siguiente paso natural. dise˜ no de sistemas ´ opticos [137]. Dado que el eclecticismo es esencial para adaptarse a este nuevo escenario. sino como integradores: all´ a donde una metaheur´ ıstica pura empiece a alcanzar sus l´ ımites. no por ello puede afirmarse que el paradigma se reduce a combinar varias t´ ecnicas y realizar pruebas experimentales para comprobar si es satisfactoria. 156]. 152] entre otras muchas). sino que estos mismos ser´ an cada vez m´ as complejos per se. s´ olo cabe decir que el futuro es prometedor para los MAs. aprendizaje de comportamientos reactivos en agentes m´ oviles [125]. 147]. Los MAs proporcionan un marco de trabajo apropiado para integrar en un u ´nico motor de b´ usqueda diferentes heur´ ısticas provechosas. As´ ı. Como puede apreciarse. 136]. ya hay algunas propuestas en este sentido. 151. control de reactores qu´ ımicos [133]. 127]. Aunque existe un importante componente experimental en el dise˜ no de los MAs. 141]. todo el corpus te´ orico disponible tanto para t´ ecnicas basadas en poblaci´ on como para t´ ecnicas de b´ usqueda local es de aplicaci´ on en el dise˜ no de un MA. e. Otras estrategias de gran inter´ es en este ´ area son el dise˜ no por analog´ ıa.. 160]. En este sentido. Los a˜ nos venideros deparar´ an nuevos desaf´ ıos desde el punto de vista de la optimizaci´ on a los que habr´ a que dar respuesta con metaheur´ ısticas. al menos desde un punto de vista tecnol´ ogico. Econom´ ıa [142. y el funcionamiento aut´ onomo [157. 123]. 153. dejando de lado los tradicionales enfoques unidimensionales y puramente secuenciales. Conclusiones A diferencia de otras t´ ecnicas de optimizaci´ on. pero necesitar mucho m´ as tiempo de c´ omputo para ello. 120]. Matem´ aticas [145. Para ello. 158]. 150]. reconocimiento de caracter´ ısticas [121]. algunos de los aspectos de los MAs que tomar´ an cada vez m´ as relevancia son la optimizaci´ on multi-objetivo [51. 9 . Muy al contrario. 143].namiento de redes neuronales [119.

W.V. Kochenberger. B... Stuttgart (1973) [4] Schwefel. L. New York (1966) [2] Holland. Maidenhead.. P. MA (1997) [7] Wolpert.. Vecchi. M.H. Springer-Verlag. L..: A gentle introduction to memetic algorithms... Oxford (1976) [15] Culberson.. Kluwer Academic Publishers. Kluwer Academic Publishers. Belew. Laguna. H. IEEE Transactions on Evolutionary Computation 1(1) (1997) 67–82 [8] Hart. F. A. S.G. Berlin Heidelberg (2004) 53–85 [14] Dawkins.: Tabu Search. Search. New York (1991) [10] Moscato.J. Cotta.: Proceedings of the 4th International Conference on Genetic Algorithms.K.S. G. In Glover. Technical Report Caltech Concurrent Computation Program.. Evolutionary Computation 6 (1998) 109–127 10 . Mendes. R. Technische Universit¨ at Berlin. M. eds. C. Dorigo.: Memetic algorithms.B. California.: No free lunch theorems for optimization. Booker.: Optimizing an arbitrary function is hard for the genetic algorithm.. Optimization. F..: Evolutionsstrategie: Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. Boston. Berkshire. University of Michigan Press (1975) [3] Rechenberg.J. P. Owens. McGraw-Hill.: New Optimization Techniques in Engineering. John Wiley & Sons.C. P.D.Agradecimientos El autor agradece el apoyo parcial del MCyT a trav´ es del contrato TIN2005-08818-C04-01. D. eds. In Belew. Babu.: New Ideas in Optimization..: On Evolution.P. UK (1999) 219–234 [12] Moscato.: Optimization by simulated annealing. Morgan Kaufmann (1991) 190–195 [9] Davis. C. Cotta. Frommann-Holzboog. C.. L. Clarendon Press.P.: The Selfish Gene. D.: Artificial Intelligence through Simulated Evolution. California Institute of Technology. P..K.J. England. eds.: Adaptation in Natural and Artificial Systems. M. Macready.E. G. Report. I. F. Glover..: Handbook of Genetic Algorithms. eds..: Kybernetische Evolution als Strategie der experimentellen Forschung in der Str¨ omungstechnik. R. Boston MA (2003) 105–144 [13] Moscato. Gelatt Jr.: On the futility of blind search: An algorithmic view of “No Free Lunch”. W. M. 826.D. Hermann F¨ ottinger– Institut f¨ ur Str¨ omungstechnik (1965) [5] Kirkpatrick. In Corne. J.: Memetic algorithms: A short introduction.. Referencias [1] Fogel. Pasadena. San Mateo CA.. J. Van Nostrand Reinhold Computer Library. Science 220 (1983) 671–680 [6] Glover. Walsh. R.. Genetic Algorithms and Martial Arts: Towards Memetic Algorithms.: Handbook of Metaheuristics. USA (1989) [11] Moscato.. A. In Onwubolu. Diplomarbeit.

: Genetic Algorithms in Search. L. A. MA (1989) [18] Davidor.. Morgan Kaufmann (1994) 51–72 [27] Dzubera.: Parallel Problem Solving From Nature III.: The Genetic Algorithm and the Structure of the Fitness Landscape.. Evolutionary Computation 6 (1998) 25–44 [22] Mathias. Dowsland. G. M.: Foundations of Genetic Algorithms III.. Springer-Verlag (1994) 78–87 [17] Goldberg.D.. Lawrence Erlbaum Associates (1985) 154–159 [24] Davidor.: Proceedings of the 1st International Conference on Genetic Algorithms. San Mateo. R. ed. Elsevier Science Publishers B.: Parallel Problem Solving From Nature II.: Proceedings of the 4th International Conference on Genetic Algorithms. Z.J. Lingle Jr.. Schwefel.: Alleles.R. Manderick. Addison-Wesley.: Non-linear genetic representations. Amsterdam.. M¨ anner.V.V... McMahon. In Grefenstette.. Troya. CA. C. Journal of Scheduling 3 (2000) 139–153 11 . Booker. ed. Elsevier Science Publishers B.: Epistasis variance: A viewpoint on GA-hardness. Y. P. R. D. P. Amsterdam.D. (1992) 75–84 [19] Radcliffe.. B. San Mateo. San Mateo. Berlin. Hillsdale NJ. In Whitley.. B. L.. P. In Davidor..E. Whitley..P. B. eds. K. N. N.J..J. Volume 866 of Lecture Notes in Computer Science. Raue. Morgan Kaufmann (1991) 23–35 [26] Radcliffe. M.: Advanced Correlation Analysis of Operators for the Traveling Salesman Problem. loci and the traveling salesman problem. Ruttkay. Optimization and Machine Learning. R. In Rawlins. In Rawlins. Ben-Kiki. Vose. CA..P. eds. L. R.: Genetic operators. ed. B.V.E.: Genetic operators for sequencing problems.: Exploiting problem structure in a genetic algorithm approach to a nurse rostering problem. Germany.. U.. In Belew. Manderick. Complex Systems 4 (1990) 369–383 [25] Davidor.: Genetic forma recombination in permutation flowshop problems. H. R. Amsterdam.: Fitness Variance of Formae and Performance Prediction. J.E.: Foundations of Genetic Algorithms I.D.. eds. Dortmund.: Parallel Problem Solving From Nature II. Whitley. R.. eds. In M¨ anner. (1992) 221–230 [23] Goldberg.M. Surry. eds. Volume 866 of Lecture Notes in Computer Science. (1992) 259–268 [20] Fox. Y. Elsevier Science Publishers B..D.B.: Foundations of Genetic Algorithms I. Germany (1994) 68–77 [28] Manderick.K.J. L... Manderick. In Schwefel. Y...B. Reading. San Francisco.E. G. Springer-Verlag. J.. H.: Genetic algorithms with multi-parent recombination. Morgan Kaufmann (1991) 143–150 [29] Aickelin.. Morgan Kaufmann (1991) 284–300 [21] Cotta. eds. eds. R.[16] Eiben.: Parallel Problem Solving from Nature III. de Weger. M¨ anner. O. J.: Parallel Problem Solving From Nature II.: Epistasis Variance: Suitability of a Representation to Genetic Algorithms. D. Y. In M¨ anner. M... Spiessens. the fitness landscape and the traveling salesman problem. B..E.. CA. K.J. In M¨ anner.: The interplay among the genetic algorithm operators: Information theory tools used in a holistic way.D.E. CA..

4:1–2 [38] Maheswaran. G.Z. D.A. Springer-Verlag (1995) 277–280 [35] Cotta.. Scheduling and Constraint Satisfaction: From Theory to Practice. International Journal of Advanced Manufacturing Technology 25 (2005) 772–776 [39] Wang. Springer-Verlag (2006) 73–85 [37] Ibaraki.. S. Volume 117 of Frontiers in Artificial Intelligence and Applications. N. In Smith. C..: Artificial Neural Nets and Genetic Algorithms 3. A. Ponnambalam.G. Oddi. Mladenovi´ c. N. Gupta. C. Troya. Nebro. Troya.: Embedding branch and bound within evolutionary algorithms. J.. Mendes. M. R.: The algebra of genetic algorithms.. Steele.R..S.: A genetic algorithm for hybrid flow-shop scheduling with multiprocessor tasks.C. C.: Evolutionary algorithms for scheduling a flowshop manufacturing cell with sequence dependent family setups. Fogel.E. D. N. Z. Puente.: A hybrid genetic algorithm for the open shop scheduling problem.. International Journal of Advanced Manufacturing Technology 20 (2002) 72–76 [40] Liaw. M.M. Ercan. T... J. Zheng. eds. A. Computers and Industrial Engineering 48 (2005) 491–506 [42] Hansen.J. P.. Veltnik.. Troya. C. Volume 3906 of Lecture Notes in Computer Science.: A meta-heuristic approach to single machine scheduling problems. Vela.. Aranvidan. D. Salido. Steele.: A modified genetic algorithm for job-shop scheduling.. Borrajo. European Journal of Operational Research 169 (2006) 520–532 [44] Yeh. A. Moscato. Albrecht.: Combination with dynamic programming. C. Wien New York. C..: Artificial Neural Nets and Genetic Algorithms 2. R.: A memetic algorithm with bucket elimination for the still life problem..: Some issues in chromosome codification for scheduling with genetic algorithms. eds. R. In Pearson. G.: A hybrid genetic algorithm for the 0-1 multiple knapsack problem.. eds. Berlin Heidelberg. International Journal of Advanced Manufacturing Technology 20 (2002) 464–473 12 . J. Michalewicz. J.. Raidl.: Variable neighborhood search: Principles and applications. A.. Annals of Mathematics and Artificial Intelligence 10 (1994) 339–384 [33] O˘ guz. C. In Gottlieb. Albrecht..: Evolutionary Computation in Combinatorial Optimization.: Hybridizing genetic algorithms with branch and bound techniques for the resolution of the TSP.... N.. C.. P.. Journal of Scheduling 8 (2005) 323–351 [34] Cotta...: A memetic algorithm fo the n/2/Flowshop/αF+ β Cmax scheduling problem. J.J.. W. Springer-Verlag (1998) 251–255 [31] Varela. J. P.: Handbook of Evolutionary Computation. Fern´ andez..: Planning. New York NY (1997) D3.M.J.. European Journal of Operational Research 124 (2000) 28–42 [41] Fran¸ ca. Oxford University Press. In B¨ ack. Applied Intelligence 18 (2003) 137–153 [36] Gallardo.. European Journal of Operational Research 130 (2001) 449–467 [43] Cotta. T. eds. D. J. eds. In Castillo.F.. C.[30] Cotta..: Scatter search with path relinking for phylogenetic inference. L. L. J. Aldana. Cotta..F. K. R. Wien New York. IOS Press (2005) 1–10 [32] Radcliffe.

C. Volume 3562 of Lecture Notes in Computer Science...: Genetic algorithms for changing environments.I.. T.. S.A..J. In Gottlieb. Boston MA (2003) [46] Nagata. M. G. Springer-Verlag (2005) 68–79 [56] Grefenstette. J. Applied Intelligence 15 (2001) 199–214 [48] Yamada.P..C. van den Berghe.UU.: Proceedings of the Seventh International Conference on Genetic Algorithms. R. Mattfeld. Forrest. IEEE Press (1998) 230–234 [49] Cotta.. T. C. Watson.: Scatter Search. Volume 3248 of Lecture Notes in Computer Science. Yoshida. J.: Memetic algorithms with partial lamarckism for the shortest common super´ sequence problem.: Solving the Csum permutation flowshop scheduling problem by genetic local search. In Eshelman. C.C. North-Holland Elsevier (1992) 137–144 [57] Hadj-Alouane. Berlin. In Corne. Volume 3004 of Lecture Notes in Computer Science.: New Ideas in Optimization. Freisleben.. San Mateo.J. England. Alvarez.. Maidenhead. Piscataway. G. Evolutionary Computation 5 (1997) 31–60 [51] Ishibuchi. T.: A memetic approach to the nurse rostering problem. J.. P. Kobayashi. Amsterdam. C.. Joines.. K... L.. eds. M. H. D. Manderick. Springer-Verlag (2004) 21–30 andez. S. eds.: Balance between genetic search and local search in memetic algorithms for multiobjective permutation flowshop scheduling. Glover... E.: Fitness landscapes and memetic algorithm design. ed.R. Berkshire. A..G.: Spatially Structured Evolutionary Algorithms: Artificial Evolution in Space and Time. Raidl.. J.[45] Laguna.R. eds.. Murty.: Analyzing fitness landscapes for the optimal golomb ruler pro[55] Cotta. Berlin. Springer-Verlag (2005) 84–91 [50] Houck.: Edge assembly crossover: A high-power genetic algorithm for the traveling salesman problem.. F. EE. In M¨ anner. Fern´ blem. R. A.. ed.. Methodology and Implementations in C. eds.. CA. In Mira.. Kluwer Academic Publishers. Mart´ ı. Journal of Scheduling 2 (1999) 181–201 [58] Tomassini. Springer-Verlag (2005) 13 . Morgan Kaufmann (1997) 450–457 [47] Burke.G. Raidl.: Fitness distance correlation as a measure of problem difficulty for genetic algorithms. Berlin Heidelberg. Morgan Kaufmann (1995) 184–192 [53] Merz. Bean. In: 1998 IEEE International Conference on Evolutionary Computation.: Parallel Problem Solving from Nature II. McGraw-Hill.K. D... eds. M.C. C.. Murata. NJ. J.. Kay..: Proceedings of the 6th International Conference on Genetic Algorithms. UK (1999) 245–260 [54] Bierwirth.: Evolutionary Computation in Combinatorial Optimization. T.: Empirical investigation of the benefits of partial lamarckianism. J. In B¨ ack. De Causmaecker. G.. J. Wilson.B. Reeves. B. T. In Gottlieb.: Artificial Intelligence and Knowledge Engineering Applications: a Bioinspired Approach.. IEEE Transactions on Evolutionary Computation 7 (2003) 204–223 [52] Jones. Cowling. Dorigo. M. P. Y..R..: A hybrid genetic/optimization algorithm for a task allocation problem. East Lansing..: Landscape regularity and random walks for the job shop scheduling problem. P.: Evolutionary Computation in Combinatorial Optimization. B. J. J.

England. B. P.. Washington DC (1990) [64] Merz. R. In Onwubolu. Memetic Algorithms and Greedy Operators for Graph Bi-Partitioning.: A new genetic local search algorithm for graph coloring. European Journal of Operational Research 94 (1996) 393–404 14 . Mendes. J. Yang. eds. Maidenhead. P. Hao.. Annals of Operations Research 63 (1996) 371–396 [70] Coll. Springer-Verlag (1998) 745–754 [72] Beasley.. time-dependent nonstationary environments... M.. eds. P. eds.... C.. In Eiben.: A memetic algorithm for the min k -cut problem.. IEEE Neural Network Council . Berkshire. E.. Cotta. A. Tai.P. Boston MA (2003) 65–90 [60] Mendes.... IEEE Press (2005) 604–611 [61] Moscato. F. Alba.C. F.. Washington D.. C. M. In: Proceedings of the 1999 Congress on Evolutionary Computation. Fran¸ ca. Schoenauer. C. T. Cotta..: Parallel Problem Solving From Nature V.Evolutionary Programming Society .. Maidenhead.. A.: New Ideas in Optimization.: Gene ordering in microarray data using parallel memetic algorithms. B. Glover. McGraw-Hill. Evolutionary Computation 8 (2000) 61–91 [65] Yeh.G. Volume 1498 of Lecture Notes in Computer Science. Troya. Journal of the Operational Research Society 48 (1997) 612–622 [69] Reeves. P. Berkshire. J.. Cotta. In Resende.. P.[59] Berretta. A.C. Norway. Garcia. J. M. Operations Research 45 (1997) 226–234 [68] Hifi..: The number partitioning problem: An open challenge for evolutionary computation ? In Corne. Moscato. eds. J. D. J. H. M. Freisleben.: New Optimization Techniques in Engineering. England.M. Schwefel.: Optimized crossover for the independent set problem. G. eds..C.: On worst-case and comparative analysis as design principles for efficient recombination operators: A graph coloring case study. Pinho de Sousa... R. C.: Enhancing the performance of memetic algorithms by using a matching-based recombination algorithm: Results on the number partitioning problem. McGraw-Hill.: Fitness Landscapes. H. P. UK (1999) 261–278 [67] Aggarwal..: Proceedings of the 2005 International Conference on Parallel Processing Workshops. eds. Berlin.: Scheduling and production & control. Kluwer Academic Publishers.V.: Hybrid genetic algorithms for bin-packing and related problems. P. P. Orlin. Moscato..: New Ideas in Optimization. In Skie. W. Technical Report AIC-90-001. Babu.. Moscato. V. T. C..Institution of Electrical Engineers (1999) 1558–1565 [63] Cobb. Chu. Control and Intelligent Systems 28 (2000) 47–55 [66] Berretta..: An investigation into the use of hypermutation as an adaptive operator in genetic algorithms having continuous.: A genetic algorithm for the set covering problem. Springer-Verlag. B¨ ack.. UK (1999) 279–294 [71] Dorne. Naval Research Laboratory. Dorigo. Oslo.S.. R. M. C.. C. P. Moscato. Glover..: Metaheuristics: Computer-Decision Making. Dur´ an. G.: Stochastic reverse hillclimbing and iterated local search. Dorigo.: A genetic algorithm-based heuristic for solving the weighted maximum independent set and some equivalent problems. R. Berlin Heidelberg (2004) 655–680 [62] Cotta. In Corne.. D.

Liu....: Steady state memetic algorithm for partial shape matching... et al.. Kluwer Academic Publishers. Technological Center for Informatics Foundation (1999) 1–6 [76] Min. SP. Journal of Heuristics 4 (1998) 63–86 [79] Gottlieb. P. J... IEEE Press (1998) 741–745 15 . Decision Sciences Institute (1999) 1708–1710 [74] Miller. P. In: Proceedings of the 15th International Conference on CAD/CAM Robotics & Factories of the Future. eds. ACM Press (2000) 408–414 [80] Taguchi.: GECCO. Kelly. P. P. IEEE Press (1999) 2063–2070 [82] Levine. NJ. Matson. A. W.. M.: Reliability optimal design problem with interval coefficients using hybrid genetic algorithms. eds.: Memetic algorithms to minimize tardiness on a single machine with sequence-dependent setup times. P.. Boston.: ACM Symposium on Applied Computing 2000.. E. T. P. Aguas de Lindoia. Berkshire. In Langdon. D.[73] Fran¸ ca. Damiani. Mohan.. USA. F. Chu. W. ed. D. Journal of Heuristics 5 (1999) 437–454 [75] Mendes. B.: Identical parallel machine scheduling problem for minimizing the makespan using genetic algorithm combined with simulated annealing. In Corne. Moscato.. Atlanta. D.: Meta-Heuristics: Theory & Applications. D. Haddad.: Proceedings of the 1998 IEEE International Conference on Evolutionary Computation. Campinas. Saravanan.. UK (1999) 235–244 [84] Merz. Springer. Chen. C. eds. Berlin (1998) 527–536 [86] Merz. E...: A parallel genetic algorithm for the set partitioning problem. Yokota. Moscato. eds. Beasley. In Carroll. Chinese Journal of Electronics 7 (1998) 317–321 [77] Chu. Glover. McGraw-Hill.. Gen. Freisleben. Computers & Industrial Engineering 35 (1998) 373–376 [81] Merz. P. In Porto.. In: Proceedings of the 5th International Conference of the Decision Sciences Institute. M. F. D. Muller. ed. P.: A genetic algorithm for the generalised assignment problem. GA. NJ. Morgan Kaufmann (2002) 472–479 [85] Ozcan.. Piscataway. Q. B.: Memetic algorithms using guided local search: A case study. Brasil.: A comparison of memetic recombination operators for the traveling salesman problem.: New Ideas in Optimization.: 1999 Congress on Evolutionary Computation (CEC’99). USA. Moscato. Cheng. Waagen.. P. Mendes.: A hybrid genetic algorithm for the single machine scheduling problem. In Osman. T.: A genetic algorithm for the multidimensional knapsack problem. MA. In Angeline.. J.. England. Greece..: On the Effectiveness of Evolutionary Search in High–Dimensional N K -Landscapes.. Tabu Search. V. Volume 1.. P. Freisleben. Maidenhead. Oppenheim.. J. USA. D. J. H...: Permutation-based evolutionary algorithms for multidimensional knapsack problems. D.: Evolutionary Programming VII. Fran¸ ca.. and Ant Colonies for the Quadratic Assignment Problem. Athens. P. L. Brazil. In Fogel. USA (1996) 23–35 [83] Holstein. eds. H.: A Comparison of Memetic Algorithms. Dorigo. Piscataway... J. A. I. J. Computers & Operations Research 24 (1997) 17–23 [78] Beasley. Volume 1447 of Lecture Notes in Computer Science..: Comparing meta-heuristic approaches for parallel machine scheduling problems with sequence-dependent setup times.. N...

: A continuous approach to the design of physical distribution systems.: Parallel Problem Solving from Nature IX..PPSN VII. Rock. Dot´ u..: Hybrid genetic algorithm for transmitter location in wireless networks.: Clustering gene expression profiles with memetic algorithms. Spain. I. IEEE Journal on Selected Areas in Communications 18 (2000) 234–243 [89] Raidl. 2002. Hentenryck. X. De-Cursi.: A hybrid GRASP . Resende.: A memetic algorithm instantiated with selection sort consistently finds global optima for the error-correcting graph isomorphism. Environment and Urban Systems 23 (1999) 359–382 [92] Rodrigues. S... Breckenridge CO (1999) 99–133 [88] Kassotakis. A.: A hybrid genetic approach for channel reuse in multiple access telecommunication networks. T. K. A.. M. 2002. eds. L.: Proceedings of the IEEE 2002 Congress on Evolutionary Computation. O. C.. Ireland. In Carroll. Raidl. Porto.. M. E. In Cagnoni. R.. Bishop. (2002) 187–188 [99] Cotta. ACM Press (2000) 440–445 [90] Hopper. (2002) [98] Buriol. Julstron. Fowler. A. ed. Oppenheim. Boca Raton. S. L. R. Computers.: A weighted coding in a genetic algorithm for the degree-constrained minimum spanning tree problem. Springer-Verlag (2006) 252–261 16 .: Solving the rural postman problem by memetic algorithms.: Parallel Problem Solving From Nature VIII. In de Sousa. I. Hawaii. A. A. Berlin. Granada. et al.. et al.. Springer-Verlag (2004) 481–490 [100] Cotta. M. Ida. Raper. March 10-13. Kinsale.. Graciolli. E. J. Berlin Heidelberg. A. September 7-11.. Portugal. (2002) 1958–1963 c. Volume 3242 of Lecture Notes in Computer Science. EvoIASP. Turton.. In Yao. In: Sixth INFORMS Telecommunications Conference.. Haddad... Ljubi´ tation. In Runarsson. 2002 Hilton Deerfield Beach. eds. eds. Honolulu. eds.. Thorup..: Proceedings of the 4th Metaheuristic International Conference (MIC’2001).[87] Crain.. Proceedings of EvoWorkshops2002: EvoCOP. B.. Volume 2279 of LNCS.: Optimal interplanetary trajectory design via hybrid genetic algorithm/recursive quadratic program search.. Zell. Estivill-Castro.evolutionary algorithm approach to golomb ruler search.. In Yao. P. C. Fern´ andez. C.. Volume 4193 of Lecture Notes in Computer Science. G. M. et al. Damiani.. CEC’02. D...: A genetic algorithm for a 2d industrial packing problem.. May 12-17. J. Fern´ andez.P. T.: A memetic algorithm for vertex-biconnectivity augmen[96] Kersting. Computers & Industrial Engineering 35 (1998) 363–366 [94] Novaes. Vasilakos.. In: 7th International Conference on Parallel Problem Solving from Nature . USA. In: Ninth AAS/AIAA Space Flight Mechanics Meeting.. R. V. Yinzhen.. G.: Bicriteria transportation problem by hybrid genetic algorithm..V. J.: A memetic algorithm for OSPF routing.: A memetic approach to golomb rulers. ed. Ferreira. K. (2001) 679–684 [93] Gen.. Computers & Industrial Engineering 37 (1999) 375–378 [91] Krzanowski. J... 2001.. Florida.. Computers & Operations Research 27 (2000) 877–893 [95] Torres-Velazquez.. H. Markaki. I. B. Springer-Verlag (2002) 101–110 [97] Merz.. July 16-20. J.: Applications of Evolutionary Computing.J. Ribeiro. EvoSTim. P.. X.S. W.: ACM Symposium on Applied Computing 2000.

T. Gen. Piscataway. E. Belgium (2005) [107] Ramat... O˘ guz. Smith. C..C. In Burke. Fern´ andez. In: ORBEL 19th annual conference of the SOGESCI-BVWB.. Junior. M. M. A. Morgan Kaufmann..F. L.. Howe. Lente.: Parallel Problem Solving from Nature IX. A. Mak.: A multi-level memetic/exact hybrid algorithm for the still life problem.: A hybrid hopfield network-genetic algorithm approach to optimal process plan selection.. eds. J. Slimane. IOS Press (1999) 122–127 [104] Burke. Berlin Heidelberg.. B.: A hybrid genetic algorithm for highly constrained timetabling problems. H. In: Proceedings of the 1999 Congress on Evolutionary Computation. Part C (Applications and Reviews) 29 (1999) 44–59 [109] Watson. E... Morgan Kaufmann (1997) 489–496 [108] Ozdamar.. IEEE (1999) 1085–1092 [105] Cheng. J. Jouglet. Ross. (2001) Co-sponsored by IEEE Systems. L..G. In B¨ ack. P.: The Practice and Theory of Automated Timetabling. In Runarsson..: A genetic algorithm approach to a general category project scheduling problem.. Y.: A multi-stage approach for the thermal generator maintenance scheduling problem. San Francisco CA. II. Volume 4193 of Lecture Notes in Computer Science. Rudek. and Cybenertics Society..: Proceedings of the Seventh International Conference on Genetic Algorithms. ed. Tsujimura.: Extensions to a Memetic timetabling system. Computers & Industrial Engineering 37 (1999) 51–55 [106] Sevaux. USA..K. D. E.. Venturini. CA (1995) 605–610 [113] Paechter. International Journal of Production Research 38 (2000) 1823–1839 [112] Burke.. Luchian. [103] Burke. M. R. Cotta. L. Knowledge Acquisition and Information Retrieval.. Vienna: Evolutionary Computation and Fuzzy Logic for Intelligent Control. N. San Francisco. Jeunet. Springer Verlag (1996) 251–265 17 . S.: Combining constraint programming and memetic algorithm for the hybrid flowshop scheduling problem. Whitley. In: Proceedings of the International Conference on Computational Intelligence for Modelling Control and Automation..... K. C. Rana. Louvain-la-Neuve. E. J.. Elliman. Norman. IEEE Transactions on Systems. T.. Weare. E. Hybrid genetic search strategies. A. Journal of Scheduling 2 (1999) 79–98 [110] Dellaert. Cumming. eds. A.. R.: The impact of approximate evaluation on the performance of search algorithms for warehouse scheduling. et al.: Solving the multiple resource constrained project scheduling problem with a hybrid genetic algorithm.. C.J. A. Springer-Verlag (2006) 212–221 [102] dos Santos Coelho. In: 6th On-line World Conference on Soft Computing in Industrial Applications. Organized by World Federation of Soft Computing. O.: A memetic algorithm to schedule grid maintenance. Smith. Volume 1153 of Lecture Notes in Computer Science. X.. Man. NJ. International Journal of Production Research 38 (2000) 1083– 1099 [111] Ming. In: Proceedings of the Sixth International Conference on Genetic Algorithms. Man and Cybernetics.. M.: Fuzzy-memetic approach for prediction of chaotic time series and nonlinear identification.: A tutorial survey of job-shop scheduling problems using genetic algorithms. G.: Solving large unconstrained multilevel lot-sizing problems using a hybrid genetic algorithm. A.[101] Gallardo. M.E.

: Real-World Applications of Evolutionary Computation. Ali. V. Collet.: A memetic algorithm for the examination timetabling problem.. poster presentation [115] Burke.18 [116] Costa. Models..: Tasks and Methods in Applied Artificial Intelligence. Y. Edinburgh. A... R. J. E. Soft Computing 3 (1999) 206–220 [125] Cotta.. In Del Pobil. IEEE Transactions on Evolutionary Computation 3 (1999) 63–74 [118] Gon¸ calves. E. van den Berghe. K. J. In: 1998 IEEE International Joint Conference on Neural Networks. INFOR 33 (1995) 161–178 [117] Burke.: An evolutionary tabu search algorithm and the NHL scheduling problem. In: Proceedings of International Conference on Evolutionary Computation and its Applications. Burke. M. New York.. J.K. Ghosh. van den Berghe.: An evolutionary and local search algorithm for planning two manipulators motion. Kuriyama.K. T.: Using tabu search as a local heuristic in a memetic algorithm for the nurse rostering problem. July 23-25.. Part B (Cybernetics) 29 (1999) 433–439 [123] Mignotte. eds. A.[114] de Causmaecker. In Leung. In: Optimization 2001. M.: Hybrid genetic optimization and statistical model based approach for the classification of shadow shapes in sonar imagery.: Novel metaheuristic approaches to nurse rostering problems in belgian hospitals.. P´ erez.. P. ed.: Fuzzy-genetic algorithms and mobile robot navigation among static obstacles. Mira.. S.: Handbook of Scheduling: Algorithms. De Causmaecker. In Cagnoni. IEEE Transactions on Systems. Volume 1416 of Lecture Notes in Computer Science. Belgium (1999) abstract only. A. In: Proceedings of the Thirteenth Conference on Quantitative Methods for Decision Making... C. Pattern Analysis and Applications 1 (1998) 52–61 [122] Krishna. et al. IEEE Transactions on Pattern Analysis and Machine Intelligence 22 (2000) 129–141 [124] Ostermark.. J. P. Newall. Riquelme.: Learning of neural networks with parallel hybrid GA using a Royal Road function. NY. Washington D.. Lebedko. Volume 1803 of Lecture Notes in Computer Science. M. Springer-Verlag. A. Troya. C.. J. P.. J. Portugal. Berlin Heidelberg (1998) 105–114 18 .: Fast learning in multilayered networks by means of hybrid evolutionary and gradient algorithms. Bouthemy..1– 44. (1996) 390–398 [121] Aguilar. (2001) [119] Ichimura... 2001.: Resolution of pattern recognition problems using a hybrid genetic/random neural network learning algorithm.. Springer-Verlag (2000) 347–356 [126] Pratihar. Narasimha-Murty.C. O. and Performance Analysis. E.. Miagkikh. P.. Man and Cybernetics. G.. Camacho. J. eds. M. D. Aveiro. Chapman Hall/CRC Press (2004) 44.. D. IEEE (1998) 1131–1136 [120] Topchy.: Using a hybrid evolutionary-A∗ approach for learning reactive behaviors. IEEE (1999) 327–334 [127] Ridao.. Toro.. E. Deb. Volume 2. M. In: Proceedings of the 1999 Congress on Evolutionary Computation.: A neuro-genetic algorithm for heteroskedastic time-series processes: empirical tests on global asset returns. G. Colmenares.. K.. Brussels.: A multi-stage evolutionary algorithm for the timetable problem.: Genetic k -means algorithm.

. Burnham.. N. USA (2001) 152–157 [138] Srinivasan. D. J. V. A. D.: A comparison of genetic/memetic algorithms and heuristic searching.B. M..: Aircraft conceptual design by genetic/gradient-guided optimization.. Dostal. C. Pokrzywna (Poland).: Development of an intelligent technique for traffic network incident detection. Morgan Kaufmann Publishers (2002) 687 [135] Bos. James.: Extracting fuzzy rules for system modeling using a hybrid of genetic algorithms and kalman filter. Mitterer. P. A. Nevada. Zell.. G.... IEEE (1999) 389–396 [129] Areibi. Seria: Mechanika z. J. S. Castellano. Krasnogor.C. 18-22 Jun.. Lucasius.. M. L. W. [132] Wang. 13th International Conference on Process Control. R.. E. A. R. A. Fuzzy Sets and Systems 101 (1999) 353–362 [133] Zelinka. A.. Computer Aided Civil and Infrastructure Engineering 14 (1999) 199–206 [131] Pacey. E. K... Singapore. Yen. In: Proceedings of the 2001 International Conference on Artificial Intelligence ICAI 2001. D´ ıaz... Las Vegas. In Blonda. Zeszyty Naukowe Politechniki Opolskiej.: Second Workshop on Memetic Algorithms (2nd WOMA). I. High Tatras. Cheu. L. Analytica Chimica ACTA 277 (1993) 313–324 19 . Moussa.: Memetic algorithms for combinatorial optimization problems in the calibration of modern combustion engines. Smith. New York. N.: Hybridisation of neural networks and genetic algorithms for time-optimal control. In Hart. Current Research in Fatigue and Fracture . Mills. Patterson. June 25. J. (2001) [134] Kn¨ odler. eds. Y. A.. eds. Kateman. Washington D. IEEE Transactions on Power Systems 14 (1999) 1292–1298 [140] Haas.. R..67 (2001) VII Summer School of Fracture Mechanic.[128] Chaiyaratana. 2001.: New Trends in Fuzzy Logic II. Abdullah. World Scientific (1998) 300–307 [137] Hodgson.. H. In: Proceedings of the 1999 Congress on Evolutionary Computation.: A hybrid genetic algorithm for optimal reactive power planning based upon successive linear programming. Kolomaznik. I. J. R. In Langdon. M. Poland. Proceedings of the Second Italian Workshop on Fuzzy Logic. A hybrid self-adapting expert system for nuclear magnetic resonance spectrum interpretation using genetic algorithms. California.... J. Zalzala.: Hybrid genetic algorithms as tools for complex optimisation problems. A.: HIPS. Slovakia. Vicini... Ng. Physics in Medicine and Biology 43 (1998) 2179–2193 [141] Wehrens... L. K. eds. A.: A photoelastic technique for characterising fatigue crack closure and the effective stress intensity factor.. Sorrentino. Flores. In: PC Control 2001. (2001) [130] Yeh.. Petrosino. San Francisco. M.: GECCO 2002: Proceedings of the Genetic and Evolutionary Computation Conference.: Optimization of beam orientation in radiotherapy using planar geometry.. Lampinen. G´ omez.. Poh. Buydens. O. P.. Engineering Applications of Artificial Intelligence 11 (1998) 377–382 [136] Quagliarella. W. Vasek. et al..: Memetic algorithm approach to thin-film optical coating design. J.. Engineering Applications of Artificial Intelligence 13 (2000) 311–322 [139] Urdaneta.: Hybrid genetic algorithms for optimization of truss structures.: Memetic algorithm and global optimization of chemical reactor.. K.

In: Proceedings of the 2000 Congress on Evolutionary Computation CEC00. Okamura. Berretta. In: Proceedings of the 36th SICE Annual Conference. M. Wilmut.E. L.. Computational Economics 13 (1999) 103–115 [144] Musil. Control Theory & Applications 17 (2000) 180–183 [148] Cadieux.: Parallel Problem Solving From Nature VIII.. M. Kwan. IEEE Press (2000) 325–332 [154] Ponnambalam. Berlin. Komori. R. D. La Jolla Marriott Hotel La Jolla.: A GA-SA multiobjective hybrid search algorithm for integrating lot sizing and sequencing in flow-line scheduling. Publishers (1996) 965–969 [143] Ostermark. H.. M. X. S... eds. M. Volume 3242 of Lecture Notes in Computer Science. Smith..G. Haddad. F. Morgan.: Proceedings of the 6th Metaheuristics International Conference. Journal of Heuristics 11 (2005) 351–367 20 ... R. In: 1997 International Conference on Information. K. Mohan Reddy.[142] Li..: A new memetic algorithm for ordering datasets: Applications in microarray analysis.: M-PAES: A memetic algorithm for multiobjective optimization. Oppenheim. J.. N... R. Vienna. In Carroll. Journal of the Acoustical Society of Japan 55 (1999) 821–830 [151] Merz. Austria (2005) 695–700 [153] Knowles. In Yao. D.: Estimation of impulse response of vocal tract using hybrid genetic algorithm-a case of only glottal source. Volume 3. A. Acad. California. NY. Beijing.: ACM Symposium on Applied Computing 2000. In Spector. Int. Morgan Kaufmann (2001) 432–439 [156] Li. F... Williams. In: Proceedings of the International Conference on Electrical Engineering.: Simulation of imprecise ordinary differential equations using evolutionary algorithms.... J. Tanizaki. R.: A self adjusting algorithm for driver scheduling. N. Corne. P. S. Zell. P.S. eds. Springer-Verlag (2004) 811–820 [152] Moscato. X. P. New York. IEEE (1997) 1279–1284 [149] Krishna. eds.: Clustering gene expression profiles with memetic algorithms.. Kangling.. IEEE (1997) 1585– 1587 [150] Yoneyama. J.: Vector quantization using genetic kmeans algorithm for image compression.. et al. S.: Emergence of profitable search strategies based on a simple inheritance mechanism. Journal of Software 10 (1999) 819–823 [147] Wei. Ramakrishnan. et al. et al. Mendes. E.: A hybrid genetic algorithm for function optimization. N. K. Nakamura... A.: A hybrid genetic algorithm for global solution of nondifferentiable nonlinear function... M... D. C.K..: Proceedings of the 2001 Genetic and Evolutionary Computation Conference. China.. ACM Press (2000) 428–432 [146] Wei. USA. K. Thathachar.: Time efficient and robust 3-D brain image centering and realignment using hybrid genetic algorithm. Chapman.. International Journal of Advanced Manufacturing Technology 21 (2003) 126–137 [155] Krasnogor. Volume 2.: Solving irregular econometric and mathematical optimization problems with a genetic hybrid algorithm.. T. H.: A hybrid simplex genetic algorithm for estimating geoacoustic parameters using matched-field inversion. J.. Cheng. Damiani. In Doerner. IEEE Journal of Oceanic Engineering 24 (1999) 358–369 [145] Reich.. Communications and Signal Processing.: Economic environmental dispatch made easy with hybrid genetic algorithms. eds. L.

G. S.: Parameterized Complexity.. G. In: Proceedings of the 4th Asia-Pacific Conference on Simulated Evolution and Learning (SEAL’02).. Schulenburg..: A multi-agent architecture for dynamic scheduling of steel hot rolling. Ouelhadj. F.: Hyperheuristics: an emerging direction in modern search technology. E. E.: Dynamic scheduling of steel casting and milling using multi-agents.. E. P. Kochenberger. P. Journal of Intelligent Manufacturing 14 (2002) 457–470 [159] Burke.. Petrovic. S. M.. (2002) 667–671 [161] Downey. Fellows. D. eds.. Production Planning and Control 15 (2002) 1–11 [158] Cowling. S.. P. D.: Choice function and random hyperheuristics.I. Springer-Verlag (1998) 21 ...K.: Handbook of Metaheuristics. Ouelhadj. G. Hart... Kluwer Academic Publishers..I.. Ross. Petrovic.I. Newall. J. Boston MA (2003) 457–474 [160] Kendall. Kendall. P.[157] Cowling. Cowling. R. Soubeiga. In Glover.