En este trabajo de fin de máster se presenta la metaheurística Nuclear Chain Reaction (NCR) como una nueva técnica de optimización. Las metaheurísticas, como algoritmos de alto nivel independientes del contexto del problema, han demostrado su eficacia para resolver problemas de optimización complejos. Este proyecto pretende contribuir a este campo aprovechando las propiedades inherentes de las reacciones nucleares para guiar la búsqueda de soluciones óptimas en espacios complejos y de alta dimensión.
La metaheurística NCR está meticulosamente diseñada para imitar los conceptos clave de una reacción nuclear en cadena, como la reacción de la fisión, la moderación neutrónica, el control de la criticidad, el enriquecimiento de uranio o la propia reacción en cadena. Estos conceptos físicos inspiran las operaciones de búsqueda dentro del algoritmo, donde las soluciones (núcleos) sufren transformaciones análogas a las interacciones de los neutrones. Principalmente, NCR intenta segmentar el espacio de búsqueda en función de lo energéticas que sean las soluciones evaluadas, es decir, según su aptitud.
La eficacia del algoritmo se evalúa rigurosamente utilizando un conjunto de veinte funciones numéricas de referencia, que plantean un conjunto diverso de retos para su optimización. Estas funciones de referencia son ampliamente reconocidas para realizar pruebas de rendimiento y robustez de algoritmos de optimización. El rendimiento de NCR se compara con el de nueve otras metaheurísticas bien establecidas: Genetic Algorithm, Multiverse Optimization, Sine Cosine Algorithm, Bat Inspired Algorithm, Big-Bang Big-Crunch Algorithm, Cuckoo Search Algorithm, Atom Search Optimization, Wind Driven Optimization y Atomic Orbital Search.
El análisis comparativo se realiza a partir de varias métricas de rendimiento, centrándose en la precisión de la convergencia, la robustez y la consistencia. Los resultados preliminares indican que NCR muestra un rendimiento superior en términos de calidad de la solución para la mayoría de las funciones de referencia. Además, se evalúa la escalabilidad y generalidad de NCR aplicándolo a diversos problemas de alta dimensionalidad, lo que revela su potencial aplicabilidad a sistemas complejos del mundo real, que requieren métodos de optimización adaptables y robustos.
Este trabajo no sólo introduce un algoritmo de optimización novedoso y eficaz, sino que también proporciona una evaluación exhaustiva frente a destacados métodos metaheurísticos. Los prometedores resultados de NCR abren nuevas vías de investigación y aplicación en diversos ámbitos en los que la optimización desempeña un papel fundamental.
ABSTRACT
In this Master’s final project, the Nuclear Chain Reaction metaheuristic (NCR) is introduced as a novel optimization technique. Metaheuristics, as high-level problem independent algorithmic frameworks, have proven effective for solving complex optimization problems. This project seeks to contribute to the field by leveraging the inherent properties of nuclear reactions to guide the search for optimal solutions in high-dimensional and complex spaces.
The NCR algorithm is meticulously designed to mimic the key concepts of a nuclear chain reaction, including: the fission reaction, neutron moderation, criticality control, uranium enrichment, or the chain reaction itself. These physical concepts are analogized to search operations within the algorithm, where solutions (nuclei) undergo transformations analogous to neutron interactions. Mainly, NCR tries to segment the search space based on how energetic the evaluated solutions are, i.e. according to their fitness.
The algorithm’s effectiveness and efficiency are rigorously evaluated using a suite of twenty numerical benchmark functions, which encompass a diverse set of optimization challenges. These benchmark functions are widely recognized in the field for testing the robustness and performance of optimization algorithms. The performance of NCR is compared against nine well-established optimization algorithms: Genetic Algorithm, Multiverse Optimization, Sine Cosine Algorithm, Bat Inspired Algorithm, Big-Bang Big-Crunch Algorithm, Cuckoo Search Algorithm, Atom Search Optimization, Wind Driven Optimization, and Atomic Orbital Search.
The comparative analysis is based on various performance metrics, focusing on convergence accuracy, robustness, and consistency. Preliminary results indicate that NCR exhibits superior performance in terms of solution quality for a majority of the benchmark functions. Furthermore, the scalability and generality of NCR is assessed by applying it to varied high-dimensional problems, revealing its potential applicability to real-world complex systems requiring robust optimization methods.
This project not only introduces a novel and effective optimization algorithm but also provides a comprehensive evaluation against prominent metaheuristic methods, contributing valuable knowledge to the optimization community. The promising results of NCR open new avenues for research and application in various domains where optimization plays a critical role.
En este trabajo de fin de máster se presenta la metaheurística Nuclear Chain Reaction (NCR) como una nueva técnica de optimización. Las metaheurísticas, como algoritmos de alto nivel independientes del contexto del problema, han demostrado su eficacia para resolver problemas de optimización complejos. Este proyecto pretende contribuir a este campo aprovechando las propiedades inherentes de las reacciones nucleares para guiar la búsqueda de soluciones óptimas en espacios complejos y de alta dimensión.
La metaheurística NCR está meticulosamente diseñada para imitar los conceptos clave de una reacción nuclear en cadena, como la reacción de la fisión, la moderación neutrónica, el control de la criticidad, el enriquecimiento de uranio o la propia reacción en cadena. Estos conceptos físicos inspiran las operaciones de búsqueda dentro del algoritmo, donde las soluciones (núcleos) sufren transformaciones análogas a las interacciones de los neutrones. Principalmente, NCR intenta segmentar el espacio de búsqueda en función de lo energéticas que sean las soluciones evaluadas, es decir, según su aptitud.
La eficacia del algoritmo se evalúa rigurosamente utilizando un conjunto de veinte funciones numéricas de referencia, que plantean un conjunto diverso de retos para su optimización. Estas funciones de referencia son ampliamente reconocidas para realizar pruebas de rendimiento y robustez de algoritmos de optimización. El rendimiento de NCR se compara con el de nueve otras metaheurísticas bien establecidas: Genetic Algorithm, Multiverse Optimization, Sine Cosine Algorithm, Bat Inspired Algorithm, Big-Bang Big-Crunch Algorithm, Cuckoo Search Algorithm, Atom Search Optimization, Wind Driven Optimization y Atomic Orbital Search.
El análisis comparativo se realiza a partir de varias métricas de rendimiento, centrándose en la precisión de la convergencia, la robustez y la consistencia. Los resultados preliminares indican que NCR muestra un rendimiento superior en términos de calidad de la solución para la mayoría de las funciones de referencia. Además, se evalúa la escalabilidad y generalidad de NCR aplicándolo a diversos problemas de alta dimensionalidad, lo que revela su potencial aplicabilidad a sistemas complejos del mundo real, que requieren métodos de optimización adaptables y robustos.
Este trabajo no sólo introduce un algoritmo de optimización novedoso y eficaz, sino que también proporciona una evaluación exhaustiva frente a destacados métodos metaheurísticos. Los prometedores resultados de NCR abren nuevas vías de investigación y aplicación en diversos ámbitos en los que la optimización desempeña un papel fundamental.
ABSTRACT
In this Master’s final project, the Nuclear Chain Reaction metaheuristic (NCR) is introduced as a novel optimization technique. Metaheuristics, as high-level problem independent algorithmic frameworks, have proven effective for solving complex optimization problems. This project seeks to contribute to the field by leveraging the inherent properties of nuclear reactions to guide the search for optimal solutions in high-dimensional and complex spaces.
The NCR algorithm is meticulously designed to mimic the key concepts of a nuclear chain reaction, including: the fission reaction, neutron moderation, criticality control, uranium enrichment, or the chain reaction itself. These physical concepts are analogized to search operations within the algorithm, where solutions (nuclei) undergo transformations analogous to neutron interactions. Mainly, NCR tries to segment the search space based on how energetic the evaluated solutions are, i.e. according to their fitness.
The algorithm’s effectiveness and efficiency are rigorously evaluated using a suite of twenty numerical benchmark functions, which encompass a diverse set of optimization challenges. These benchmark functions are widely recognized in the field for testing the robustness and performance of optimization algorithms. The performance of NCR is compared against nine well-established optimization algorithms: Genetic Algorithm, Multiverse Optimization, Sine Cosine Algorithm, Bat Inspired Algorithm, Big-Bang Big-Crunch Algorithm, Cuckoo Search Algorithm, Atom Search Optimization, Wind Driven Optimization, and Atomic Orbital Search.
The comparative analysis is based on various performance metrics, focusing on convergence accuracy, robustness, and consistency. Preliminary results indicate that NCR exhibits superior performance in terms of solution quality for a majority of the benchmark functions. Furthermore, the scalability and generality of NCR is assessed by applying it to varied high-dimensional problems, revealing its potential applicability to real-world complex systems requiring robust optimization methods.
This project not only introduces a novel and effective optimization algorithm but also provides a comprehensive evaluation against prominent metaheuristic methods, contributing valuable knowledge to the optimization community. The promising results of NCR open new avenues for research and application in various domains where optimization plays a critical role. Read More
Related posts:
New Probabilistic, Dynamic Multi-Method Ensembles for Optimization Based on the CRO-SL
Estimation of Distribution Algorithm for Grammar-Guided Genetic Programming
Optimización bayesiana con multifidelidad para la búsqueda de hiperparámetros en algoritmos de aprendizaje por refuerzo
Grammatically uniform population initialization for
grammar-guided genetic programming
Automated Driving: Interactive Automation Control System to Enhance Situational Awareness in Conditional Automation
Desarrollo de una aplicación web para backtesting de estrategias de trading