Improving the Bin Packing Heuristic through Grammatical Evolution Based on Swarm Intelligence

Abstract

In recent years Grammatical Evolution (GE) has been used as a representation of Genetic Programming (GP) which has been applied to many optimization problems such as symbolic regression, classification, Boolean functions, constructed problems, and algorithmic problems. GE can use a diversity of searching strategies including Swarm Intelligence (SI). Particle Swarm Optimisation (PSO) is an algorithm of SI that has two main problems: premature convergence and poor diversity. Particle Evolutionary Swarm Optimization (PESO) is a recent and novel algorithm which is also part of SI. PESO uses two perturbations to avoid PSO’s problems. In this paper we propose using PESO and PSO in the frame of GE as strategies to generate heuristics that solve the Bin Packing Problem (BPP); it is possible however to apply this methodology to other kinds of problems using another Grammar designed for that problem. A comparison between PESO, PSO, and BPP’s heuristics is performed through the nonparametric Friedman test. The main contribution of this paper is proposing a Grammar to generate online and offline heuristics depending on the test instance trying to improve the heuristics generated by other grammars and humans; it also proposes a way to implement different algorithms as search strategies in GE like PESO to obtain better results than those obtained by PSO.

Una comparativa de diferentes parámetros en la construcción evolutiva de descriptores para la clasifcacióncación de imágenes de texturas de piezas arqueológicas

“…Los experimentos realizados en esta investigación se basaron en el modelo de GE usado en [14], el cual es mostrado en la gura 2. En este trabajo, los módulos del modelo consisten en lo siguiente: Fig.…”

Gramática evolutiva con estrategia evolutiva como núcleo de una hiperheurística de generación aplicada al problema de empacado

“…Las GE son una forma de programación genética basada en gramáticas que permite construir programas de forma automática usando un proceso de mapeo basado en una gramática [16] [15] [26]. Las GE trabajan con individuos formados por una cadena binaria llamada genotipo en la cual los codones son representados por un valor entero.…”

“…Se han propuesto diferentes funciones objetivo para el problema de empacado [26], entre ellas se encuentran la ecuación (3), que mide la diferencia entre los contenedores usados y el límite superior teoríco de contenedores necesarios, y la (4), que calcula el espacio libre que queda en los contenedores.…”

“…Las Gramáticas Evolutivas (GE) han sido utilizadas en varias ocasiones como núcleo de las hiperheurísticas de generación obteniendo buenos resultados [3,?,24,26,23,2,27,25]. Una GE necesita de un algoritmo o motor de búsqueda que le permita evolucionar los individuos y así poder encontrar soluciones [16,15], algunos de los algoritmos usados como motor de búsqueda de GE son Algoritmo Genético (GA) [3,18,23,2], Optimización por Cúmulo de Partículas (PSO) [26,27], Optimización Evolutiva por Cumulo de Partículas (PESO) [26], Optimización por Colonia de Abejas (BSO) [27] y Evolución Diferencial (DE) [24,25] entre otros. Uno de los mayores retos a la hora de implementar Algoritmos Evolutivos (AE) como los antes mencionados es el de la optimización de parámetros que en sí mismo es un problema difícil [21,14,22].…”

Generating Bin Packing Heuristic Through Grammatical Evolution Based on Bee Swarm Optimization

“…It is taking each genotype and the nonterminal symbol from the left to realize the next production using (1) until all the genotypes are mapped or there are no more nonterminals in the phenotype Fig. 2 GE proposed model, proposed in [34] • The knowledge of the environment or adaptation: it is related to the importance given to the experience of the individual.…”