摘要：El algoritmo del Muestreador Adaptivo de Gibbs (MAG) es una nueva heur ́ ıstica para la opti- mizaci ́ on global irrestricta. El algoritmo MAG es un m ́ etodo basado en poblaciones que utiliza una estrategia de b ́ usqueda aleatoria para generar un nuevo conjunto de soluciones potenciales. La b ́ usqueda aleatoria combina el algoritmo unidimensional de Metr ́ opolis-Hastings con el multidimensional muestreador de Gibbs, de tal manera que el nivel de ruido se puede controlar adaptativamente de acuerdo al panorama de la funci ́ on. Existe un buen equilibrio entre la exploraci ́ on y la explotaci ́ on en todo el espacio de b ́ usqueda. Una estrateg ́ ıa de b ́ usqueda local puede acoplarse a la b ́ usqueda aleatoria con el fin de intensificar en las regiones prometedoras. Los experimentos se desarrollaron sobre tres problemas conocidos en un rango de dimensiones, con un banco de prueba resultante de 33 instancias. El algoritmo MAG se compar ́ o contra dos m ́ etodos deterministas y tres m ́ etodos estoc ́ asticos. Los resultados muestran que el algoritmo MAG es robusto en problemas que involucran aspectos centrales que determinan principalmente la dificultad de los problemas de optimizaci ́ on global, es decir, de alta dimensionalidad, multimodalidad y la no suavidad.
其他摘要：Adaptive Gibbs Sampling (AGS) algorithm is a new heuristic for unconstrained global optimization. AGS algorithm is a population-based method that uses a random search strategy to generate a set of new potential solutions. Random search combines the one-dimensional Metropolis-Hastings algorithm with the multidimensional Gibbs sampler in such a way that the noise level can be adaptively controlled according to the landscape providing a good balance between exploration and exploitation over all search space. Local search strategies can be coupled to the random search methods in order to intensify in the promising regions. We have performed experiments on three well known test problems in a range of dimensions with a resulting testbed of 33 instances. We compare the AGS algorithm against two deterministic methods and three stochastic methods. Results show that the AGS al- gorithm is robust in problems that involve central aspects which is the main reason of global optimization problem difficulty including high-dimensionality, multi-modality and non-smoothness.
关键词：Random search; Metropolis-Hastings algo- rithm; heuristics; global optimization;Búsqueda aleatoria; algoritmo de Metrópolis-Hastings; heurísticas; optimización global
