Beruflich Dokumente
Kultur Dokumente
Pablo Moscato
School of Electrical Engineering and Computer Science,
University of Newcastle, Callaghan, NSW, 2308, Australia
moscato@cs.newcastle.edu.au
Carlos Cotta
Departamento de Lenguajes y Ciencias de la Computacion
Universidad de Malaga, Campus de Teatinos, 29071 - Malaga, Espana
ccottap@lcc.uma.es
Resumen
Los algoritmos memeticos (MA) son tecnicas de optimizacion que combinan sinergicamente conceptos
tomados de otras metaheursticas, tales como la busqueda basada en poblaciones (como en los algoritmos
evolutivos), y la mejora local (como en las tecnicas de seguimiento del gradiente). En este trabajo se
muestra la anatoma general de un MA, y se proporcionan pautas para el diseno de los mismos. Asimismo,
se muestra una panoramica general del amplio abanico de aplicaciones que tienen estas tecnicas. El
trabajo concluye bosquejando algunos de los aspectos de mayor interes actual en el desarrollo del area.
1
de tipo poblacional. En un claro caso de reso- talmente debido a la naturaleza poblacional de
nancia historica, los MA1 tuvieron los mismos los MA, y por este motivo comenzaremos la de-
difciles comienzos que los clasicos algoritmos scripcion de estas tecnicas abordando los aspec-
evolutivos (EA) y como estos, han conseguido tos heredados de los EA.
vencer las reticencias iniciales a su uso, hasta el
punto de haberse convertido hoy en da en un Un MA mantiene en todo momento una
modelo de optimizacion puntero, con infinidad poblacion de diversas soluciones al problema
de aplicaciones practicas. La Seccion 4 dara una considerado. Llamaremos agente a cada una
breve panoramica de las mismas. Previamente, de las mismas. Esta denominacion es una ex-
se vera una definicion un tanto mas precisa de tension del termino individuo tan comunmente
que es lo que se entiende por MA. Tal como se empleado en el contexto de los EA, y permite
mostrara en la Seccion 2 a traves de una planti- capturar elementos distintivos de los MA que
lla algortmica general, un MA puede ser visto se mostraran mas adelante (por ejemplo, un
como una estrategia de busqueda en la que un agente puede contener mas de una solucion al
conjunto de agentes optimizadores cooperan y problema considerado [6]). Estos agentes se in-
compiten [99]. terrelacionan entre s en un marco de competi-
cion y de cooperacion, de manera muy seme-
Tras presentar la plantilla algortmica ante- jante a lo que ocurre en la Naturaleza entre los
riormente mencionada, se procedera a discutir individuos de una misma especie (los seres hu-
como esta puede ser instanciada para abordar manos, sin ir mas lejos). Cuando consideramos
problemas de optimizacion concretos. En este la poblacion de agentes en su conjunto, esta in-
sentido, se vera como un MA intenta explotar teraccion puede ser estructurada en una suce-
todo el conocimiento que sobre dichos proble- sion de grandes pasos temporales denominados
mas de optimizacion se tenga. Esta filosofa de generaciones. La Figura 1 muestra el esquema
funcionamiento esta muy en la lnea de lo que L. de una de estas generaciones.
Davis defenda ya a principios de los 90 [35], y
que posteriormente vino a ser confirmado por PROC Paso-Generacional
resultados teoricos bien conocidos, como por ( pob : Agente[ ], ops : Operador[ ])
ejemplo el Teorema de No Free Lunch (NFL) Variables
criadores, nueva pob : Agente[ ];
de Wolpert y Macready [136].
Inicio
criadores Seleccionar(pob);
Esta explotacion del conocimiento sensible que
nueva pob Reproducir(criadores, ops);
sobre el problema de optimizacion se tiene
pob Actualizar (pob, nueva pob)
puede llevarse a cabo de diferentes formas, e.g., Fin
usando heursticas preexistentes, representacio-
nes ad hoc, etc. Estos aspectos seran tratados
en la Seccion 3. Finalizaremos este trabajo con Figura 1: Esquema de una generacion. En esta
una breve resena de algunas de las lneas de figura y en todas las posteriores, los parametros
investigacion mas interesantes que en la actua- de entrada y entrada/salida se marcan respec-
lidad estan abiertas en el campo de los MA. tivamente con y .
Tanto en el caso de seleccion de un opera- Las ideas expuestas en los parrafos anteriores
dor clasico como de creacion de un opera- son aplicables a los operadores de mutacion,
aunque con ciertas salvedades, ya que estos [78] [88], problemas de asignacion generalizados
estan forzados a introducir nueva informacion. [23], problemas de mochila multidimensional [5]
En general, notese que la solucion parcial a la [29] [51], programacion entera no-lineal [127]
cual se ha hecho mencion anteriormente puede asignacion cuadratica [18] [81] [82], particiona-
obtenerse mediante la eliminacion de algunos do de conjuntos [72], y muy especialmente el
elementos de informacion de una solucion. Ello problema del viajante de comercio [50] [56] [82]
quiere decir que mediante la posterior apli- [92] [114].
cacion de un procedimiento de completado de
los ya mencionados se obtendra una solucion Es de destacar que en una gran parte de es-
mutada. tas publicaciones los propios autores destacan
que la metodologa constituye el estado del arte
Como cierre de esta seccion, es importante para el problema en consideracion, lo que es
resenar una vez mas el caracter heurstico de de interes debido a que estos son problemas
los principios de diseno mencionados. Hay aun clasicos en el area de la optimizacion com-
mucho por hacer en esta vertiente metodologi- binatoria.
ca de los MA (e.g., vease [64]). En este senti-
do, notese que la filosofa de los MA es muy El paradigma fue utilizado en otros proble-
flexible, y desde siempre se oriento a la in- mas menos conocidos, pero sin duda de igual
corporacion de ideas tomadas de otras meta- importancia, como son: emparejamiento par-
heursticas. Por ello, del estudio de las diferen- cial de formas geometricas [105], optimizacion
tes tecnicas de optimizacion discutidas en es- en paisajes NK [80], diseno de trayectorias
ta monografa pueden obtenerse nuevas ideas y optimas para naves espaciales [32], asignacion
herramientas conducentes a nuevos y mas po- de frecuencias [59], construccion de arboles de
tentes algoritmos memeticos. expansion mnimos con restricciones de gra-
do [115], problemas de emplazamiento [57] [71]
[123], optimizacion de rutas [120], problemas
de transporte [46] [100], asignacion de tare-
4. Aplicaciones de los MA as [53], isomorfismos en grafos [129], proble-
mas de biconexion de vertices [60], agru-
pamiento [85], telecomunicaciones [10] [111]
Existen cientos de aplicaciones de los MA en [121], identificacion de sistemas no-lineares
el ambito de la optimizacion combinatoria. Eso [40], optimizacion multiobjetivo [62], progra-
no es sorprendente si tenemos en consideracion macion de tareas de mantenimiento [13] [14]
que existen miles de problemas de optimizacion [15], open shop scheduling [21] [42] [74],
pertenecientes a la clase NP, donde los MA se flowshop scheduling [19] [94] [95], planifi-
han mostrado de gran valor. Curiosamente, es cacion de proyectos [98] [116] [106], planifi-
frecuente que estos MA se hallen disfrazados cacion de almacen [132], planificacion de pro-
u ocultos bajo otras denominaciones (EA/GA duccion [38] [89] [8], confeccion de horarios [11]
hbridos, EA/GA lamarckianos, etc.), tal como [75] [108], planificacion de turnos [37], planifi-
se menciono en la Seccion 1. No obstante, esta cacion de juegos deportivos [25] y planificacion
falta de consistencia terminologica es cada vez de examenes [12] [49].
menos frecuente.
Los MA, tambien han sido citados en la litera-
Hecha esta apreciacion, ofrecemos aqu una tura de aprendizaje en maquinas y robotica co-
breve lista de algunas de las aplicaciones que mo algoritmos geneticos hbridos. Destacamos
dan cuenta de la popularidad que ha alcanza- algunas aplicaciones como por ejemplo: entre-
do esta metodologa. Destacamos los siguientes: namiento de redes neuronales [58] [90] [128], re-
problemas de particionado en grafos [83] [138], conocimiento de caractersticas [2], clasificacion
particion de numeros [7], conjunto Independi- de caractersticas [69] [86], analisis de series
ente de cardinalidad maxima [1] [54] [122], em- temporales [103], aprendizaje de comportamien-
paquetado [117], coloreado de grafos [26] [39] tos reactivos en agentes moviles [30], planifi-
[43] [24], recubrimiento de conjuntos [4], plan- cacion de trayectorias [102] [109] [119], control
ificacion de tareas en una maquina con tiem- optimo [20], etc.
pos de set-up y fechas de entrega [44] [87],
planificacion de tareas en varias maquinas [22] En las areas de la Electronica y la Ingeniera
podemos destacar: proyectos de VLSI [3], op- Es posible que una generacion futu-
timizacion de estructuras [137] y mecanica de ra de MA trabaje en dos niveles y dos
fracturas [107], modelado de sistemas [131], escalas temporales. En una escala de
control de reactores qumicos [140], calibracion corto alcance, un conjunto de agentes
de motores [61], problemas de diseno optimo en trabajara en el espacio de busque-
Aeronautica [9] [110], diseno de sistemas opti- da asociado al problema mientras que
cos [55], control de trafico [125], y planificacion en una escala de mas largo plazo,
en problemas de potencia [130] entre otros. los agentes adaptaran las heursti-
cas a ellos asociadas. Nuestro trabajo
Otras aplicaciones de estas tecnicas pueden en- con D. Holstein que sera presentado
contrarse en: Medicina [52] [133], Economa en este libro puede ser clasificado co-
[73] [104], Oceanografa [96], Matematicas [118] mo un primer paso en esta direccion
[134] [135], Procesamiento de imagenes y de voz prometedora. Sin embargo, es razona-
[16] [70] [139], y un sinnumero de ellas en Bi- ble pensar que en breve se implemen-
ologa Molecular. taran de manera practica nuevos y
mas complejos esquemas, involucran-
do soluciones, agentes y tambien re-
presentaciones.
[72] D. Levine. A parallel genetic algo- [79] P. Merz. A comparison of memetic re-
rithm for the set partitioning problem. combination operators for the traveling
In I.H. Osman and J.P. Kelly, editors, salesman problem. In W. B. Langdon
Meta-Heuristics: Theory & Applications, et al., editors, GECCO 2002: Proceedings
pages 2335. Kluwer Academic Publish- of the Genetic and Evolutionary Compu-
ers, Boston, MA, USA, 1996. tation Conference, pages 472479, New
York, 9-13 July 2002. Morgan Kaufmann
[73] F. Li, R. Morgan, and D. Williams. Publishers.
Economic environmental dispatch made
easy with hybrid genetic algorithms. In [80] P. Merz and B. Freisleben. On the Effec-
Proceedings of the International Confer- tiveness of Evolutionary Search in High
ence on Electrical Engineering, volume 2, Dimensional N K-Landscapes. In D. Fo-
pages 965969, Beijing, China, 1996. Int. gel, editor, Proceedings of the 1998 IEEE
Acad. Publishers. International Conference on Evolution-
ary Computation, pages 741745, Piscat-
[74] C.F. Liaw. A hybrid genetic algorithm for away, NJ, USA, 1998. IEEE Press.
the open shop scheduling problem. Eu- [81] P. Merz and B. Freisleben. A Comparison
ropean Journal of Oprational Research, of Memetic Algorithms, Tabu Search, and
124(1):2842, 2000. Ant Colonies for the Quadratic Assign-
ment Problem. In Pete Angeline, editor,
[75] S. E. Ling. Integrating genetic algo-
1999 Congress on Evolutionary Compu-
rithms with a prolog assignment program
tation (CEC99), pages 20632070, Pis-
as a hybrid solution for a polytechnic
cataway, NJ, USA, 1999. IEEE Press.
timetable problem. In Parallel Problem
Solving from Nature II, pages 321329. [82] P. Merz and B. Freisleben. Fitness
Elsevier Science Publisher B. V., 1992. landscapes and memetic algorithm de-
sign. In D. Corne, M. Dorigo, and
[76] S.J. Louis, X. Yin, and Z.Y. Yuan. Multi- F. Glover, editors, New Ideas in Opti-
ple vehicle routing with time windows us- mization, pages 245260. McGraw-Hill,
ing genetic algorithms. In Proceedings of Maidenhead, Berkshire, England, UK,
the 1999 Congress on Evolutionary Com- 1999.
putation, pages 18041808, Washington
D.C., 1999. IEEE Neural Network Coun- [83] P. Merz and B. Freisleben. Fitness Land-
cil - Evolutionary Programming Society - scapes, Memetic Algorithms and Greedy
Institution of Electrical Engineers. Operators for Graph Bi-Partitioning.
Evolutionary Computation, 8(1):6191, Problem Implementation of a Compu-
2000. tational Ecology for Combinatorial Op-
timization on Message-Passing Systems.
[84] P. Merz and B. Freisleben. Memetic al- In M. Valero, E. Onate, M. Jane, J. L.
gorithms for the traveling salesman prob- Larriba, and B. Suarez, editors, Paral-
lem. Complex Systems, 132(42):297345, lel Computing and Transputer Applica-
2001. tions, pages 177186, Amsterdam, 1992.
IOS Press.
[85] P. Merz and A. Zell. Clustering gene
expression profiles with memetic algo- [93] P. Moscato and F. Tinetti. Blending
rithms. In 7th International Conference heuristics with a population-based ap-
on Parallel Problem Solving from Na- proach: A memetic algorithm for the trav-
ture - PPSN VII, September 7-11, 2002, eling salesman problem. Report 92-12,
Granada, Spain, 2002. Universidad Nacional de La Plata, C.C.
75, 1900 La Plata, Argentina, 1992.
[86] M. Mignotte, C. Collet, P. Perez, and
P. Bouthemy. Hybrid genetic optimiza- [94] T. Murata and H. Ishibuchi. Performance
tion and statistical model based approach evaluation of genetic algorithms for flow-
for the classification of shadow shapes shop scheduling problems. In Proceedings
in sonar imagery. IEEE Transactions of the First IEEE Conference on Evo-
on Pattern Analysis and Machine Intel- lutionary Computation, volume 2, pages
ligence, 22(2):129141, 2000. 812817, New York, NY, 1994. IEEE.
[87] D.M. Miller, H.C. Chen, J. Matson, and [95] T. Murata, H. Ishibuchi, and H. Tanaka.
Q. Liu. A hybrid genetic algorithm for the Genetic algorithms for flowshop schedul-
single machine scheduling problem. Jour- ing problems. Computers & Industrial
nal of Heuristics, 5(4):437454, 1999. Engineering, 30(4):10611071, 1996.
[88] L. Min and W. Cheng. Identical parallel [96] M. Musil, M.J. Wilmut, and N.R. Chap-
machine scheduling problem for minimiz- man. A hybrid simplex genetic algorithm
ing the makespan using genetic algorithm for estimating geoacoustic parameters us-
combined with simulated annealing. Chi- ing matched-field inversion. IEEE Jour-
nese Journal of Electronics, 7(4):317321, nal of Oceanic Engineering, 24(3):358
1998. 369, 1999.
[89] X.G. Ming and K.L. Mak. A hybrid hop- [97] Y.Nagata and Sh. Kobayashi. Edge as-
field network-genetic algorithm approach sembly crossover: A high-power genet-
to optimal process plan selection. Inter- ic algorithm for the traveling salesman
national Journal of Production Research, problem. In Th. Back, editor, Proceed-
38(8):18231839, 2000. ings of the Seventh International Confer-
ence on Genetic Algorithms, East Lans-
[90] P. Moscato. An Introduction to Popula- ing, EE.UU., pages 450457, San Mateo,
tion Approaches for Optimization and Hi- CA, 1997. Morgan Kaufmann.
erarchical Objective Functions: The Role
of Tabu Search. Annals of Operations Re- [98] A.L. Nordstrom and S. Tufekci. A genetic
search, 41(1-4):85121, 1993. algorithm for the talent scheduling prob-
lem. Computers & Operations-Research,
[91] P. Moscato. Memetic algorithms: A short 21(8):927940, 1994.
introduction. In D. Corne, M. Dorigo,
and F. Glover, editors, New Ideas in Op- [99] M.G. Norman and P. Moscato. A compet-
timization, pages 219234. McGraw-Hill, itive and cooperative approach to com-
Maidenhead, Berkshire, England, UK, plex combinatorial search. Technical Re-
1999. port Caltech Concurrent Computation
Program, Report. 790, California Insti-
[92] P. Moscato and M. G. Norman. A Memet- tute of Technology, Pasadena, California,
ic Approach for the Traveling Salesman USA, 1989. expanded version published
at the Proceedings of the 20th Infor- effective stress intensity factor. Zeszy-
matics and Operations Research Meeting, ty Naukowe Politechniki Opolskiej, Se-
Buenos Aires (20th JAIIO), Aug. 1991, ria: Mechanika, z.67(Nr kol. 269/2001),
pp. 3.153.29. 2001. VII Summer School of Fracture
Mechanic, Current Research in Fatigue
[100] A.G.N. Novaes, J.E.S. De-Cursi, and and Fracture, Pokrzywna (Poland), 18-22
O.D. Graciolli. A continuous approach Jun. 2001.
to the design of physical distribution sys-
tems. Computers & Operations Research, [108] B. Paechter, A. Cumming, M.G. Norman,
27(9):877893, 2000. and H. Luchian. Extensions to a Memet-
ic timetabling system. In E.K. Burke and
[101] I.M. Oliver, D.J. Smith, and J.R.C. Hol- P. Ross, editors, The Practice and Theory
land. A study of permutation crossover of Automated Timetabling, volume 1153
operators on the traveling salesperson of Lecture Notes in Computer Science,
problem. In J.J. Grefenstette, editor, Pro- pages 251265. Springer Verlag, 1996.
ceedings of the 2nd International Confer-
ence on Genetic Algorithms and their Ap- [109] D.K. Pratihar, K. Deb, and A. Ghosh.
plications, pages 224230, Hillsdale NJ, Fuzzy-genetic algorithms and mobile
1987. Lawrence Erlbaum Associates. robot navigation among static obstacles.
In Proceedings of the 1999 Congress on
[102] P. Osmera. Hybrid and distributed ge- Evolutionary Computation, pages 327
netic algorithms for motion control. In 334, Washington D.C., 1999. IEEE.
V. Chundy and E. Kurekova, editors,
Proceedings of the Fourth International [110] D. Quagliarella and A. Vicini. Hybrid
Symposium on Measurement and Control genetic algorithms as tools for complex
in Robotics, pages 297300, 1995. optimisation problems. In P. Blonda,
M. Castellano, and A. Petrosino, editors,
[103] R. Ostermark. A neuro-genetic algorithm New Trends in Fuzzy Logic II. Proceed-
for heteroskedastic time-series processes: ings of the Second Italian Workshop on
empirical tests on global asset returns. Fuzzy Logic, pages 300307, Singapore,
Soft Computing, 3(4):206220, 1999. 1998. World Scientific.
[104] R. Ostermark. Solving irregular econo- [111] A. Quintero and S. Pierre. A multi-
metric and mathematical optimization population memetic algorithm to opti-
problems with a genetic hybrid al- mize the assignment of cells to switches
gorithm. Computational Economics, in cellular mobile networks, 2001. sub-
13(2):103115, 1999. mitted for publication.
[105] E. Ozcan and C.K. Mohan. Steady [112] N.J. Radcliffe. The algebra of genetic al-
state memetic algorithm for partial shape gorithms. Annals of Mathematics and Ar-
matching. In V.W. Porto, N. Saravanan, tificial Intelligence, 10:339384, 1994.
and D. Waagen, editors, Evolutionary
Programming VII, volume 1447 of Lecture [113] N.J. Radcliffe and P.D. Surry. Fitness
Notes in Computer Science, pages 527 Variance of Formae and Performance Pre-
536. Springer, Berlin, 1998. diction. In L.D. Whitley and M.D. Vose,
editors, Proceedings of the 3rd Workshop
[106] L. Ozdamar. A genetic algorithm ap- on Foundations of Genetic Algorithms,
proach to a general category project pages 5172, San Francisco, 1994. Mor-
scheduling problem. IEEE Transactions gan Kaufmann.
on Systems, Man and Cybernetics, Part
C (Applications and Reviews), 29(1):44 [114] N.J. Radcliffe and P.D. Surry. For-
59, 1999. mal Memetic Algorithms. In T. Fogar-
ty, editor, Evolutionary Computing: AISB
[107] M.N. Pacey, E.A. Patterson, and M.N. Workshop, volume 865 of Lecture Notes in
James. A photoelastic technique for char- Computer Science, pages 116. Springer-
acterising fatigue crack closure and the Verlag, Berlin, 1994.
[115] G.R. Raidl and B.A. Julstron. A weight- [122] A. Sakamoto, X.Z. Liu, and T. Shimamo-
ed coding in a genetic algorithm for to. A genetic approach for maximum in-
the degree-constrained minimum span- dependent set problems. IEICE Trans-
ning tree problem. In J. Carroll, E. Dami- actions on Fundamentals of Electronics
ani, H. Haddad, and D. Oppenheim, ed- Communications and Computer Sciences,
itors, ACM Symposium on Applied Com- E80A(3):551556, 1997.
puting 2000, pages 440445. ACM Press,
2000. [123] V. Schnecke and O. Vornberger. Hybrid
genetic algorithms for constrained place-
[116] E. Ramat, G. Venturini, C. Lente, and ment problems. IEEE Transactions on
M. Slimane. Solving the multiple resource Evolutionary Computation, 1(4):266277,
constrained project scheduling problem 1997.
with a hybrid genetic algorithm. In Th.
Back, editor, Proceedings of the Seventh [124] Jim Smith. Co-evolving memetic algo-
International Conference on Genetic Al- rithms: Initial investigations. In 7th In-
gorithms, pages 489496, San Francisco ternational Conference on Parallel Prob-
CA, 1997. Morgan Kaufmann. lem Solving from Nature - PPSN VII,
September 7-11, 2002, Granada, Spain,
[117] C. Reeves. Hybrid genetic algorithms for 2002.
bin-packing and related problems. Annals
[125] D. Srinivasan, R.L. Cheu, Y.P. Poh, and
of Operations Research, 63:371396, 1996.
A.K.C. Ng. Development of an intelligent
[118] C. Reich. Simulation of imprecise or- technique for traffic network incident de-
dinary differential equations using evo- tection. Engineering Applications of Ar-
lutionary algorithms. In J. Carroll, tificial Intelligence, 13(3):311322, 2000.
E. Damiani, H. Haddad, and D. Op- [126] P.D. Surry and N.J. Radcliffe. Inocula-
penheim, editors, ACM Symposium on tion to initialise evolutionary search. In
Applied Computing 2000, pages 428432. T.C. Fogarty, editor, Evolutionary Com-
ACM Press, 2000. puting: AISB Workshop, number 1143
in Lecture Notes in Computer Science,
[119] M.A. Ridao, J. Riquelme, E.F. Camacho,
pages 269285. Springer-Verlag, 1996.
and M. Toro. An evolutionary and local
search algorithm for planning two manip- [127] T. Taguchi, T. Yokota, and M. Gen. Re-
ulators motion. In A.P. Del Pobil, J. Mi- liability optimal design problem with in-
ra, and M. Ali, editors, Tasks and Meth- terval coefficients using hybrid genetic al-
ods in Applied Artificial Intelligence, vol- gorithms. Computers & Industrial Engi-
ume 1416 of Lecture Notes in Computer neering, 35(12):373376, 1998.
Science, pages 105114. Springer-Verlag,
Berlin Heidelberg, 1998. [128] A.P. Topchy, O.A. Lebedko, and V.V.
Miagkikh. Fast learning in multilayered
[120] A.M. Rodrigues and J. Soeiro Ferreira. networks by means of hybrid evolution-
Solving the rural postman problem by ary and gradient algorithms. In Proceed-
memetic algorithms. In Jorge Pinho ings of International Conference on Evo-
de Sousa, editor, Proceedings of the 4th lutionary Computation and its Applica-
Metaheuristic International Conference tions, pages 390398, June 1996.
(MIC2001), Porto, Portugal, July 16-20,
2001, pages 679684, 2001. [129] R. Torres-Velazquez and V. Estivill-
Castro. A memetic algorithm instan-
[121] S. Runggeratigul. A memetic algorithm tiated with selection sort consistent-
to communication network design taking ly finds global optima for the error-
into consideration an existing network. In correcting graph isomorphism. In Xin
Jorge Pinho de Sousa, editor, Proceed- Yao, editor, Proceedings of the IEEE
ings of the 4th Metaheuristic Internation- 2002 Congress on Evolutionary Computa-
al Conference (MIC2001), Porto, Portu- tion, CEC02, May 12-17, 2002, Honolu-
gal, July 16-20, 2001, pages 9196, 2001. lu, Hawaii, USA, pages 19581963, 2002.
[130] A.J. Urdaneta, J.F. Gomez, E. Sorrenti- [140] I. Zelinka, V. Vasek, K. Kolomaznik,
no, L. Flores, and R. Daz. A hybrid ge- P. Dostal, and J. Lampinen. Memetic al-
netic algorithm for optimal reactive pow- gorithm and global optimization of chem-
er planning based upon successive lin- ical reactor. In PC Control 2001, 13th In-
ear programming. IEEE Transactions on ternational Conference on Process Con-
Power Systems, 14(4):12921298, 1999. trol, High Tatras, Slovakia, 2001.