Comparación del desempeño de una metaheurística basada en búsqueda armónica y el algoritmo genético adaptativo para el análisis de patrones de dispersión

Abstract

La caracterización de materiales es un área de investigación de suma importancia en la actualidad, muchas de las técnicas de caracterización se apoyan de análisis computacional y hacen uso de algoritmos de optimización que buscan hacer un mejor uso de los recursos computaciones que les permita obtener mejores resultados en tiempos razonables. Mejoras en estos algoritmos se puede ver reflejadas en caracterizaciones más eficientes. Por lo anterior esta investigación se centró en modificar el algoritmo de optimización utilizado por la herramienta Computational Reverse-Engineering Analysis for Scattering Experiments (CREASE), en busca de mejorar su desempeño; esta herramienta hace un análisis morfológico de muestras a partir de perfiles de dispersión de ángulo pequeño (SAS) utilizando un modelo de Rigid-Body y el algoritmo genético (GA) de adaptación dinámica como su algoritmo de optimización. El objetivo fue evaluar el desempeño de CREASE al sustituir el GA por una metaheurística basada en búsqueda armónica (Harmony Search, HS), específicamente el Nobel Global Harmony Search (NGHS), en el análisis de perfiles SAS de soluciones de baja concentración vesículas ensambladas a partir de polímeros anfifílicos. Se eligió NGHS tras evaluar cinco metaheurísticas basadas en HS, destacando NGHS por su velocidad de convergencia y bajo error (𝑆𝑆𝐸) alcanzado. Se realizaron ajustes de sus hiperparámetros y se evaluaron estrategias para prevenir su convergencia prematura. Los resultados mostraron que NGHS mantuvo la misma precisión que el GA, pero con mayor eficiencia, logrando soluciones de calidad similar con solo una sexta, y en algunos casos una décima parte, del número de evaluaciones del GA. Permitiendo con el CREASE realizar análisis de perfiles SAS con menos de la mitad de las evaluaciones, ahorrando recursos computacionales y facilitando análisis más exhaustivos. Además, NGHS abordó algunas falencias del proceso de optimización del GA y, con solo tres hiperparámetros frente a los once del GA, facilita su uso y adaptación a diferentes tipos de muestras para usuarios con poca experiencia en optimización.