A new metaheuristic inspired by the vapour-liquid equilibrium for continuous optimization

Abstract

En este artículo se describe una nueva metaheurística de optimización basada en el equilibrio vapor-líquido para resolver problemas de optimización altamente no lineales en dominios continuos. Durante la búsqueda de lo óptimo, el procedimiento realmente simula el estado de equilibrio vapor-líquido de múltiples sistemas químicos binarios. Cada variable de decisión del problema de optimización se comporta como la fracción molar del componente más ligero de un sistema químico binario. El estado de equilibrio de cada sistema se modifica varias veces, de forma independiente y gradual, en dos direcciones opuestas y a diferentes velocidades. Se buscan y evalúan las mejores condiciones termodinámicas de equilibrio para cada sistema para identificar el siguiente paso hacia la solución del problema de optimización. Mientras se realiza la búsqueda, el algoritmo acepta aleatoriamente soluciones inadecuadas. Este proceso se realiza de manera controlada estableciendo una probabilidad de aceptación mínima para reiniciar la exploración en otras áreas para evitar quedar atrapado en soluciones óptimas locales. Además, el rango de cada variable de decisión se reduce de forma autónoma durante la búsqueda. El algoritmo alcanza resultados competitivos con los obtenidos por otros algoritmos estocásticos al probar varias funciones de referencia, lo que nos permite concluir que nuestra metaheurística es una alternativa prometedora en el campo de la optimización.

In this article, a novel optimization metaheuristic based on the vapour-liquid equilibrium is described to solve highly nonlinear optimization problems in continuous domains. During the search for the optimum, the procedure truly simulates the vapour-liquid equilibrium state of multiple binary chemical systems. Each decision variable of the optimization problem behaves as the molar fraction of the lightest component of a binary chemical system. The equilibrium state of each system is modified several times, independently and gradually, in two opposite directions and at different rates. The best thermodynamic conditions of equilibrium for each system are searched and evaluated to identify the following step towards the solution of the optimization problem. While the search is carried out, the algorithm randomly accepts inadequate solutions. This process is done in a controlled way by setting a minimum acceptance probability to restart the exploration in other areas to prevent becoming trapped in local optimal solutions. Moreover, the range of each decision variable is reduced autonomously during the search. The algorithm reaches competitive results with those obtained by other stochastic algorithms when testing several benchmark functions, which allows us to conclude that our metaheuristic is a promising alternative in the optimization field.