AGs modificados

Integran diferentes algoritmos genéticos, a los que se aplican cambios, para obtener mejoras. Combinan AG con operadores de búsqueda local (competición + cooperación), es decir, introducir conocimiento en pequeña medida, puede ayudar a encontrar antes el mejor diseño.

Estrategias:

1. Inicialización no aleatoria: añadir calidad inicial, desestimar calidad muy baja en etapas finales.
2. Operadores a medida: mutación aplicada en etapas finales, refrescar búsqueda.

Híbridos: se extraen individuos del algoritmo, se mejoran externamente y se reintroducen para transmitir nuevas características.

1. Batch: Al llegar a un nivel de convergencia, se comienza a mejorar individuos por separado.
2. Online: mejora de fenotipo en cada generación o cada algunas generaciones

Funciones de evaluación aproximadas:

Se va aumentando complejidad de función para emplear la exacta en fases finales.

1. Cromosomas poliploides: genes alternativos permiten transmitir soluciones distintas a los descendientes.
2. Hipermutación disparada: en caso de que la media de la población empeore, se aumenta la tasa de mutación.
3. Inmigrantes aleatorios: sustituir individuos por generados aleatoriamente, según una tasa de reemplazamiento.