New soft-computing algorithms in atmospheric physics

Abstract

This Ph.D. Thesis elaborates and analyzes several hybrid Soft-Computing algorithms for optimization and prediction problems in Atmospheric Physics. The core of the Thesis is a recently developed optimization meta-heuristic, the Coral Reefs Optimization Algorithm (CRO), an evolutionary-based approach which considers a population of possible solutions to a given optimization problem. It simulates different procedures mimicking real processes occurring in coral reefs in order to evolve the population towards good solutions for the problem. Alternative modifications of this algorithm lead to powerful co-evolution meta-heuristics, such as theCRO-SL, in which Substrates implementing different search procedures are included. Another modification of the algorithm leads to the CRO-SP, which considers Species in the evolutionof the population, and it is able to deal with different encodings within a single population.These approaches are hybridized with other Machine Learning and traditional algorithms such as neural networks or the Analogue Method (AM), to come up with powerful hybrid approaches able to solve hard problems in Atmospheric Physics...En esta Tesis Doctoral se elaboran y analizan en detalle diferentes algoritmos híbridos deSoft-Computing para problemas de optimización y predicción en Física de la Atmósfera. El núcleo central de la Tesis es un algoritmo meta-heurístico de optimización recientemente desarrollado, conocido como Coral Reefs Optimization algorithm (CRO). Este algoritmo pertenece a la familia de la Computación Evolutiva, de forma que considera una población de solucionesa un problema concreto, y simula los diferentes procesos que ocurren en un arrecife de coralpara evolucionar dicha población hacia la solución óptima del problema. Recientemente se han propuesto diferentes versiones del algoritmo CRO básico para obtener mecanismos potentes de optimización co-evolutiva. Una de estas modificaciones es el CRO-SL, en la que se definen un conjunto de Sustratos en el algoritmo, de manera que cada sustrato simula un mecanismo de evolución diferente, que son aplicados a la vez en una única población. Otra modificación hadado lugar al conocido como CRO-SP, un algoritmo donde se definen diferentes Especies, capaz de manejar varias codificaciones para un mismo problema a la vez. Estas versiones del CRO han sido hibridadas con varias técnicas de Aprendizaje Máquina, tales como varios tipos de redes neuronales de entrenamiento rápido, sistemas de aprendizaje tales como Máquinas de Vectores Soporte, o sistemas de predicción vinculados totalmente al área de la Física Atmosférica, tales como el Método de los Análogos (AM). Los algoritmos híbridos obtenidos son muy robustos y capaces de obtener excelentes soluciones en diferentes problemas donde han sido probados...