Después de eliminar las sentencias que hacían omitir a los individuos infactibles, iniciamos las pruebas. Al hacer esto hay que diferenciar a los individuos no factibles utilizando el fitnees. Por tal razón a todos los individuos infactibles le asignamos un fitness máximo + la cantidad de restricciones que viola.
Realizamos varios experimentos variando el # de individuos y la cantidad de generaciones, hicimos 10 ejecuciones en cada experimento.
Hasta el momento el mejor resultado en cuanto a costos ha sido de $ 1'247.758,55.

• # Ind =       100; Max. Gen. = 100 -> Malos resultados. Entre $ 1'350.000,00 y $ 1'400.000,00. 8 segundos
• # Ind =    1000; Max. Gen. = 100 -> Resultados regulares y muy variables de ejecución a ejecución, siempre se queda con el mejor de la primera generación. Entre $ 1'305.000,00 y $ 1'335.000,00. 75 segundos
• # Ind =    1000; Max. Gen. = 500 -> Solo mejoró un poco ya que, en cada ejecución habían de 2 a 4 saltos en el mejor individuo. Entre $ 1'305.000,00 y $ 1'335.000,00. 221 segundos
• # Ind =    5000; Max. Gen. = 50 -> Buenos resultados, parecidos entre cada ejecución, pero se queda con el mejor de la primera generación. Entre $ 1'296.000,00 y $ 1'315.000,00. 539 segundos
• # Ind =    5000; Max. Gen. = 100 -> Igual al anterior, solo con 1 ó 2 saltos en las ejecuciones. Entre $ 1'290.000,00 y $ 1'307.000,00. 780 segundos
• # Ind = 10000; Max. Gen. = 100 -> tuve problemas con la memoria estática de C++ por lo que me quede revisando el código

Por los resultados anteriores, nos vimos en la necesidad de hacer nuevamente modificaciones al programa, solo generando la población inicial solo de individuos factibles

Hasta el momento hemos hemos terminado exitosamente la 3ra parte de nuestro proyecto SENACYT, y en estos pocos días los vamos a dedicar a afinar nuestros métodos de optimización: Algoritmos Genéticos, Estrategias Evolutivas y Algoritmos Evolutivos Flexibles.

Con este fin vamos a experimentar en cada uno de ellos hasta encontrar la resonancia de cada uno de ellos. Resonancia es determinar los valores adecuados de las variables de los métodos (# de individuos, cantidad de generaciones), de tal manera que cada vez que se ejecute el método con los mismos datos el resultado sea el mismo o muy similar.

Al revisar los métodos se pudo comprobar que no se lo dejaba trabajar de forma natural, ya que, estábamos eliminando a todos los infactibles desde la población inicial así como en las generaciones siguientes. Por lo cual no podemos medir con precisión la Resonancia, por lo que se van a modificar los métodos para dejar los infactibles, pero si se los va a clasificar usando una función de penalización.