Resumen

Los métodos de optimización convencionales no son lo suficientemente eficientes para resolver muchos de los problemas de optimización naturalmente complicados. Por lo tanto, inspirados en la naturaleza, los algoritmos metaheurísticos pueden ser utilizados como un nuevo tipo de solucionadores de problemas en respuesta a estos tipos de problemas de optimización. En este artículo se propone un algoritmo de optimización que es capaz de encontrar la calidad esperada de diferentes ubicaciones y también ajustar su dilema de exploración-explotación a la ubicación de un individuo. Se presenta un nuevo algoritmo de optimización por enjambre de partículas que implementa el comportamiento de aprendizaje condicionado para que las partículas realicen un comportamiento de condicionamiento natural en un motivo no condicionado. En el espacio del problema, las partículas se clasifican en varias categorías de modo que si una partícula se encuentra dentro de una categoría de baja diversidad, tendría tendencia a moverse hacia su mejor experiencia personal. Sin embargo, si la categoría de las partículas tiene alta diversidad, tendría tendencia a mover

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Convencional; Métodos de optimización; Algoritmos metaheurísticos; Optimización por enjambre de partículas; Condicionamiento del comportamiento de aprendizaje; óptimo global
• Keywords:Conventional; Optimization methods; Metaheuristic algorithms; Particle swarm optimization; Conditioning learning behavior; Global optimum