Resumen

Este artículo propone un nuevo algoritmo híbrido denominado Optimización Adaptativa de Enjambre de Gatos (ACSO). Combina las ventajas de dos algoritmos de inteligencia de enjambre, CSO y APSO, y presenta mejores resultados de búsqueda. En primer lugar, se implementan algunas estrategias para mejorar el rendimiento del algoritmo híbrido propuesto. Se limita el radio de rastreo del grupo de gatos y se ajusta adaptativamente el parámetro de número aleatorio r. Además, se introduce en el algoritmo propuesto un método de actualización del factor de escala, denominado factor de memoria y. Se puede aprender muy bien para salir de los óptimos locales y acelerar la convergencia global. En segundo lugar, comparando el algoritmo propuesto con PSO, APSO y CSO, se verifican 23 funciones de referencia mediante experimentos de simulación, que consisten en funciones unimodales, multimodales y multimodales de dimensión fija. Los resultados muestran la eficacia y eficiencia del innovador algoritmo híbrido. Por último, el ACSO propuesto se utiliza para resolver el Problema de Encaminamiento de Vehículos (VRP). Los resultados experimentales también revelan la viabilidad del ACSO a través de una comparación con ciertos métodos existentes.

• Materias:Matemáticas
• Subjects:mathematics
• Palabras claves:acso, optimización adaptativa de enjambre de gatos, parámetro de número aleatorio r, método de actualización del factor de escala, problema de enrutamiento de vehículos, mejores resultados de búsqueda, algoritmo híbrido innovador, factor de memoria y, algoritmo híbrido novedoso, algoritmos de inteligencia de enjambre
• Keywords:acso, adaptive cat swarm optimization, random number parameter r, scaling factor update method, vehicle routing problem, better search results, innovative hybrid algorithm, memory factor y, novel hybrid algorithm, swarm intelligence algorithms