Resumen

Para mejorar la velocidad de convergencia y la precisión de optimización del algoritmo de búsqueda de cuco (CS) para resolver los problemas de optimización de funciones, se propone un nuevo algoritmo de búsqueda de cuco mejorado basado en el autoaprendizaje asintótico de ciclos repetidos y la perturbación autoevolutiva (RC-SSCS). Se añade una operación de perturbación en el algoritmo mediante la construcción de un factor de perturbación para realizar una búsqueda más cuidadosa y exhaustiva cerca de la ubicación de los nidos de las aves. Con el fin de seleccionar un número razonable de perturbaciones repetidas, se realiza un estudio adicional sobre la elección de los tiempos de perturbación. Por último, se adoptan seis funciones de prueba típicas para llevar a cabo experimentos de simulación, mientras que se comparan los algoritmos de este trabajo con dos algoritmos típicos de inteligencia de enjambre: el algoritmo de optimización de enjambre de partículas (PSO) y el algoritmo de colonia artificial de abejas (ABC). Los resultados muestran que el algoritmo de búsqueda de cuco mejorado tiene mejor velocidad de convergencia y precisión de optimización.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:algoritmo de búsqueda de cuco, algoritmo, precisión de optimización, algoritmo de inteligencia de enjambre, problema de optimización de funciones, función de prueba típica, elección de perturbación, mejor velocidad de convergencia, número de perturbación cíclica, búsqueda de cuco mejorada
• Keywords:cuckoo search algorithm, algorithm, optimization accuracy, swarm intelligence algorithm, function optimization problem, typical test function, choice of disturbance, better convergence velocity, cycled disturbance number, improved cuckoo search