Resumen

Se propone un algoritmo de evolución diferencial cooperativa multiescala para resolver los problemas de estrechez del rango de búsqueda en la etapa inicial y de convergencia lenta en la etapa posterior en el rendimiento de los algoritmos de evolución diferencial tradicionales. En primer lugar, se adopta la estructura poblacional del mecanismo multipoblación, de modo que cada subpoblación se combina con una estrategia de mutación correspondiente para garantizar la diversidad individual durante la evolución. A continuación, se desarrolla el aprendizaje de covarianza entre poblaciones para establecer un sistema de coordenadas rotativo adecuado para la operación cruzada. Mientras tanto, se introduce una estrategia de ajuste adaptativo de los parámetros para equilibrar el estudio de la población y la convergencia. Por último, el algoritmo propuesto se prueba con la función de referencia CEC 2005 y se compara con otros algoritmos evolutivos de última generación. Los resultados del experimento muestran que el algoritmo propuesto tiene un mejor rendimiento en la resolución de problemas de optimización global que otros algoritmos comparados.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:algoritmo de evolución diferencial, algoritmo propuesto, diferencial cooperativo multiescala, problema de optimización global, rango de búsqueda estrecho, estrategia de ajuste de parámetros, estructura de la multipoblación, mejor rendimiento, sistema de coordenadas, operaciones cruzadas
• Keywords:differential evolution algorithm, proposed algorithm, multiscale cooperative differential, global optimization problem, narrow search range, parameters adjustment strategy, structure of multipopulation, better performance, coordinate system, cross operations