Resumen

El algoritmo de salto de rana barajado (SFLA) cae fácilmente en el óptimo local cuando resuelve un problema de optimización de funciones multióptimas, lo que repercute en la precisión y la velocidad de convergencia. Por lo tanto, este trabajo presenta el SFLA agrupado para resolver problemas de optimización continua combinados con las excelentes características de transformación del modelo de nube entre la investigación cualitativa y cuantitativa. El algoritmo divide el dominio de definición en varios grupos y da a cada grupo un conjunto de ranas. Las ranas de cada región buscan en su memeplex, y en el proceso de búsqueda el algoritmo utiliza la "estrategia de élite" para actualizar la información de localización de las ranas de élite existentes a través del algoritmo de modelo de nube. Este método reduce el espacio de búsqueda y puede mejorar eficazmente la situación de un óptimo local; así, la velocidad de convergencia y la precisión pueden mejorar significativamente. Los resultados de la simulación por ordenador confirman esta conclusión.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:velocidad de convergencia, óptimo local, conjunto de ranas, características de la nube, transformación del modelo de la nube, problema de optimización de funciones, resultados del ordenador, problema de optimización continua, algoritmo del modelo de la nube, algoritmo
• Keywords:convergence speed, local optimum, set of frog, characteristics of cloud, cloud model transformation, function optimization problem, results of computer, continuous optimization problem, cloud model algorithm, algorithm