Resumen

El algoritmo de enjambre de aves es uno de los algoritmos de inteligencia de enjambre propuestos recientemente. Sin embargo, el algoritmo de enjambre de pájaros original tiene algunos inconvenientes, como la facilidad para caer en el óptimo local y la lenta velocidad de convergencia. Para superar estos inconvenientes, se estableció un algoritmo de enjambre de pájaros cuántico de aprendizaje diferencial dinámico que combina tres estrategias híbridas. En primer lugar, se estableció un algoritmo de enjambre de pájaros dinámico multienjambre y se adoptó la estrategia de evolución diferencial para mejorar la aleatoriedad del movimiento del comportamiento de búsqueda de alimento, lo que puede hacer que el algoritmo de enjambre de pájaros tenga una mayor capacidad de exploración global. A continuación, se introdujo el comportamiento cuántico en el algoritmo de enjambre de pájaros para una búsqueda más eficiente del espacio de soluciones. A continuación, el algoritmo de enjambre de aves mejorado se utiliza para optimizar el número de árboles de decisión y el número de variables predictoras en el modelo de clasificación de bosque aleatorio. En el experimento, se prueban las 18 funciones de referencia, las 30 funciones de CEC2014 y los 8 conjuntos de datos de UCI para demostrar que el algoritmo y el modelo mejorados son muy competitivos y superan a los demás algoritmos y modelos. Por último, el modelo de clasificación de bosque aleatorio eficaz se aplicó a la predicción de la explotación petrolera real. Como muestran los resultados experimentales, las tres estrategias pueden mejorar significativamente el rendimiento del algoritmo del enjambre de pájaros y el esquema de aprendizaje propuesto puede garantizar un modelo de clasificación de bosque aleatorio más estable y con mayor precisión y eficacia en comparación con otros.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:algoritmo de enjambre de pájaros, modelo de clasificación de bosques, clasificación de bosques aleatorios, espacio de búsqueda de soluciones, esquema de aprendizaje propuesto, velocidad de convergencia lenta, número de decisiones, estrategia de evolución diferencial, capacidad de exploración global, número de predictores
• Keywords:bird swarm algorithm, forest classification model, random forest classification, search solutions space, proposed learning scheme, slow convergence speed, number of decision, differential evolution strategy, global exploration capabilities, number of predictor