Resumen

La mayoría de los problemas de optimización del mundo real abordan una gran cantidad de variables de decisión, conocidos como problemas de Optimización Global a Gran Escala (LSGO, por sus siglas en inglés). En general, los algoritmos metaheurísticos para resolver tales problemas a menudo sufren del problema de la dimensionalidad. Para mejorar la desventaja del Optimizador de Lobos Grises al resolver los problemas de LSGO, se incorporan tres operadores genéticos en el GWO estándar y se propone un Algoritmo Híbrido de Lobos Grises Genéticos (HGGWA). En primer lugar, se inicializa toda la población utilizando la estrategia de Aprendizaje Basado en la Oposición. En segundo lugar, la operación de selección se realiza combinando la estrategia de reserva de élite. Luego, toda la población se divide en varias subpoblaciones para la operación de cruce basada en la reducción de dimensionalidad y la partición de la población con el fin de aumentar la diversidad de la población. Finalmente, los individuos de élite en la pobl

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Optimización global a gran escala; Algoritmos metaheurísticos; Optimizador de lobos grises; Algoritmo híbrido genético de lobos grises; Aprendizaje basado en oposición; Reducción de dimensionalidad
• Keywords:Large-scale global optimization; Metaheuristic algorithms; Grey wolf optimizer; Hybrid genetic grey wolf algorithm; Opposition-based learning; Dimensionality reduction