Resumen

La optimización por enjambre de partículas (PSO) ha demostrado un buen rendimiento para resolver diversos problemas de optimización. Sin embargo, tiende a sufrir un estancamiento prematuro y pierde capacidad de exploración en el periodo de evolución posterior cuando resuelve problemas complejos. Este trabajo presenta un algoritmo híbrido secuencial de optimización por enjambre de partículas y búsqueda gravitacional con coeficientes aleatorios dependientes denominado HPSO-GSA, que primero incorpora el algoritmo de búsqueda gravitacional (GSA) con el PSO mediante un modo de funcionamiento secuencial y luego adopta tres estrategias de aprendizaje en el proceso de hibridación para superar el problema mencionado. En concreto, las partículas del HPSO-GSA entran en la etapa PSO y actualizan sus velocidades adoptando la estrategia de coeficientes aleatorios dependientes para mejorar la capacidad de exploración. A continuación, la GSA se incorpora a la PSO utilizando estrategias de ciclo de intervalo de iteración fijo o de ciclo de estancamiento de evolución adaptativa cuando el enjambre cae en el óptimo local y no consigue mejorar su aptitud. Para evaluar la eficacia y viabilidad de la HPSO-GSA propuesta, se realizaron simulaciones con funciones de prueba de referencia. Los resultados revelan que la HPSO-GSA presenta un rendimiento superior en términos de precisión, fiabilidad y eficiencia en comparación con PSO, GSA y otras variantes híbridas desarrolladas recientemente.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:gsa, algoritmo de búsqueda gravitacional, hpso, pso, capacidad de exploración, estrategias de evolución adaptativa de ciclo de estancamiento, estrategia de coeficientes aleatorios dependientes, optimización secuencial híbrida de enjambre de partículas, optimización de enjambre de partículas, funciones de prueba de referencia
• Keywords:gsa, gravitational search algorithm, hpso, pso, exploration ability, adaptive evolution stagnation cycle strategies, dependent random coefficients strategy, sequential hybrid particle swarm optimization, particle swarm optimization, benchmark test functions