Resumen

Una de las principales ventajas de los métodos estocásticos de optimización global es que no necesitan el gradiente de la función objetivo. Sin embargo, en algunos casos, este gradiente está fácilmente disponible y puede utilizarse para mejorar el rendimiento numérico de los métodos de optimización estocástica, especialmente la calidad y precisión de la solución óptima global. En este estudio, proponemos una modificación basada en el gradiente para el algoritmo de búsqueda del cuco, que es un método de optimización global estocástico basado en enjambres e inspirado en la naturaleza. Introducimos la búsqueda cuco basada en gradiente (GBCS) y evaluamos su rendimiento frente al algoritmo original en la resolución de veinticuatro funciones de referencia. El uso de GBCS mejoró la fiabilidad y eficacia del algoritmo en todos los problemas de referencia evaluados, excepto en cuatro. GBCS demostró ser un buen candidato para resolver problemas de optimización difíciles, para los que se dispone fácilmente del gradiente de la función objetivo.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:gradiente, gbcs, función objetivo, método de optimización global estocástica, métodos de optimización global estocástica, algoritmo de búsqueda cucú, problemas de optimización difíciles, solución óptima global, métodos de optimización estocástica, funciones de referencia
• Keywords:gradient, gbcs, objective function, stochastic global optimization method, stochastic global optimization methods, cuckoo search algorithm, difficult optimization problems, global optimal solution, stochastic optimization methods, benchmark functions