La evolución diferencial (ED) es una heurística eficaz y eficiente para los problemas de optimización global. Sin embargo, tiene dificultades para explotar la región local alrededor de la solución aproximada. Para solucionar este problema, las técnicas de búsqueda local (LS) podrían hibridarse con la ED para mejorar su capacidad de búsqueda local. En este trabajo, hibridamos una versión actualizada de la ED, la evolución diferencial adaptativa con archivo externo opcional (JADE) con un método LS costoso, Broydon-Fletcher-Goldfarb-Shano (BFGS) para resolver problemas continuos de optimización global sin restricciones. El nuevo algoritmo híbrido se denomina DEELS. Para validar el rendimiento de DEELS, hemos llevado a cabo experimentos exhaustivos con problemas de prueba bien conocidos, CEC2005 y CEC2010. Los resultados experimentales, en términos de valores de error de función, tasa de éxito, y algunas otras estadísticas, se comparan con algunos de los algoritmos del estado de la técnica, los parámetros de control autoadaptativo en la evolución diferencial (jDE), DE secuencial mejorada por la búsqueda de vecindario para la optimización global a gran escala (SDENS), y el algoritmo diferencial hormiga-estigma (DASA). Estas comparaciones revelan que DEELS supera a jDE y SDENS, excepto a DASA, en la mayoría de las instancias de prueba.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Control basado en H∞ para mitigación de carga en turbinas eólicas
Artículo:
Diagnóstico de fallos del actuador con robustez frente a la distorsión del sensor
Artículo:
Vehículos aéreos no tripulados de navegación automática para supervisar objetos en movimiento en redes de sensores inalámbricos a gran escala
Artículo:
Fundamentos de automatización
Artículo:
Estabilización de sistemas de control en red de tiempo continuo con deriva de datos