Resumen

En este estudio, se desarrolla un novedoso método metaheurístico fácil de usar para la identificación simultánea de la estructura del modelo y los parámetros asociados para sistemas lineales. Esto se logra a través de un mecanismo de optimización por enjambre de partículas multidimensional (PSO) desarrollado mediante la hibridación de dos metodologías principales: una para anular el límite de fijación de las dimensiones de las partículas dentro del proceso del PSO y otra para mejorar la capacidad de exploración de las partículas mediante la adopción de una topología de vecindad cíclica del enjambre. Este optimizador busca consecutivamente el óptimo dimensional de las partículas y luego el óptimo posicional en el espacio de búsqueda, cuya dimensión está especificada por la dimensión óptima explorada. El óptimo dimensional proporciona la estructura del modelo óptima, mientras que el óptimo posicional proporciona los parámetros del modelo óptimos. Se consideran ejemplos numéricos típicos con fines de evaluación, que demue

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Novela; Método metaheurístico; Sistemas lineales; Optimización por enjambre de partículas; Estructura del modelo; Parámetros del modelo
• Keywords:Novel; Meta-heuristic method; Linear systems; Particle swarm optimization; Model structure; Model parameters