Resumen

Muchos problemas de optimización se han vuelto cada vez más complejos, lo que promueve investigaciones sobre la mejora de diferentes algoritmos de optimización. El algoritmo de optimización de la mariposa monarca (MBO) ha demostrado ser una herramienta efectiva para resolver diversos tipos de problemas de optimización. Sin embargo, en el algoritmo MBO básico, la estrategia de búsqueda fácilmente cae en óptimos locales, lo que provoca una convergencia prematura y un rendimiento deficiente en muchos problemas de optimización complejos. Para resolver estos problemas, este artículo desarrolla un nuevo algoritmo MBO basado en el aprendizaje basado en la oposición (OBL) y la perturbación local aleatoria (RLP). En primer lugar, se introduce el método OBL para generar la población basada en la oposición a partir de la población original. Al comparar la población basada en la oposición con la población original, se seleccionan los individuos mejores y pasan a la siguiente generación, lo que puede prevenir eficientemente que el MBO caiga en un

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Problemas de optimización; Optimización de la mariposa monarca; Aprendizaje basado en la oposición; Perturbación local aleatoria; óptimos locales; Eficiencia computacional
• Keywords:Optimization problems; Monarch butterfly optimization; Opposition-based learning; Random local perturbation; Local optima; Computational efficiency