Resumen

Aunque la optimización por enjambre de partículas multiobjetivo (MOPSO) tiene un buen rendimiento en la resolución de problemas de optimización multiobjetivo, cómo obtener soluciones más precisas y mejorar la distribución del conjunto de soluciones sigue siendo un desafío. En este artículo, para mejorar el rendimiento de convergencia de MOPSO, se propone una optimización por enjambre de partículas basada en comportamiento cuántico multiobjetivo mejorada con estrategia de búsqueda doble y mecanismo de transposón circular (MOQPSO-DSCT). Por un lado, para resolver el problema de la reducción drástica de la diversidad del conjunto de soluciones en iteraciones posteriores debido al patrón de búsqueda único utilizado en la optimización por enjambre de partículas basada en comportamiento cuántico (QPSO), se propone la estrategia de búsqueda doble en MOQPSO-DSCT. Las partículas aprenden principalmente de su mejor posición personal en iteraciones anteriores y luego aprenden principalmente de la mejor posición global en iteraciones posteriores para equilibrar la

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Multiobjetivo; Optimización por enjambre de partículas; Rendimiento de convergencia; Comportamiento cuántico; Estrategia de doble búsqueda; Mecanismo de transposón circular
• Keywords:Multiobjective; Particle swarm optimization; Convergence performance; Quantum-behaved; Double search strategy; Circular transposon mechanism