Resumen

El algoritmo de enjambre de peces artificiales (AFSA) es una técnica de optimización basada en la población e inspirada en el comportamiento social de los peces. En los últimos años, el AFSA se ha aplicado con éxito en muchas áreas de investigación y aplicación. El comportamiento de los peces tiene un impacto crucial en el rendimiento del AFSA, como la capacidad de exploración global y la velocidad de convergencia. Cómo construir y seleccionar los comportamientos de los peces es una tarea importante. Para resolver estos problemas, en este trabajo se propone e implementa un algoritmo de enjambre de peces artificial mejorado basado en un modelo log-lineal. Hay tres trabajos principales. En primer lugar, proponemos un nuevo algoritmo de selección de comportamiento basado en el modelo log-lineal que puede mejorar la capacidad de decisión de la selección de comportamiento. En segundo lugar, se presenta el comportamiento de movimiento adaptativo basado en el peso adaptativo, que puede ajustarse dinámicamente según la diversidad de los peces. Por último, se definen algunos comportamientos nuevos y se introducen por primera vez en el algoritmo de enjambre de peces artificial para mejorar la capacidad de optimización global. Los experimentos sobre la optimización de funciones de alta dimensión mostraron que el algoritmo mejorado tiene una capacidad de exploración global más potente y una velocidad de convergencia razonable en comparación con el algoritmo de enjambre de peces artificial estándar.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:algoritmo de enjambre de peces, enjambre de peces artificial, comportamiento de los peces, capacidad de exploración global, modelo lineal, capacidad de optimización global, comportamiento de movimiento adaptativo, capacidad de comportamiento, optimización de función dimensional, algoritmo de selección de comportamiento
• Keywords:fish swarm algorithm, artificial fish swarm, behavior of fish, global exploration ability, linear model, global optimization capabilities, adaptive movement behavior, ability of behavior, dimensional function optimization, behavior selection algorithm