Resumen

Los algoritmos metaheurísticos son a menudo aplicados a problemas de optimización de funciones globales. Para superar el bajo rendimiento en tiempo real y la baja precisión del algoritmo básico de enjambre de salpas, este artículo introduce un nuevo algoritmo híbrido inspirado en el mecanismo de peso de perturbación. El algoritmo propuesto de enjambre de salpas con peso de perturbación tiene las ventajas de un amplio alcance de búsqueda y un fuerte equilibrio entre exploración y explotación, y mantiene una complejidad computacional relativamente baja al tratar con numerosos problemas a gran escala. Se introduce un nuevo factor de coeficiente en el algoritmo básico de enjambre de salpas, y se presentan nuevas estrategias de actualización para la posición del líder y los seguidores en la fase de búsqueda. La nueva estrategia de actualización de la posición del líder tiene un alcance específico limitado y un fuerte rendimiento de búsqueda, acelerando así el proceso de iteración. La nueva estrategia de actualización de los seguidores manti

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Algoritmos metaheurísticos; Problemas de optimización de funciones globales; Mecanismo de peso de perturbación; Algoritmo híbrido; Algoritmo de enjambre de salpas; Complejidad computacional
• Keywords:Metaheuristic algorithms; Global function optimization problems; Perturbation weight mechanism; Hybrid algorithm; Salp swarm algorithm; Computational complexity