Resumen

La optimización por enjambre de partículas (PSO) es un algoritmo de optimización ampliamente utilizado, que sin embargo sufre de quedarse atrapado en óptimos locales y de la convergencia prematura. Muchos estudios han propuesto mejoras para abordar las desventajas mencionadas anteriormente. La mayoría de ellos han implementado una sola estrategia para un problema o una estructura de vecindad fija durante todo el proceso de búsqueda. Para mejorar aún más el rendimiento del PSO, introdujimos un método simple pero efectivo, llamado optimización adaptativa por enjambre de partículas con perturbación gaussiana y mutación (AGMPSO), que consta de tres estrategias. La perturbación gaussiana y la mutación se incorporan para promover la capacidad de exploración y explotación, mientras que la estrategia adaptativa se introduce para garantizar la implementación dinámica de las dos estrategias anteriores, lo que garantiza el equilibrio entre la capacidad de búsqueda y la precisión. Experimentos de comparación entre el AGMPSO propuesto y las variant

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Optimización por enjambre de partículas; PSO; Perturbación gaussiana; Mutación; Estrategia adaptativa; Precisión de convergencia
• Keywords:Particle swarm optimization; PSO; Gaussian perturbation; Mutation; Adaptive strategy; Convergence accuracy