Resumen

El Algoritmo de Optimización por Enjambre de Partículas (PSO, por sus siglas en inglés) es un método de optimización popular que se utiliza ampliamente en diversas aplicaciones, debido a su simplicidad y capacidad para obtener resultados óptimos. Sin embargo, los PSOs ordinarios pueden quedar atrapados en el punto óptimo local, especialmente en problemas de alta dimensionalidad. Para superar este problema, en este artículo se propone un eficiente algoritmo de Optimización Global por Enjambre de Partículas (GPSO) basado en una nueva estrategia de actualización de la posición de las partículas. Esto se logra compartiendo información de la posición de las partículas entre las dimensiones (variables) en cada iteración. Esta estrategia puede mejorar la capacidad de exploración del algoritmo GPSO para determinar la solución global óptima y evitar quedar atrapado en un óptimo local. El algoritmo GPSO propuesto se valida en una función matemática de referencia de 12 benchmarks y se compara con tres tipos diferentes de técnicas de PSO. El rendimiento de este algorit

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Optimización por enjambre de partículas; Optimización global por enjambre de partículas; Resultados óptimos; Punto óptimo local; Problemas de alta dimensionalidad; Capacidad de exploración
• Keywords:Particle swarm optimization; Global particle swarm optimization; Optimal results; Local optimal point; High dimensional problems; Exploration capability