Resumen

El artículo presenta un novedoso algoritmo evolutivo híbrido que combina los algoritmos de Optimización por Enjambre de Partículas (PSO) y Recocido Simulado (SA). Cuando se alcanza una solución óptima local con PSO, todas las partículas se agrupan a su alrededor, y escapar de este óptimo local se vuelve difícil. Para evitar la convergencia prematura de PSO, presentamos un nuevo algoritmo evolutivo híbrido, llamado HPSO-SA, basado en la idea de que PSO asegura una rápida convergencia, mientras que SA saca la búsqueda de óptimos locales debido a su fuerte capacidad de búsqueda local. El algoritmo propuesto HPSO-SA se valida en diez funciones multimodales de referencia estándar para las cuales obtuvimos mejoras significativas. Los resultados se comparan con los obtenidos por los algoritmos híbridos PSO-SA existentes. En este artículo, también proporcionamos dos versiones de HPSO-SA (secuencial y distribuida) para minimizar el consumo de energía

• Materias:Probabilidad Colectiva Minería de datos Algoritmo de evolución Computación evolutiva Sistemas neuronales
• Subjects:Collective probability Data mining Evolutionary algorithm Evolutionary Computation Neural systems
• Palabras claves:Novela; Algoritmo evolutivo híbrido; Optimización por Enjambre de Partículas; Recocido Simulado; óptimos locales; Consumo de energía
• Keywords:Novel; Hybrid evolutionary algorithm; Particle Swarm Optimization; Simulated Annealing; Local optima; Energy consumption