Resumen

El algoritmo de optimización de forrajeo bacteriano (BFO) es un novedoso algoritmo de optimización de inteligencia de enjambre que se ha adoptado en una amplia gama de aplicaciones. Sin embargo, en la actualidad, el algoritmo BFO clásico sigue presentando dos grandes inconvenientes: uno es el tamaño de paso fijo que dificulta el equilibrio entre las capacidades de exploración y explotación; el otro es la débil conexión entre las bacterias que corre el riesgo de llegar al óptimo local en lugar de al global. Para superar estos dos inconvenientes del BFO clásico, en este trabajo se propone el BFO basado en la estrategia de quimiotaxis autoadaptativa (SCBFO). En el algoritmo SCBFO, la estrategia de quimiotaxis autoadaptativa se diseña teniendo en cuenta dos aspectos: la natación autoadaptativa basada en las características del estado de búsqueda de las bacterias y la mejora del giro de la quimiotaxis basada en la estrategia de intercambio de información. Los resultados de optimización del algoritmo SCBFO se analizan con el conjunto de pruebas de referencia CEC 2015 y se comparan con los resultados de los algoritmos BFO clásicos y otros mejorados. A través de la prueba y la comparación, el algoritmo SCBFO demuestra ser eficaz para reducir el riesgo de convergencia local, equilibrar la exploración y la explotación, y mejorar la estabilidad del algoritmo. Por lo tanto, la principal contribución de esta investigación es el algoritmo SCBFO, que proporciona una estrategia novedosa y práctica para abordar tareas de optimización más complejas.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:algoritmo scbfo, estrategia de quimiotaxis adaptativa, rango de aplicación, características del estado de búsqueda, algoritmo bfo clásico, auto, tarea de optimización compleja, tamaño de paso fijo, algoritmo bfo mejorado, algoritmo de optimización inteligente
• Keywords:scbfo algorithm, adaptive chemotaxis strategy, range of application, search state features, classical bfo algorithm, self, complex optimization task, fixed step size, improved bfo algorithm, intelligence optimization algorithm