Resumen

Este artículo presenta un nuevo algoritmo de optimización, a saber, la optimización jerárquica de colonia artificial de abejas (HABC), para abordar problemas complejos de alta dimensionalidad. En el modelo multilevel propuesto, las especies de nivel superior pueden ser agregadas por las subpoblaciones de nivel inferior. En el nivel inferior, cada subpoblación que emplea el método ABC canónico busca el óptimo de parte dimensional en paralelo, que puede ser construido en una solución completa para el nivel superior. Al mismo tiempo, se aplica un método de aprendizaje integral con operadores de cruce y mutación para mejorar la capacidad de búsqueda global entre especies. Se realizan experimentos en un conjunto de 20 problemas de referencia continuos y discretos. Los resultados experimentales demuestran un rendimiento notable del algoritmo HABC en comparación con otros seis algoritmos evolutivos.

• 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:Algoritmo de optimización; Optimización jerárquica de colonias artificiales de abejas; Problemas de alta dimensionalidad; Modelo multinivel; Método ABC canónico; Capacidad de búsqueda global
• Keywords:Optimization algorithm; Hierarchical artificial bee colony optimization; High-dimensional problems; Multilevel model; Canonical ABC method; Global search ability