Resumen

El algoritmo de optimización de enjambre de partículas con comportamiento cuántico (QPSO) es una nueva variante de PSO, que supera al PSO original en capacidad de búsqueda pero tiene menos parámetros de control. Sin embargo, tanto QPSO como PSO adolecen de convergencia prematura a la hora de resolver problemas de optimización complejos. La razón principal es que las nuevas partículas de QPSO se generan alrededor de los atractores ponderados de las mejores partículas anteriores y de la mejor partícula global. Esto puede dar lugar a una atracción demasiado rápida. Para abordar este problema, este trabajo propone un nuevo algoritmo QPSO denominado NQPSO, en el que se utilizan una estrategia de búsqueda de vecindario local y otra global para equilibrar la explotación y la exploración. Además, se emplea un concepto de aprendizaje basado en la oposición (OBL) para la inicialización de la población. Se realizan estudios experimentales con un conjunto de funciones de referencia bien conocidas, incluidos problemas multimodales y rotatorios. Los resultados computacionales muestran que nuestro enfoque supera a algunos algoritmos QPSO similares y a otras cinco variantes PSO de última generación.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:qpso, optimización por enjambre de partículas con comportamiento, estrategias globales de búsqueda de vecindario, variantes art pso, problemas complejos de optimización, menos parámetros de control, mejor partícula global, nueva variante pso, nuevo algoritmo qpso, mejores partículas anteriores
• Keywords:qpso, behaved particle swarm optimization, global neighborhood search strategies, art pso variants, complex optimization problems, fewer control parameters, global best particle, new pso variant, new qpso algorithm, previous best particles