Resumen

La optimización por enjambre de partículas (PSO) es una herramienta eficaz para resolver problemas de optimización. Sin embargo, PSO suele sufrir una convergencia prematura debido a la rápida pérdida de la diversidad del enjambre. En este trabajo, primero analizamos el comportamiento del movimiento del enjambre basándonos en la característica de probabilidad de los parámetros de aprendizaje. A continuación, se desarrolla una PSO con doble patrón de aprendizaje (PSO-DLP), que emplea el enjambre maestro y el enjambre esclavo con diferentes patrones de aprendizaje para lograr un equilibrio entre la velocidad de convergencia y la diversidad del enjambre. Las partículas del enjambre maestro y del enjambre esclavo son alentadas a explorar la búsqueda para mantener la diversidad del enjambre y a aprender de la mejor partícula global para refinar una solución prometedora, respectivamente. Cuando los estados evolutivos de dos enjambres interactúan, se habilita un mecanismo de interacción. Este mecanismo puede ayudar al enjambre esclavo a salir de los óptimos locales y mejorar la precisión de la convergencia del enjambre maestro. El PSO-DLP propuesto se evalúa en 20 funciones de referencia, entre las que se incluyen problemas multimodales rotados y complejos desplazados. Los resultados de la simulación y el análisis estadístico muestran que PSO-DLP obtiene un rendimiento prometedor y supera a ocho variantes de PSO.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:enjambre esclavo, diversidad de enjambre, enjambre maestro, pso, mejores partículas globales, doble patrón de aprendizaje, diferente patrón de aprendizaje, optimización de enjambre de partículas, problema complejo desplazado, dlp
• Keywords:slave swarm, swarm diversity, master swarm, pso, global best particles, double learning pattern, different learning pattern, particles swarm optimization, complex shifted problem, dlp