Resumen

Proponemos un algoritmo mejorado, para una optimización de enjambre de partículas múltiple con transferencia de la mejor partícula llamado BMPSO. En el algoritmo propuesto, introducimos el parasitismo en el algoritmo estándar de enjambre de partículas (PSO) para equilibrar la exploración y la explotación, así como para mejorar la capacidad de búsqueda global para resolver problemas de optimización no lineales. En primer lugar, la mejor partícula guía a las demás para evitar que queden atrapadas en los óptimos locales. Proporcionamos una descripción detallada de BMPSO. También presentamos un análisis de diversidad de la BMPSO propuesta, que se explica en base a la función Esfera. Por último, probamos el rendimiento del algoritmo propuesto con seis funciones de prueba estándar y un problema de ingeniería. En comparación con otros algoritmos, los resultados mostraron que el BMPSO propuesto se comportó mejor cuando se aplicó a las funciones de prueba y al problema de ingeniería. Además, el BMPSO propuesto puede aplicarse a otros problemas de optimización no lineal.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:problema de optimización no lineal, propuesta de bmpso, mejores partículas, problema de ingeniería, algoritmo propuesto, descripción de bmpso, función de prueba estándar, algoritmo de enjambre de partículas, llamado bmpso, búsqueda global
• Keywords:nonlinear optimization problem, proposed bmpso, best particles, engineering problem, proposed algorithm, description of bmpso, standard test function, particles swarm algorithm, called bmpso, global search