Resumen

En los últimos años, los optimizadores estocásticos basados en enjambres han logrado resultados notables al abordar problemas del mundo real en ingeniería y ciencia de datos. En lo que respecta a la optimización por enjambre de partículas (PSO), el algoritmo evolutivo de aprendizaje integral PSO (CLPSO) es un algoritmo bien establecido que introduce una estrategia de aprendizaje integral (CLS), que aumenta efectivamente la eficacia del PSO. Sin embargo, al procesar una función de un solo modo, la velocidad de convergencia del algoritmo es demasiado lenta para converger rápidamente hacia el óptimo durante la optimización. En este artículo, se introduce el esquema de dominancia basado en élites de otro método bien establecido, el optimizador de lobo gris (GWO), en el CLPSO, y se propone el algoritmo de aprendizaje integral local mejorado por lobo gris (GCLPSO). Gracias a las tendencias explotativas del GWO, el algoritmo mejora la capacidad de búsqueda local del

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Basado en enjambres; Optimizadores estocásticos; Optimización por enjambre de partículas; PSO de aprendizaje integral; Optimizador de lobo gris; Selección de características
• Keywords:Swarm-based; Stochastic optimizers; Particle swarm optimization; Comprehensive learning PSO; Grey wolf optimizer; Feature selection