Resumen

Un algoritmo heurístico evolutivo recientemente propuesto es el optimizador de lobos grises (GWO), inspirado en la jerarquía de liderazgo y el mecanismo de caza de los lobos grises en la naturaleza. Este artículo presenta un algoritmo GWO extendido basado en el método de optimización local de Powell, al que llamamos PGWO. El algoritmo PGWO mejora significativamente el GWO original en la resolución de problemas de optimización complejos. El clustering es una técnica popular de análisis de datos y minería de datos. Por lo tanto, el PGWO podría aplicarse en la resolución de problemas de clustering. En este estudio, primero se prueba el algoritmo PGWO en siete funciones de referencia. En segundo lugar, se utiliza el algoritmo PGWO para el clustering de datos en nueve conjuntos de datos. En comparación con otros algoritmos evolutivos de vanguardia, los resultados de las funciones de referencia y el clustering de datos demuestran el rendimiento superior del algoritmo PGWO.

• Materias:Ecuaciones en diferencias Ecuación unidimensional Filtrado de información Prevención de interbloqueos Sistemas estocásticos
• Subjects:Difference equations One-dimensional equation Information filtering Interlock prevention Stochastic systems
• Palabras claves:Heurística; Algoritmo evolutivo; Optimizador de lobos grises; PGWO; Agrupamiento; Análisis de datos
• Keywords:Heuristic; Evolutionary algorithm; Grey wolf optimizer; PGWO; Clustering; Data analysis