Resumen

Es difícil predecir con precisión la respuesta de algunos procesos de fabricación estocásticos y complicados. Los métodos de aprendizaje basados en datos que pueden descubrir relaciones no vistas entre los parámetros de influencia y las salidas se consideran una solución efectiva. En este estudio, se aplica la máquina de vectores de soporte (SVM) para desarrollar modelos de predicción para procesos de mecanizado. La función de kernel y la función de pérdida son la función de base radial gaussiana y la función de pérdida -insensitive, respectivamente. Para mejorar la precisión de la predicción y reducir el tiempo de ajuste de parámetros del modelo SVM, se emplea el algoritmo de colonia de abejas artificiales (ABC) para optimizar los parámetros internos del modelo SVM. Además, para evaluar el rendimiento de optimización de ABC en la determinación de parámetros de SVM, este estudio compara el rendimiento de predicción de modelos SVM optimizados por algoritmos evolutivos y basados en enjambres conocidos (evolución diferencial (

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Estocástico; Procesos de fabricación; Máquina de vectores de soporte; Modelos de predicción; Algoritmo de colonia de abejas artificiales; Algoritmo de optimización
• Keywords:Stochastic; Manufacturing processes; Support vector machine; Prediction models; Artificial bee colony algorithm; Optimization algorithm