Resumen

Tomando inspiración de un algoritmo evolutivo organizacional para optimización numérica, este artículo diseña un tipo de población dinámica y combina operadores evolutivos para formar un nuevo algoritmo, un algoritmo de búsqueda cooperativa coevolutiva de nidos de cuco (CCCS), para resolver problemas de optimización no restringida, restringida y de ingeniería. Una población de este algoritmo consiste en organizaciones, y una organización consiste en individuos dinámicos. En experimentos, quince funciones no restringidas, once funciones restringidas y dos problemas de diseño de ingeniería se utilizan para validar el rendimiento de CCCS, y se realizan comparaciones exhaustivas entre CCCS y los enfoques existentes. Los resultados muestran que CCCS obtiene un buen rendimiento en la calidad de la solución. Además, para los problemas restringidos, se obtiene un buen rendimiento al incorporar solo una técnica simple de manejo de restricciones en CCCS. Los resultados muestran que CCCS es bastante robusto y fácil de usar.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Algoritmo evolutivo; Población dinámica; Operadores evolutivos; Algoritmo de búsqueda cooperativa de cucos coevolutivos; Optimización sin restricciones; Problemas con restricciones
• Keywords:Evolutionary algorithm; Dynamic population; Evolutionary operators; Cooperative coevolutionary cuckoo search algorithm; Unconstrained optimization; Constrained problems