Resumen

Este trabajo resuelve los inconvenientes de los algoritmos tradicionales de optimización inteligente que se basan en 0 y tiene buenos resultados en CEC 2017 y funciones de referencia, que mejoran efectivamente el problema de los algoritmos que caen en el óptimo local. El algoritmo de búsqueda de gorrión (SSA) tiene un rendimiento de optimización significativo, pero todavía tiene el problema de la gran aleatoriedad y es fácil caer en el óptimo local. Por esta razón, este trabajo propone un algoritmo de búsqueda de gorrión de aprendizaje, que introduce la estrategia de aprendizaje inverso de lente en la etapa de descubridor. La estrategia de aprendizaje inverso aleatorio aumenta la diversidad de la población y hace que el método de búsqueda sea más flexible. En la etapa del seguidor, se introduce un mecanismo mejorado de guía de senos y cosenos para que el método de búsqueda del descubridor sea más detallado. Por último, se propone una búsqueda local basada en el diferencial. La estrategia se utiliza para actualizar la solución óptima obtenida cada vez para evitar la omisión de soluciones de alta calidad en el proceso de búsqueda. LSSA se compara con CSSA, ISSA, SSA, BSO, GWO y PSO en 12 funciones de referencia para verificar la viabilidad del algoritmo. Además, para verificar aún más la eficacia y la viabilidad del algoritmo, LSSA se compara con MSSCS, CSsin y FA-CL en la función de prueba CEC 2017. Los resultados de la simulación muestran que LSSA tiene una buena universalidad. Por último, la viabilidad de LSSA se verifica mediante la planificación de la trayectoria del robot, y LSSA tiene una buena estabilidad y seguridad en la planificación de la trayectoria.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo de búsqueda de gorrión, métodos de búsqueda, lssa, función de referencia, algoritmo de optimización inteligente, planificación de la trayectoria del robot, rendimiento de optimización significativo, estrategia, problema del algoritmo, mecanismo de guía del coseno
• Keywords:sparrow search algorithm, search methods, lssa, benchmark function, intelligent optimization algorithm, robot path planning, significant optimization performance, strategy, problem of algorithm, cosine guidance mechanism