Resumen

En este trabajo se propone un novedoso algoritmo de sistema inmune artificial con mecanismos de aprendizaje social (AIS-SL). En AIS-SL, los anticuerpos candidatos se marcan con un enjambre elitista (ES) o un enjambre común (CS). En consecuencia, estos anticuerpos se denominan anticuerpos ES o anticuerpos CS. En el operador de mutación, los anticuerpos ES experimentan autoaprendizaje, mientras que los anticuerpos CS ejecutan dos mecanismos diferentes de aprendizaje social, es decir, aprendizaje social estocástico (SSL) y aprendizaje social heurístico (HSL), para acelerar el proceso de convergencia. Además, se diseña una estrategia dinámica de actualización del radio de búsqueda para mejorar la precisión de la solución. En las simulaciones numéricas, se seleccionan cinco funciones de referencia y una aplicación industrial práctica de ajuste del controlador proporcional-integral-diferencial (PID) para evaluar el rendimiento del AIS-SL propuesto. Los resultados de la simulación indican que el AIS-SL tiene mejor precisión de solución y velocidad de convergencia que el opt-aiNet canónico, el IA-AIS y el AAIS-2S.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Algoritmo de sistema inmunitario artificial; mecanismos de aprendizaje social; anticuerpos; enjambre; proceso de convergencia; precisión de la solución.
• Keywords:Artificial immune system algorithm; social learning mechanisms; antibodies; swarm; convergence process; solution accuracy