Resumen

Para mejorar la tasa de convergencia y evitar la prematuridad en el algoritmo evolutivo cuántico, se presenta un algoritmo evolutivo cuántico codificado por alelos basado en una estrategia de actualización híbrida. Las variables reales se codifican con superposición de probabilidad de alelos. Se presenta una estrategia de actualización híbrida que equilibra la búsqueda global y la búsqueda local en la que se define el alelo superior. Sobre la base del alelo superior y el alelo inferior, se adopta un proceso evolutivo guiado, así como la actualización del alelo con la contracción de la escala de la variable. Y se introduce la puerta Hε para evitar la prematuridad. Además, se demuestra la convergencia global del algoritmo propuesto mediante la cadena de Markov. Finalmente, el algoritmo propuesto se compara con el algoritmo genético, el algoritmo evolutivo cuántico y el algoritmo genético cuántico de doble cadena en la resolución de problemas de optimización continua, y los resultados experimentales verifican las ventajas en la tasa de convergencia y la precisión de la búsqueda.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:algoritmo evolutivo cuántico, tasa de convergencia, algoritmo genético, algoritmo propuesto, alelo superior, contracción de escala variable, base de superior, problema de optimización continua, proceso evolutivo guiado, superposición de alelo
• Keywords:quantum evolutionary algorithm, convergence rate, genetic algorithm, proposed algorithm, superior allele, variable scale contraction, basis of superior, continuous optimization problem, guided evolutionary process, superposition of allele