Resumen

El algoritmo de salto de rana barajado, un nuevo método heurístico, se inspira en el comportamiento de búsqueda de la población de ranas, que ha sido diseñado por el proceso de barajado y el marco PSO. Para aumentar la velocidad de convergencia y la eficacia, las versiones actualmente mejoradas se centran en la capacidad de búsqueda local en el marco de la PSO, lo que limitó el desarrollo de SFLA. Por lo tanto, primero proponemos un nuevo esquema basado en la estrategia evolutiva, que se lleva a cabo mediante la evolución cuántica y la evolución de los vectores propios. En este esquema, la regla de salto de rana basada en la evolución cuántica se consigue mediante dos pozos de potencial con la información histórica para la búsqueda local, y la evolución del vector propio se consigue mediante el operador evolutivo del vector propio para la búsqueda global. Para probar el rendimiento del enfoque propuesto, se utilizan las suites de referencia básicas, CEC2013 y CEC2014, y un problema de optimización de parámetros de SVM para comparar 15 algoritmos conocidos. Los resultados experimentales demuestran que el rendimiento del algoritmo propuesto es mejor que el de los demás algoritmos heurísticos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:evolución de los vectores propios, marco de la pso, evolución cuántica, reglas de salto de rana, problema de optimización de parámetros, nuevos métodos heurísticos, problema de la svm, desarrollo de la sfla, capacidad de búsqueda local, conjunto de referencias básicas
• Keywords:eigenvector evolution, pso framework, quantum evolution, frog leaping rules, parameters optimization problem, novel heuristic methods, problem of svm, development of sfla, local search ability, basic benchmark suite