Resumen

El algoritmo del moho de la baba (SMA) es un algoritmo metaheurístico basado en la población e inspirado en el fenómeno de la oscilación del moho de la baba. El SMA es competitivo en comparación con otros algoritmos, pero sigue adoleciendo de las desventajas de la explotación y la exploración desequilibradas y de la facilidad para caer en óptimos locales. Para solucionar estos inconvenientes, en este trabajo se propone una variante mejorada del SMA denominada MSMA. En primer lugar, se utiliza una estrategia de aprendizaje basada en la oposición caótica para mejorar la diversidad de la población. En segundo lugar, se proponen dos estrategias de control adaptativo de parámetros para equilibrar la explotación y la exploración. Por último, se utiliza una estrategia de búsqueda en espiral para ayudar al SMA a deshacerse de los óptimos locales. La superioridad de SMA se verifica en 13 funciones de prueba multidimensionales y 10 funciones de prueba de dimensión fija. Además, se utilizan dos problemas de optimización de ingeniería para verificar el potencial de MSMA para resolver problemas de optimización del mundo real. Los resultados de la simulación muestran que el MSMA propuesto supera a otros algoritmos comparativos en términos de precisión de convergencia, velocidad de convergencia y estabilidad.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:óptimo local, estrategia de control de parámetros, potencial de msma, problema de optimización mundial, control de parámetros adaptativo, estrategia de aprendizaje basada, algoritmo metaheurístico basado, función de prueba dimensional, problema de optimización de ingeniería, variante de sma
• Keywords:local optimum, parameters control strategy, potential of msma, world optimization problem, adaptive parameters control, based learning strategy, based metaheuristic algorithm, dimensional test function, engineering optimization problem, variant of sma