Resumen

Basado en el Algoritmo de Enjambre de Salp (SSA) y el Algoritmo de Molde de Limo (SMA), se propone un nuevo algoritmo de optimización híbrido, denominado Algoritmo de Enjambre de Salp Híbrido (HSMSSA), para resolver problemas de ingeniería con restricciones. El SSA puede obtener buenos resultados en la resolución de algunos problemas de optimización. Sin embargo, es fácil que sufra de mínimos locales y una menor densidad de población. SMA se especializa en la exploración global y la buena robustez, pero su tasa de convergencia es demasiado lenta para encontrar soluciones satisfactorias de manera eficiente. Por lo tanto, en este trabajo, teniendo en cuenta las características y ventajas de los dos algoritmos de optimización anteriores, SMA se integra en las ecuaciones de actualización de la posición del líder de SSA, que puede compartir información útil para que el algoritmo propuesto pueda utilizar las ventajas de estos dos algoritmos para mejorar el rendimiento de la optimización global. Además, se utiliza el vuelo de Levy para mejorar la capacidad de exploración. Cabe destacar que se propone una estrategia novedosa denominada aprendizaje basado en la oposición de mutación para mejorar el rendimiento del algoritmo de optimización híbrido en cuanto a evitar la convergencia prematura, el equilibrio entre las fases de exploración y explotación y la búsqueda de un óptimo global satisfactorio. Para evaluar la eficacia del algoritmo propuesto, se aplica el HSMSSA a 23 funciones de referencia diferentes de tipo unimodal y multimodal. Además, se utilizan cinco problemas clásicos de ingeniería con restricciones para evaluar las capacidades prácticas de la técnica propuesta. Los resultados de la simulación muestran que el método HSMSSA es más competitivo y presenta más eficacia en ingeniería para los problemas con restricciones del mundo real que SMA, SSA y otros algoritmos comparativos. Al final, también proporcionamos algunas áreas potenciales para futuros estudios, como la selección de características y la segmentación de imágenes con umbrales multinivel.

• 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 enjambre salp, algoritmo de optimización híbrido, sma, algoritmo propuesto, evitación de convergencia prematura, rendimiento de optimización global, segmentación de imágenes con umbral, densidad de población, ecuación del ssa, diferentes funciones de referencia
• Keywords:salp swarm algorithm, hybrid optimization algorithm, sma, proposed algorithm, premature convergence avoidance, global optimization performance, threshold image segmentation, density of population, equation of ssa, different benchmark function