Resumen

Este artículo propone un nuevo algoritmo de murciélagos de comportamiento cuántico con la dirección de la mejor posición media (QMBA). En QMBA, la posición de cada murciélago se actualiza principalmente por la solución óptima actual en la etapa inicial de la búsqueda y en la búsqueda tardía también depende de la mejor posición media, lo que puede mejorar la velocidad de convergencia del algoritmo. Durante el proceso de búsqueda, se introduce el comportamiento cuántico de los murciélagos, que es beneficioso para salir de la solución óptima local y hacer que los murciélagos de comportamiento cuántico no caigan fácilmente en la solución óptima local, y tiene una mejor capacidad para adaptarse al entorno complejo. Mientras tanto, QMBA hace un buen uso de la información estadística de la mejor posición que los murciélagos han experimentado para generar soluciones de mejor calidad. Este enfoque no sólo hereda las características de convergencia rápida, simplicidad y fácil implementación del algoritmo original de los murciélagos, sino que también aumenta la diversidad de la población y mejora la precisión de la solución. Se prueban veinticuatro funciones de prueba de referencia y se comparan con otras variantes del algoritmo de murciélagos para la optimización numérica. Los resultados de la simulación muestran que este enfoque es simple y eficiente y puede lograr una solución más precisa.

• 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:soluciones óptimas locales, significa mejor posición, algoritmo del murciélago comportado, algoritmo del murciélago original, qmba, diversidad de la población, precisión de las soluciones, soluciones óptimas actuales, función de prueba de referencia
• Keywords:local optimal solutions, means best position, behaved bat algorithm, behavior of bat, original bat algorithm, qmba, diversity of population, accuracy of solutions, current optimal solutions, benchmark test function