Resumen

El equilibrio entre la explotación y la exploración determina esencialmente el rendimiento de un algoritmo de optimización basado en la población, lo que constituye también un gran reto en el diseño de algoritmos. El algoritmo de optimización de enjambre de partículas (PSO) tiene una gran capacidad de explotación, pero es relativamente débil en la exploración, mientras que el algoritmo de búsqueda de cuervos (CSA) se caracteriza por su simplicidad y mayor aleatoriedad. Este estudio propone un nuevo algoritmo de optimización de enjambre de cuervos que acopla PSO y CSA, que proporciona a los individuos la posibilidad de explorar las regiones desconocidas bajo la guía de otro individuo aleatorio. El algoritmo CSO propuesto se prueba en varias funciones de referencia, incluyendo problemas unimodales y multimodales con diferentes dimensiones variables. El rendimiento del CSO propuesto se evalúa mediante la eficiencia de la optimización, la capacidad de búsqueda global y la robustez a los ajustes de los parámetros, todo lo cual mejora en gran medida en comparación con PSO y CSA, ya que el CSO propuesto combina las ventajas de PSO en la explotación y las de CSA en la exploración, especialmente para problemas complejos de alta dimensión.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:csa, propuesta de cso, algoritmo de optimización de enjambre, diferentes dimensiones variables, algoritmo de cso propuesto, pso, ventaja de pso, varias funciones de referencia, algoritmo de optimización basado, algoritmo de búsqueda de cuervo
• Keywords:csa, proposed cso, swarm optimization algorithm, different variable dimensions, proposed cso algorithm, pso, advantage of pso, several benchmark function, based optimization algorithm, crow search algorithm