Resumen

La Optimización por Enjambre de Partículas (PSO) es un método de optimización desarrollado recientemente, que ha atraído el interés de los investigadores en diversas áreas debido a su simplicidad y efectividad, y se han propuesto muchas variantes. En este trabajo se presenta un novedoso algoritmo de Optimización por Enjambre de Partículas, en el que se considera la información del mejor vecino de cada partícula y la mejor partícula de toda la población en la iteración actual. Mientras tanto, para evitar la prematura, se utiliza un mecanismo de abandono. Además, para mejorar la velocidad de convergencia global de nuestro algoritmo, se adopta una búsqueda caótica en la mejor solución de la iteración actual. Para verificar el rendimiento de nuestro algoritmo, se han empleado funciones de prueba estándar. Los resultados experimentales muestran que el algoritmo es mucho más robusto y eficiente que algunos algoritmos existentes de Optimización por Enjambre de Partículas.

• 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:optimización de enjambre de partículas, algoritmo de optimización de enjambre, iteración actual, velocidad de convergencia global, función de prueba estándar, métodos de optimización desarrollados, interés de los investigadores, enjambre de partículas novedoso, mejores soluciones, área variada
• Keywords:particles swarm optimization, swarm optimization algorithm, current iteration, global convergence speed, standard test function, developed optimization methods, interest of researchers, novel particles swarm, best solutions, various area