Resumen

Para resolver los complicados problemas multimodales, este artículo presenta una variante del optimizador de enjambre de partículas (PSO) basado en la simulación del comportamiento de comunicación social humano (HSCPSO). En HSCPSO, cada partícula se une inicialmente a un número predeterminado de círculos sociales (SC) que consisten en algunas partículas, y sus ejemplos de aprendizaje incluyen tres partes, a saber, su mejor experiencia propia, la experiencia de la partícula con mejor rendimiento en todos los SC y las experiencias de las partículas de todos los SC de los que es miembro. La estrategia de aprendizaje aprovecha al máximo la excelente información de cada partícula para mejorar la diversidad del enjambre y desalentar la convergencia prematura. Para ponderar los efectos de las partículas en los SC, las partículas con peor rendimiento se unirán a más SC para aprender de otras partículas y las partículas con mejor rendimiento abandonarán los SC para reducir su fuerte influencia en otros miembros. Además, para asegurar

• Materias:Polinomios Ecuaciones dinámicas Ecuaciones diferenciales Ecuaciones funcionales
• Subjects:Polynomials Dynamic equations Differential equations Functional equations
• Palabras claves:Complicado; Problemas multimodales; Optimizador de enjambre de partículas; Comportamiento de comunicación social; Diversidad; óptimos locales
• Keywords:Complicated; Multimodal problems; Particle swarm optimizer; Social communication behavior; Diversity; Local optima