Algoritmo de optimización de enjambre de gatos de arena modificado para resolver problemas de optimización de ingeniería con restricciones
Autores: Wu, Di; Rao, Honghua; Wen, Changsheng; Jia, Heming; Liu, Qingxin; Abualigah, Laith
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
Categoría
Matemáticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
El algoritmo de optimización de enjambre de gato de arena (SCSO) es un algoritmo de optimización metaheurística propuesto recientemente. Estimula el comportamiento de caza del gato de arena, que ataca o busca presas según la frecuencia del sonido; cada gato de arena tiene como objetivo atrapar presas mejores. Por lo tanto, el gato de arena buscará una ubicación mejor para atrapar presas mejores. En el algoritmo SCSO, cada gato de arena se acercará gradualmente a su presa, lo que le confiere al algoritmo una fuerte capacidad de explotación. Sin embargo, en la etapa posterior del algoritmo SCSO, cada gato de arena tiende a caer en un óptimo local, lo que le impide encontrar una posición mejor. Con el fin de mejorar la movilidad del gato de arena y la capacidad de exploración del algoritmo. En este documento se propone un algoritmo de optimización de enjambre de gato de arena modificado (MSCSO). El algoritmo MSCSO añade una estrategia de deambulación. Al atacar o buscar presas, el gato de arena caminará para encontrar una posición mejor. El algoritmo MSCSO con una estrategia de deambulación mejora la movilidad del gato de arena y hace que el algoritmo tenga una mayor capacidad de exploración global. Después, se agrega la estrategia de aprendizaje basada en la oposición de lentes para mejorar la propiedad global del algoritmo, de modo que el algoritmo pueda converger más rápidamente. Para evaluar el efecto de optimización del algoritmo MSCSO, se utilizaron 23 funciones de referencia estándar y funciones de referencia CEC2014 para evaluar el rendimiento de optimización del algoritmo MSCSO. En el experimento, se analizaron las estadísticas de los datos, la curva de convergencia, la prueba de suma de rangos de Wilcoxon y el gráfico de caja. Los experimentos muestran que el algoritmo MSCSO con una estrategia de caminar y una estrategia de aprendizaje basada en la posición de la lente tuvo una mayor capacidad de exploración. Finalmente, el algoritmo MSCSO se utilizó para probar siete problemas de ingeniería, lo que también verificó la practicidad de ingeniería del algoritmo propuesto.
Descripción
El algoritmo de optimización de enjambre de gato de arena (SCSO) es un algoritmo de optimización metaheurística propuesto recientemente. Estimula el comportamiento de caza del gato de arena, que ataca o busca presas según la frecuencia del sonido; cada gato de arena tiene como objetivo atrapar presas mejores. Por lo tanto, el gato de arena buscará una ubicación mejor para atrapar presas mejores. En el algoritmo SCSO, cada gato de arena se acercará gradualmente a su presa, lo que le confiere al algoritmo una fuerte capacidad de explotación. Sin embargo, en la etapa posterior del algoritmo SCSO, cada gato de arena tiende a caer en un óptimo local, lo que le impide encontrar una posición mejor. Con el fin de mejorar la movilidad del gato de arena y la capacidad de exploración del algoritmo. En este documento se propone un algoritmo de optimización de enjambre de gato de arena modificado (MSCSO). El algoritmo MSCSO añade una estrategia de deambulación. Al atacar o buscar presas, el gato de arena caminará para encontrar una posición mejor. El algoritmo MSCSO con una estrategia de deambulación mejora la movilidad del gato de arena y hace que el algoritmo tenga una mayor capacidad de exploración global. Después, se agrega la estrategia de aprendizaje basada en la oposición de lentes para mejorar la propiedad global del algoritmo, de modo que el algoritmo pueda converger más rápidamente. Para evaluar el efecto de optimización del algoritmo MSCSO, se utilizaron 23 funciones de referencia estándar y funciones de referencia CEC2014 para evaluar el rendimiento de optimización del algoritmo MSCSO. En el experimento, se analizaron las estadísticas de los datos, la curva de convergencia, la prueba de suma de rangos de Wilcoxon y el gráfico de caja. Los experimentos muestran que el algoritmo MSCSO con una estrategia de caminar y una estrategia de aprendizaje basada en la posición de la lente tuvo una mayor capacidad de exploración. Finalmente, el algoritmo MSCSO se utilizó para probar siete problemas de ingeniería, lo que también verificó la practicidad de ingeniería del algoritmo propuesto.