Para mejorar la velocidad de convergencia y la precisión de optimización del algoritmo de búsqueda de cuco (CS) para resolver los problemas de optimización de funciones, se propone un nuevo algoritmo de búsqueda de cuco mejorado basado en el autoaprendizaje asintótico de ciclos repetidos y la perturbación autoevolutiva (RC-SSCS). Se añade una operación de perturbación en el algoritmo mediante la construcción de un factor de perturbación para realizar una búsqueda más cuidadosa y exhaustiva cerca de la ubicación de los nidos de las aves. Con el fin de seleccionar un número razonable de perturbaciones repetidas, se realiza un estudio adicional sobre la elección de los tiempos de perturbación. Por último, se adoptan seis funciones de prueba típicas para llevar a cabo experimentos de simulación, mientras que se comparan los algoritmos de este trabajo con dos algoritmos típicos de inteligencia de enjambre: el algoritmo de optimización de enjambre de partículas (PSO) y el algoritmo de colonia artificial de abejas (ABC). Los resultados muestran que el algoritmo de búsqueda de cuco mejorado tiene mejor velocidad de convergencia y precisión de optimización.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Guía para el diagnóstico de las inmunodeficiencias primarias en el laboratorio clínico
Artículo:
Efecto de la porosidad del fotoánodo de TiO2 sobre la cinética de difusión del colorante y el rendimiento de las células solares estándar sensibilizadas por colorante
Artículo:
Síntesis y Propiedades Fotocatalíticas de Nanoesferas Huecas de Zn1-xCoxMn2O Co-Dopadas
Artículo:
Nanopolvo ultrafino de magnetita: síntesis, caracterización y uso preliminar como relleno de nanocompuestos de polimetilmetacrilato
Artículo:
Aumento del flujo en la destilación por membrana utilizando membranas de nanofibras