Resumen

La optimización por pastoreo de elefantes (EHO) ha recibido una amplia atención debido a sus pocos parámetros de control y a su sencillo funcionamiento, pero sigue adoleciendo de una convergencia lenta y de una baja precisión de la solución. En este trabajo, se propone un algoritmo mejorado para resolver las deficiencias anteriores, llamado aprendizaje de reflexión especular de perturbación gaussiana y EHO basado en el mecanismo de seno dorado (SRGS-EHO). En primer lugar, se introduce el aprendizaje por reflexión especular en el algoritmo para mejorar la diversidad y ergodicidad de la población inicial y mejorar la velocidad de convergencia. Además, se utiliza una perturbación gaussiana para aumentar la diversidad de la población inicial. En segundo lugar, se introduce el mecanismo del seno dorado para mejorar la forma de actualizar la posición del patriarca en cada clan, lo que puede hacer que el individuo mejor posicionado en cada generación se mueva hacia el óptimo global y mejore la capacidad de exploración global y explotación local del algoritmo. Para evaluar la eficacia del algoritmo propuesto, se realizan pruebas con 23 funciones de referencia. Además, se realizan pruebas de suma de rangos de Wilcoxon y pruebas de Friedman con 5 para compararlo con otros ocho algoritmos metaheurísticos. Además, se establecen análisis de sensibilidad a los parámetros y experimentos de las diferentes modificaciones. Para validar aún más la eficacia del algoritmo mejorado, SRGS-EHO también se aplica para resolver dos problemas clásicos de ingeniería con un espacio de búsqueda restringido (problema de diseño de recipientes a presión y problema de diseño de cuerdas de tensión/compresión). Los resultados demuestran que el algoritmo puede aplicarse para resolver los problemas que se plantean en la producción real.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:aprendizaje por reflexión especular, población inicial, llamada perturbación gaussiana, capacidad de explotación local, espacio de búsqueda restringido, precisión de las soluciones bajas, eho, problema clásico de ingeniería, problema de diseño de cuerdas, perturbación gaussiana especular
• Keywords:specular reflection learning, initial population, called gaussian perturbation, local exploitation ability, constrained search space, low solutions accuracy, eho, classic engineering problem, string design problem, gaussian perturbation specular