Resumen

La optimización por enjambre de partículas (PSO) es un algoritmo de optimización eficiente y se ha aplicado para resolver diversos problemas del mundo real. Sin embargo, el rendimiento de PSO en un problema específico depende en gran medida de la estrategia de actualización de la velocidad. Para un problema de ingeniería del mundo real, los paisajes de funciones suelen ser muy complejos y el conocimiento específico del problema a veces no está disponible. Para responder a este reto, proponemos un optimizador de enjambre de partículas multipoblación (MPEPSO). El algoritmo propuesto consta de tres estrategias de búsqueda PSO existentes, eficientes y sencillas. Las partículas se dividen en cuatro subpoblaciones que incluyen tres subpoblaciones indicadoras y una subpoblación de recompensa. Las partículas de las tres subpoblaciones indicadoras actualizan sus velocidades mediante diferentes estrategias. Durante cada periodo de aprendizaje, se registran los valores de la función mejorada de las tres estrategias. Al final de un periodo de aprendizaje, la subpoblación de recompensa se asigna a la estrategia con mejor rendimiento. Por lo tanto, la estrategia de búsqueda PSO adecuada puede tener más gasto computacional. El rendimiento de MPEPSO se evalúa mediante el conjunto de pruebas CEC 2014 y se compara con otras seis variantes eficientes de PSO. Estos resultados sugieren que MPEPSO ocupa el primer lugar entre estos algoritmos. Además, MPEPSO se aplica para resolver cuatro problemas de diseño de ingeniería. Los resultados muestran las ventajas de MPEPSO. Los códigos fuente MATLAB de MPEPSO están disponibles en https://github.com/zi-ang-liu/MPEPSO.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:mpepso, estrategia, subpoblaciones indicadoras, periodo de aprendizaje, subpoblación de recompensa, optimizador de enjambre de partículas conjunto multipoblación, otras variantes eficientes de pso, códigos fuente matlab, optimización de enjambre de partículas, algoritmo de optimización eficiente.
• Keywords:mpepso, strategy, indicator subpopulations, learning period, reward subpopulation, multipopulation ensemble particle swarm optimizer, other efficient pso variants, matlab source codes, particle swarm optimization, efficient optimization algorithm