Resumen

La optimización por enjambre de partículas (PSO) es un método de optimización estocástico sensible a la configuración de los parámetros. Este artículo presenta una modificación del optimizador de enjambre de partículas de aprendizaje integral (CLPSO), que es uno de los algoritmos PSO con mejores resultados. El método propuesto introduce un mecanismo autoadaptativo que cambia dinámicamente los valores de los parámetros clave, incluidos el peso de inercia y el coeficiente de aceleración, basándose en la información evolutiva de las partículas individuales y del enjambre durante la búsqueda. Experimentos numéricos demuestran que nuestro enfoque con parámetros adaptativos puede proporcionar una mejora comparable en el rendimiento de la resolución de problemas de optimización global.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:optimizador de enjambre de partículas de aprendizaje integral, optimización de enjambre de partículas, problemas de optimización global, método de optimización estocástica, experimentos numéricos, algoritmos pso, coeficiente de aceleración, mecanismo adaptativo, parámetros adaptativos, mejora comparable
• Keywords:comprehensive learning particle swarm optimizer, particle swarm optimization, global optimization problems, stochastic optimization method, numerical experiments, pso algorithms, acceleration coefficient, adaptive mechanism, adaptive parameters, comparable improvement