Un algoritmo mejorado de colonia de abejas artificiales basado en estrategia de élite y aprendizaje de dimensiones
Autores: Xiao, Songyi; Wang, Wenjun; Wang, Hui; Tan, Dekun; Wang, Yun; Yu, Xiang; Wu, Runxiu
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Un algoritmo mejorado de colonia de abejas artificiales basado en estrategia de élite y aprendizaje de dimensiones
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Colonia artificial de abejas
Método de optimización
Estrategia de élite
Aprendizaje de dimensiones
Problemas complejos
Variante mejorada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
La colonia artificial de abejas es un método de optimización potente, que tiene fuertes habilidades de búsqueda para resolver muchos problemas de optimización. Sin embargo, algunos estudios demostraron que ABC tiene pobres habilidades de explotación en problemas de optimización complejos. Para superar este problema, en este artículo se propone una variante mejorada de ABC basada en estrategia élite y aprendizaje de dimensiones (llamada ABC-ESDL). La estrategia élite selecciona mejores soluciones para acelerar la búsqueda de ABC. El aprendizaje de dimensiones utiliza las diferencias entre dos dimensiones aleatorias para generar un salto grande. En los experimentos, se probaron un conjunto de pruebas clásico y el conjunto de pruebas del Congreso IEEE de Evolución (CEC 2013) de 2013. Los resultados computacionales muestran que el ABC-ESDL propuesto logra soluciones más precisas que ABC y otras cinco variantes mejoradas de ABC.
Descripción
La colonia artificial de abejas es un método de optimización potente, que tiene fuertes habilidades de búsqueda para resolver muchos problemas de optimización. Sin embargo, algunos estudios demostraron que ABC tiene pobres habilidades de explotación en problemas de optimización complejos. Para superar este problema, en este artículo se propone una variante mejorada de ABC basada en estrategia élite y aprendizaje de dimensiones (llamada ABC-ESDL). La estrategia élite selecciona mejores soluciones para acelerar la búsqueda de ABC. El aprendizaje de dimensiones utiliza las diferencias entre dos dimensiones aleatorias para generar un salto grande. En los experimentos, se probaron un conjunto de pruebas clásico y el conjunto de pruebas del Congreso IEEE de Evolución (CEC 2013) de 2013. Los resultados computacionales muestran que el ABC-ESDL propuesto logra soluciones más precisas que ABC y otras cinco variantes mejoradas de ABC.