Mejorando la inteligencia de enjambre para evitar obstáculos con múltiples estrategias y el algoritmo de optimización de escarabajos de estiércol mejorado en la navegación de robots móviles
Autores: Li, Longhai; Liu, Lili; Shao, Yuxuan; Zhang, Xu; Chen, Yue; Guo, Ce; Nian, Heng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mejorando la inteligencia de enjambre para evitar obstáculos con múltiples estrategias y el algoritmo de optimización de escarabajos de estiércol mejorado en la navegación de robots móviles
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Optimización del escarabajo estiércol
Optimización global
Multiestrategia
Algoritmo mejorado
Diversidad de población
óptimos locales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
El algoritmo de Optimización del Escarabajo de Estiércol (DBO) es un poderoso algoritmo metaheurístico ampliamente utilizado para problemas de optimización. Sin embargo, el algoritmo DBO tiene limitaciones en el equilibrio entre la exploración global y las capacidades de explotación local, lo que a menudo lleva a quedar atrapado en óptimos locales. Para superar estas limitaciones y abordar problemas de optimización global, este estudio presenta el Algoritmo de Multiestrategia y Mejora del DBO (MSIDBO). El algoritmo MSIDBO incorpora varias técnicas computacionales avanzadas para mejorar su rendimiento. En primer lugar, introduce una estrategia de aprendizaje inverso aleatorio para mejorar la diversidad de la población y mitigar problemas de convergencia temprana o estancamiento local presentes en el algoritmo DBO. Además, se emplea una estrategia de equilibrio entre la aptitud y la distancia para gestionar mejor el compromiso entre la diversidad y la convergencia dentro de la población. Además, el algoritmo utiliza una estrategia de forrajeo en espiral para mejorar la precisión, promover fuertes capacidades exploratorias y evitar quedar atrapado en óptimos locales. Para mejorar aún más la capacidad de búsqueda global y la utilización de partículas del algoritmo MSIDBO, se combina la estrategia de Mutación Gaussiana Óptima por Dimensión. Al minimizar la convergencia prematura, se aumenta la diversidad de la población y se acelera la convergencia del algoritmo. Esta expansión del espacio de búsqueda reduce la probabilidad de quedar atrapado en óptimos locales durante el proceso evolutivo. Para demostrar la efectividad del algoritmo MSIDBO, se realizan extensos experimentos utilizando funciones de prueba de referencia, comparando su rendimiento con otros conocidos algoritmos metaheurísticos. Los resultados resaltan la viabilidad y superioridad de MSIDBO en la resolución de problemas de optimización. Además, el algoritmo MSIDBO se aplica a experimentos de simulación de planificación de rutas para mostrar su potencial de aplicación práctica. Una comparación con el algoritmo DBO muestra que MSIDBO genera rutas más cortas y rápidas, abordando eficazmente problemas de aplicación del mundo real.
Descripción
El algoritmo de Optimización del Escarabajo de Estiércol (DBO) es un poderoso algoritmo metaheurístico ampliamente utilizado para problemas de optimización. Sin embargo, el algoritmo DBO tiene limitaciones en el equilibrio entre la exploración global y las capacidades de explotación local, lo que a menudo lleva a quedar atrapado en óptimos locales. Para superar estas limitaciones y abordar problemas de optimización global, este estudio presenta el Algoritmo de Multiestrategia y Mejora del DBO (MSIDBO). El algoritmo MSIDBO incorpora varias técnicas computacionales avanzadas para mejorar su rendimiento. En primer lugar, introduce una estrategia de aprendizaje inverso aleatorio para mejorar la diversidad de la población y mitigar problemas de convergencia temprana o estancamiento local presentes en el algoritmo DBO. Además, se emplea una estrategia de equilibrio entre la aptitud y la distancia para gestionar mejor el compromiso entre la diversidad y la convergencia dentro de la población. Además, el algoritmo utiliza una estrategia de forrajeo en espiral para mejorar la precisión, promover fuertes capacidades exploratorias y evitar quedar atrapado en óptimos locales. Para mejorar aún más la capacidad de búsqueda global y la utilización de partículas del algoritmo MSIDBO, se combina la estrategia de Mutación Gaussiana Óptima por Dimensión. Al minimizar la convergencia prematura, se aumenta la diversidad de la población y se acelera la convergencia del algoritmo. Esta expansión del espacio de búsqueda reduce la probabilidad de quedar atrapado en óptimos locales durante el proceso evolutivo. Para demostrar la efectividad del algoritmo MSIDBO, se realizan extensos experimentos utilizando funciones de prueba de referencia, comparando su rendimiento con otros conocidos algoritmos metaheurísticos. Los resultados resaltan la viabilidad y superioridad de MSIDBO en la resolución de problemas de optimización. Además, el algoritmo MSIDBO se aplica a experimentos de simulación de planificación de rutas para mostrar su potencial de aplicación práctica. Una comparación con el algoritmo DBO muestra que MSIDBO genera rutas más cortas y rápidas, abordando eficazmente problemas de aplicación del mundo real.