Mejorado snake optimizer utilizando factores no lineales secuenciales de Sobol y diferentes estrategias de aprendizaje y sus aplicaciones
Autores: Zheng, Wenda; Ai, Yibo; Zhang, Weidong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorado snake optimizer utilizando factores no lineales secuenciales de Sobol y diferentes estrategias de aprendizaje y sus aplicaciones
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Optimizador de serpiente
Factores no lineales secuenciales sobol
Estrategias de aprendizaje
Solución óptima global
óptimos locales
Problemas de múltiples restricciones
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
El Optimizador de Serpientes (SO) es un algoritmo metaheurístico avanzado para resolver problemas de optimización del mundo real complicados. Sin embargo, a pesar de sus ventajas, el SO enfrenta ciertos desafíos, como la susceptibilidad a óptimos locales y un rendimiento de convergencia subóptimo en casos que involucran problemas discretizados, de alta dimensionalidad y multi-restricción. Para abordar estos problemas, este artículo presenta una versión mejorada del SO, conocida como el Optimizador de Serpientes utilizando factores no lineales secuenciales Sobol y diferentes estrategias de aprendizaje (SNDSO). En primer lugar, el uso de secuencias Sobol para generar poblaciones iniciales mejor distribuidas ayuda a localizar la solución óptima global más rápidamente. En segundo lugar, el uso de factores no lineales basados en la función tangente inversa para controlar de manera efectiva las fases de exploración y explotación mejora la capacidad de explotación del algoritmo. Finalmente, la introducción de estrategias de aprendizaje mejora la diversidad de la población y reduce la probabilidad de que el algoritmo caiga en la trampa del óptimo local. La efectividad del SNDSO propuesto en la resolución de problemas discretizados, de alta dimensionalidad y multi-restricción se valida a través de una serie de experimentos. El rendimiento del SNDSO en la resolución de problemas de optimización numérica de alta dimensionalidad se confirma primero utilizando los conjuntos de pruebas del Congreso de Computación Evolutiva (CEC) 2015 y CEC2017. Luego, se utilizan doce problemas de selección de características para evaluar la efectividad del SNDSO en escenarios discretizados. Finalmente, se emplean cinco problemas de optimización técnica del mundo real multi-restricción para evaluar el rendimiento del SNDSO en dominios de alta dimensionalidad y multi-restricción. Los experimentos muestran que el SNDSO supera de manera efectiva los desafíos de la discretización, alta dimensionalidad y problemas multi-restricción y supera a algoritmos superiores.
Descripción
El Optimizador de Serpientes (SO) es un algoritmo metaheurístico avanzado para resolver problemas de optimización del mundo real complicados. Sin embargo, a pesar de sus ventajas, el SO enfrenta ciertos desafíos, como la susceptibilidad a óptimos locales y un rendimiento de convergencia subóptimo en casos que involucran problemas discretizados, de alta dimensionalidad y multi-restricción. Para abordar estos problemas, este artículo presenta una versión mejorada del SO, conocida como el Optimizador de Serpientes utilizando factores no lineales secuenciales Sobol y diferentes estrategias de aprendizaje (SNDSO). En primer lugar, el uso de secuencias Sobol para generar poblaciones iniciales mejor distribuidas ayuda a localizar la solución óptima global más rápidamente. En segundo lugar, el uso de factores no lineales basados en la función tangente inversa para controlar de manera efectiva las fases de exploración y explotación mejora la capacidad de explotación del algoritmo. Finalmente, la introducción de estrategias de aprendizaje mejora la diversidad de la población y reduce la probabilidad de que el algoritmo caiga en la trampa del óptimo local. La efectividad del SNDSO propuesto en la resolución de problemas discretizados, de alta dimensionalidad y multi-restricción se valida a través de una serie de experimentos. El rendimiento del SNDSO en la resolución de problemas de optimización numérica de alta dimensionalidad se confirma primero utilizando los conjuntos de pruebas del Congreso de Computación Evolutiva (CEC) 2015 y CEC2017. Luego, se utilizan doce problemas de selección de características para evaluar la efectividad del SNDSO en escenarios discretizados. Finalmente, se emplean cinco problemas de optimización técnica del mundo real multi-restricción para evaluar el rendimiento del SNDSO en dominios de alta dimensionalidad y multi-restricción. Los experimentos muestran que el SNDSO supera de manera efectiva los desafíos de la discretización, alta dimensionalidad y problemas multi-restricción y supera a algoritmos superiores.