Ca-PSO: Coulomb atrayendo un Cúmulo de Partículas
DOI:
https://doi.org/10.30973/progmat/2019.11.3/1Palabras clave:
Algoritmo de Optimización, Ley de Coulomb, Funciones de Optimización, Cúmulo de PartículasResumen
Este artículo presenta una variante del algoritmo C-PSO, al cual hemos llamado Ca-PSO, a diferencia de C-PSO que considera como cargas puntuales a lBesti y gBest, Ca-PSO considera a la partícula xi y gBest. Al mismo tiempo se presenta una comparación de cuatro algoritmos: el algoritmo original PSO (Particle Swarm Optimization), PSO con “restricción” (Constriction PSO), C-PSO una versión que hace uso de ley de Coulomb y el algoritmo propuesto Ca-PSO. También se muestra el movimiento esquemático de una partícula en el algoritmo Ca-PSO. Los resultados que se muestran corresponden a la media de 50 corridas, cada algoritmo habiendo sido ejecutado 10000 iteraciones por función para 50 y 100 dimensiones. El algoritmo Ca-PSO mostró un rendimiento superior respecto a CPSO en seis de las diez funciones de prueba, además se muestra que tanto C-PSO como CaPSO presentan un mejor rendimiento que el algoritmo original de PSO y PSO con restricción.
Citas
Xiangwei Z., Hong L. A hybrid vertical mutation and self-adaptation based MOPSO. Computers and Mathematics with Applications. 2009, 57, 2030-2038. https://doi.org/10.1016/j.camwa.2008.09.023
Yuxin Z., Wei Z., Haitao Z. A modified particle swarm optimization via particle visual modeling analysis. Computers and Mathematics with Applications 2009, 57, 2020-2029. https://doi.org/10.1016/j.camwa.2008.10.007
Rini D.P., Shamsuddin S. M., Yuhaniz S. Particle Swarm Optimization: Technique, System and Challenges. International Journal of Computer Applica-tions. 2011, 14(1), 19-27.
Bansal J. C., Singh P.K., Saraswat M., Verma A., Jadon S. S. and Abraham A. Inertia Weight Strategies Particle Swarm Optimization. Third World Congress on Nature and Biologically Inspired Computing. 2011, 633-640. https://doi.org/10.1109/NaBIC.2011.6089659
Dada E., Ikhwan R. E. PDPSO: The fusion of primal-dual interior point method and particle swarm optimization algorithm. Malaysian Journal of Computer Science. 2018, 31(1), 17-34. https://doi.org/10.22452/mjcs.vol31no1.2
Nápoles G, Grau I, and Bello R. Constricted Particle Swarm Optimization based Algorithm for Global Optimization. 2012, 46, 5-11.
Solano-Monje, R., Meléndez-Acosta N. J. García-García C. and Ríos-Figueroa V. C-PSO: Optimización por Cúmulo de Partículas incrustando la Ley de Coulomb. Research in Computing Science. 2018.
Viveros-Jiménez F., Mezura-Montes E. and Gelbukh A. Empirical analysis of a micro-evolutionary algorithm for numerical optimization. International Journal of Physical Sciences. 2012, 7(8), 1235-1258.
Awad N. H., Ali M. Z., Suganthan P. N., Liang J. J. and Qu B. Y. Problem Definitions and Evaluation Criterial for the CEC 2017 Special Session and Competition on Single Objective RealParameter Numerical Optimization. Technical Report, 2016.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2019 Programación Matemática y Software
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
