Nuevo algoritmo de optimización de ganso de Greylag con teoría de juegos evolutiva (EGGO)

Área de la Ciencia:

• Inteligencia computacional
• Algoritmos de optimización
• Inteligencia de enjambre

Sus antecedentes:

• El algoritmo tradicional de optimización de Greylag Goose (GGO) se enfrenta a limitaciones en la capacidad de búsqueda global y la velocidad de convergencia.
• Necesidad de algoritmos de optimización mejorados para abordar desafíos computacionales complejos.

Objetivo del estudio:

• Introducir el algoritmo mejorado de optimización de ganso gris (EGGO) para superar las limitaciones de GGO.
• Mejorar la eficiencia de búsqueda global y la velocidad de convergencia utilizando la teoría de juegos evolutiva.

Principales métodos:

• Incorporación del ajuste dinámico de la estrategia de la teoría evolutiva de juegos.
• Implementación de agrupación dinámica, mutación aleatoria y mejora de la búsqueda local.
• Evaluación del rendimiento de las funciones de prueba estándar y el conjunto de pruebas de referencia CEC 2022.

Principales resultados:

• EGGO demuestra un rendimiento superior en comparación con los algoritmos y variantes clásicos.
• Se observaron mejoras significativas en la precisión y la velocidad de convergencia.
• Eficacia validada en problemas prácticos de optimización del diseño de ingeniería.

Conclusiones:

• EGGO ofrece una solución novedosa y eficaz para los problemas de optimización.
• Establece una nueva base teórica y marco de investigación para algoritmos de inteligencia de enjambre.
• EGGO mejora la eficiencia, la robustez y el rendimiento en escenarios de optimización complejos.