Algoritmo de cometa de alas negras que integra aprendizaje basado en oposición y estrategia cuasi-Newton

Área de la Ciencia:

• Inteligencia Computacional
• Algoritmos de Optimización
• Metaheurísticas

Sus antecedentes:

• El algoritmo de cometa de alas negras (BKA) sufre de una capacidad de búsqueda global limitada y una disminución de la diversidad de la población.
• Abordar estas limitaciones es crucial para mejorar la efectividad del algoritmo en tareas de optimización complejas.

Objetivo del estudio:

• Proponer un algoritmo mejorado de cometa de alas negras (OQBKA) integrando aprendizaje basado en oposición y estrategias cuasi-Newton.
• Mejorar la capacidad de búsqueda global, la diversidad de la población, la precisión de la optimización local y el rendimiento de la convergencia del BKA.

Principales métodos:

• Se introdujo una estrategia de imagen especular basada en la formación de imágenes de lentes convexas (MOBL) para mejorar la distribución de la población y el escape de óptimos locales.
• Se incorporó el método cuasi-Newton en iteraciones posteriores para mejorar la optimización local y la convergencia.
• Se realizaron estudios de ablación en el conjunto de benchmarks CEC2017.
• Se realizaron experimentos comparativos en el conjunto de benchmarks CEC2022.
• Se evaluó el rendimiento en tres problemas de diseño de ingeniería con restricciones.

Principales resultados:

• OQBKA logró una clasificación promedio de 1.34 en 29 funciones de prueba en el benchmark CEC2017.
• En el benchmark CEC2022, OQBKA obtuvo clasificaciones promedio de 2.5 (10 dimensiones) y 2.17 (20 dimensiones), superando a diez algoritmos del estado del arte.
• Demostró un equilibrio superior entre exploración-explotación y precisión de optimización.
• Generó con éxito soluciones factibles para problemas complejos de diseño de ingeniería con restricciones.

Conclusiones:

• Las estrategias integradas en OQBKA muestran una fuerte complementariedad, mejorando significativamente el rendimiento de BKA.
• OQBKA ofrece un enfoque robusto y práctico para resolver problemas de optimización complejos, incluido el diseño de ingeniería.
• El OQBKA propuesto exhibe un rendimiento superior en comparación con los algoritmos metaheurísticos existentes.