Algoritmo del halcón de cola roja para la optimización numérica y problemas del mundo real

Este estudio sugiere un nuevo algoritmo de optimización metaheurística inspirado en la naturaleza llamado el algoritmo del halcón de cola roja (RTH). Como depredador, el halcón de cola roja tiene una estrategia de caza que abarca desde la detección de la presa hasta la etapa de embestida. Hay tres etapas durante el proceso de caza. En la etapa de vuelo alto, el halcón de cola roja explora el espacio de búsqueda y determina el área con la ubicación de la presa. En la etapa de vuelo bajo, el halcón de cola roja se mueve dentro del área seleccionada alrededor de la presa para elegir la mejor posición para la caza. Luego, el halcón de cola roja se lanza y golpea su objetivo en las etapas de descenso y embestida. El algoritmo propuesto imita el método de caza de la presa del halcón de cola roja para resolver problemas de optimización del mundo real. El rendimiento del algoritmo RTH propuesto ha sido evaluado en tres clases de problemas. La primera clase incluye tres tipos específicos de problemas de optimización: 22 funciones de referencia estándar, incluidas funciones unimodales, multimodales y multimodales de dimensión fija, Congreso IEEE sobre Computación Evolutiva 2020 (CEC2020) y IEEE CEC2022. El algoritmo propuesto se compara con ocho algoritmos recientes para confirmar su contribución a la resolución de estos problemas. Los algoritmos considerados son el Optimizador de Fertilidad de Tierras Agrícolas (FO), el Algoritmo de Optimización de Buitres Africanos (AVOA), el Optimizador de Gacelas de Montaña (MGO), el Optimizador de Tropas de Gorilas (GTO), el algoritmo COOT, la Búsqueda de Juegos del Hambre (HGS), el Optimizador Aquila (AO) y la optimización de Halcones de Harris (HHO). Los resultados se comparan en términos de precisión, robustez y velocidad de convergencia. La segunda clase incluye siete problemas de ingeniería del mundo real que se considerarán para investigar a fondo el rendimiento del RTH en comparación con otros resultados publicados. Finalmente, se realizarán parámetros de extracción de la celda de combustible de membrana de intercambio de protones (PEMFC) para evaluar el algoritmo con un problema complejo. El algoritmo propuesto se comparará con varios artículos publicados para aprobar su rendimiento. Los resultados finales para cada clase confirman la capacidad del algoritmo RTH propuesto para proporcionar un rendimiento superior en la mayoría de los casos. Para la primera clase, el RTH obtuvo en su mayoría las soluciones óptimas para la mayoría de las funciones con una velocidad de convergencia más rápida. El RTH proporcionó un mejor rendimiento para la segunda y tercera clase al resolver problemas de ingeniería del mundo real o al extraer los parámetros de la PEMFC.