Optimizador de enjambre de partículas de aprendizaje integral para la optimización global de funciones multimodales

Este artículo presenta una variante de los optimizadores de enjambre de partículas (PSOs) que llamamos el optimizador de enjambre de partículas de aprendizaje integral (CLPSO), que utiliza una nueva estrategia de aprendizaje mediante la cual se utiliza la mejor información histórica de todas las demás partículas para actualizar la velocidad de una partícula. Esta estrategia permite conservar la diversidad del enjambre para desalentar la convergencia prematura. Se realizaron experimentos (utilizando códigos disponibles en http://www.ntu.edu.sg/home/epnsugan) en funciones de prueba multimodales como Rosenbrock, Griewank, Rastrigin, Ackley y Schwefel, así como funciones de composición tanto con como sin rotación de coordenadas. Los resultados demuestran un buen rendimiento del CLPSO en la resolución de problemas multimodales en comparación con otras ocho variantes recientes del PSO.