Abstract
En este trabajo se propone un nuevo modelo de PSO adaptativo cuya principal
aportación consiste en calcular los componentes social y cognitivo independientemente
para cada partícula y en base a su fitness. Como fase previa a la creación del
modelo, se ha realizado un estudio de los principales modelos de PSO en el estado
del arte con una propuesta similar, entre los cuales se han detectado algunas técnicas
y recursos que han servido de inspiración para la concepción del método propio.
Además, el modelo propuesto se ha implementado de forma matricial, lo cual supone,
hasta donde se ha investigado, una novedad dentro del paradigma de PSO que
reduce el tiempo de ejecución de los algoritmos con respecto a la implementación
con bucles. El modelo ha sido evaluado con algunas de las funciones más utilizadas
para ello en este campo, y comparado con otros dos modelos de PSO adaptativos
del estado del arte. Los resultados muestran que el modelo propuesto presenta un
comportamiento eficiente, obteniendo buenos resultados con tama~nos de población
reducidos y exhibiendo algunas características que lo convierten en una alternativa
interesante a sus competidores, como la relación entre la calidad de sus soluciones y
la velocidad de convergencia.---ABSTRACT---In this Master's Final Project I propose a new adaptive PSO model whose main
contribution is to calculate the social and cognitive components for each particle independently
by taking into account their fitness. This project began with the study
of the main PSO models which use similar approaches. Among these, some techniques
and resources were found which served as an inspiration for the creation of this
new method. The new system was implemented using matrix-based calculations, an
approach which appears to be a novelty in the PSO paradigm. This approach reduces
the execution time of the algorithms when compared with a typical implementation
using loops. The new model was evaluated by studying its results when optimizing a
number of commonly used PSO bench-mark functions. Also, it was compared with
two other adaptive PSO models. The results show that the new model presents an
efficient behavior, obtaining good results with small population sizes and exhibiting
some characteristics that make it an interesting alternative to its competitors. Some
of these characteristics include the relationship between the quality of its solutions
and the speed of its convergence.
