De nombreux algorithmes évolutifs d'intelligence d'essaim polyvalents et prometteurs sont en cours de développement pour résoudre les problèmes d'optimisation d'ingénierie. Bien que des algorithmes évolutifs aient été mis en œuvre dans divers domaines d'optimisation, il existe encore un potentiel d'amélioration dans le domaine des problèmes objectifs complexes, électromagnétiques et multimodaux. Pour remédier efficacement aux lacunes et à la vitesse de convergence lente observées à la fois dans l'optimisation intelligente des essaims de particules quantiques (QPSO) et l'évolution différentielle (DE), une stratégie hybride est proposée. Dans le QPSODE proposé, en dehors de la stratégie intelligente de QPSO pour améliorer l'exploration dans son ensemble, d'autres fonctionnalités supplémentaires telles que le paramètre de contrôle adaptatif non linéaire, la partition de l'essaim pour appliquer un mécanisme de mutation intelligent et gaussien, le croisement et la sélection des meilleures particules à l'aide de la stratégie de Boltzmann pour éviter une convergence prématurée sont introduites. Par conséquent, l'application du nouvel algorithme de conception à plusieurs problèmes électromagnétiques de stockage d'énergie magnétique (SME) contraints par des repères, pour la plupart non convexes et supraconducteurs montre une nette amélioration des performances. Les performances du QPSODE sont comparées à celles de nombreux autres optimiseurs d'intelligence d'essaim basés sur la population largement reconnus. Les résultats expérimentaux et l'analyse statistique à l'aide du test de Friedman montrent que la recherche la précision et la convergence de la stratégie hybride QPSODE sont avantageuses par rapport aux autres approches d'optimisation.

Se están desarrollando muchos algoritmos evolutivos de inteligencia de enjambre versátiles y prometedores para resolver problemas de optimización de ingeniería. Aunque los algoritmos evolutivos se han implementado en varios campos de optimización, todavía existe un potencial de mejora en el dominio de problemas objetivos complejos, electromagnéticos y multimodales. Para abordar de manera efectiva las deficiencias y la lenta velocidad de convergencia observadas tanto en la optimización inteligente de enjambre de partículas cuánticas (QPSO) como en la evolución diferencial (DE), se propone una estrategia híbrida. En el QPSODE propuesto, aparte de la estrategia inteligente de QPSO para mejorar la exploración en su conjunto, se introducen más características adicionales, como el parámetro de control adaptativo no lineal, la partición del enjambre para aplicar el mecanismo de mutación inteligente y gaussiano, el cruce y la selección de la mejor partícula utilizando la estrategia de Boltzmann para evitar la convergencia prematura. En consecuencia, la aplicación del nuevo algoritmo de diseño a varios problemas electromagnéticos de almacenamiento de energía magnética (SME) de referencia restringida, en su mayoría no convexa y superconductora muestra una marcada mejora del rendimiento. El rendimiento del QPSODE se compara con el de muchos otros optimizadores de inteligencia de enjambre basados en la población ampliamente reconocidos. Los resultados experimentales y el análisis estadístico utilizando la prueba de Friedman muestran que la búsqueda la precisión y la convergencia de la estrategia híbrida QPSODE son ventajosas sobre otros enfoques de optimización.

Many versatile and promising swarm intelligence evolutionary algorithms are being developed to solve engineering optimization problems.Although evolutionary algorithms have been implemented in various optimization fields, there is still potential for enhancement in the domain of complex, electromagnetic, and multimodal objective problems.To effectively address the shortcomings and slow convergence speed observed in both smart quantum particle swarm optimization (QPSO) and differential evolution (DE), a hybrid strategy is proposed.In the proposed QPSODE, apart from the smart strategy of QPSO for improving the exploration as a whole, more additional features such as non-linear adaptive control parameter, the partition of the swarm to apply smart and gaussian mutation mechanism, crossover and selection of best particle using Boltzmann strategy to avoid premature convergence are introduced.Consequently, applying the new design algorithm to several benchmark-constrained, mostly non-convex, and superconducting magnetic energy storage (SMES) electromagnetic problems shows a marked performance improvement.The performances of the QPSODE is compared with those of many other widely recognized population-based swarm intelligence optimizers.Experimental results and statistical analysis using Friedman test show that the search accuracy and the convergence of the hybrid QPSODE strategy are advantageous over other optimization approaches.

يتم تطوير العديد من خوارزميات تطور ذكاء السرب متعددة الاستخدامات والواعدة لحل مشاكل التحسين الهندسي. على الرغم من تنفيذ الخوارزميات التطورية في مختلف مجالات التحسين، لا تزال هناك إمكانية للتحسين في مجال المشاكل الموضوعية المعقدة والكهرومغناطيسية والمتعددة الوسائط. لمعالجة أوجه القصور وسرعة التقارب البطيئة التي لوحظت بفعالية في كل من تحسين سرب الجسيمات الكمومية الذكي (QPSO) والتطور التفاضلي (DE)، يتم اقتراح استراتيجية هجينة. في QPSODE المقترح، بصرف النظر عن الاستراتيجية الذكية لـ QPSO لتحسين الاستكشاف ككل، يتم تقديم المزيد من الميزات الإضافية مثل معلمة التحكم التكيفي غير الخطية، وتقسيم السرب لتطبيق آلية الطفرة الذكية والغاوسية، والتقاطع واختيار أفضل الجسيمات باستخدام استراتيجية بولتزمان لتجنب التقارب المبكر. وبالتالي، فإن تطبيق خوارزمية التصميم الجديدة على العديد من المشاكل الكهرومغناطيسية المقيدة بالمعايير، ومعظمها غير محدبة، وتخزين الطاقة المغناطيسية فائقة التوصيل (SMES) يظهر تحسنًا ملحوظًا في الأداء. تتم مقارنة أداء QPSODE مع أداء العديد من محسنات ذكاء السرب الأخرى المعترف بها على نطاق واسع. تظهر النتائج التجريبية والتحليل الإحصائي باستخدام اختبار فريدمان أن البحث تعد الدقة وتقارب استراتيجية QPSODE الهجينة مفيدة على مناهج التحسين الأخرى.