Un novedoso Human Conception Optimizer para resolver problemas de optimización

Scientific Reports volumen 12, Número de artículo: 21631 (2022) Citar este artículo

2054 Accesos

16 Altmetric

Detalles de métricas

Las técnicas computacionales son ampliamente utilizadas para resolver problemas complejos de optimización en diferentes campos como la ingeniería, las finanzas, la biología, etc. En este artículo, se propone el Human Conception Optimizer (HCO) como un algoritmo metaheurístico novedoso para resolver cualquier problema de optimización. La idea de este algoritmo se basa en algunos principios biológicos del proceso de concepción humana, como la naturaleza selectiva del gel cervical en el sistema reproductivo femenino para permitir que solo los espermatozoides sanos entren en el cuello uterino, la naturaleza guía del gel mucoso para ayudar a rastrear los espermatozoides. un camino de seguimiento genital hacia el óvulo en la trompa de Falopio, la naturaleza asimétrica del movimiento flagelar que permite que los espermatozoides se muevan en el sistema reproductivo, el proceso de hiperactivación de los espermatozoides para que puedan fertilizar un óvulo. Así, se modelizan matemáticamente las estrategias seguidas por los espermatozoides en la búsqueda del óvulo en la trompa de Falopio. El mejor espermatozoide que se encontrará con la posición del óvulo será la solución del algoritmo. El rendimiento del algoritmo HCO propuesto se examina con un conjunto de funciones de prueba de referencia básicas denominadas IEEE CEC-2005 e IEEE CEC-2020. También se realiza un estudio comparativo entre el algoritmo HCO y otros algoritmos disponibles. La importancia de los resultados se verifica con métodos de prueba estadísticos. Para validar el algoritmo HCO propuesto, se examinan dos problemas de optimización de ingeniería del mundo real. Para este propósito, se considera un complejo sistema de distribución de bus IEEE 8 basado en 14 relés de sobrecorriente. Con el algoritmo propuesto se observa una mejora del 50% al 60% en los tiempos totales de operación de los relés en comparación con algunos resultados existentes para el mismo sistema. Se examina otro problema de ingeniería de diseñar un controlador derivado integral proporcional (PID) óptimo para un ventilador mecánico (MV) de manguera del paciente accionado por un ventilador. Se observa una mejora significativa en términos de tiempo de respuesta, el tiempo de establecimiento en el sistema MV al comparar con los resultados existentes.

El método de optimización es un método computacional numérico para encontrar la solución óptima de un problema en tiempo real en un campo diversificado como la ingeniería, la gestión, las finanzas, etc.1,2,3,4,5,6. Los métodos de optimización analítica son procesos complejos y lentos para obtener una solución óptima de un problema de optimización complejo. Una vez más, los métodos de optimización heurística son técnicas dependientes del problema7. Necesitan particularidades de un problema de optimización. Son demasiado codiciosos para quedar atrapados en una solución local. Los métodos meta-heurísticos son independientes del problema. Pueden proporcionar una solución aceptable sin garantizar la optimización8. Un concepto simple se puede implementar fácilmente para hacer un algoritmo metaheurístico para resolver un problema complejo rápidamente. Dichos algoritmos se pueden aplicar en cualquier problema de optimización sin alterar la estructura del algoritmo. En comparación con los algoritmos de optimización basados en análisis, un algoritmo metaheurístico está libre de acción de derivación para encontrar la solución óptima. Así, un problema en tiempo real puede ser resuelto por cualquier algoritmo metaheurístico donde solo necesite la información de entrada y salida del sistema9. Por lo tanto, los investigadores están dando prioridad al desarrollo de algoritmos metaheurísticos utilizando conceptos naturales como el concepto de evolución, el comportamiento de las criaturas naturales y el procedimiento de caza que siguen los animales, entre otros9,10,11.

En los algoritmos metaheurísticos, comienzan explorando nuevas soluciones y transmitiéndolas para explotar la mejor solución para un problema determinado11. En la fase de explotación del algoritmo metaheurístico, se produce una nueva solución basada en la mejor solución disponible en la población. Por lo tanto, los algoritmos metaheurísticos utilizan un proceso de exploración y explotación para evitar problemas de trampas locales y converger hacia la solución óptima. Además, al lograr un equilibrio adecuado en las fases de exploración y explotación de dicho algoritmo, se puede evitar el problema de optimización local de los métodos tradicionales12,13.

En este artículo, se propone el Human Conception Optimizer (HCO) como un algoritmo metaheurístico novedoso para resolver cualquier problema de optimización. El algoritmo HCO está inspirado en el principio biológico de la concepción humana natural. Para una concepción natural exitosa de una mujer, el esperma más apto de un hombre debe fertilizar un óvulo maduro. El movimiento de los espermatozoides en el camino de rastreo genital hacia el óvulo es una característica única. Los espermatozoides también utilizan una técnica única para evitar obstáculos ambientales en el sistema reproductivo femenino14. En la Ref.15, los autores propusieron un algoritmo de motilidad del esperma (SMA) utilizando el principio de quimioatrayente secretado por el óvulo para guiar el movimiento del esperma en el sistema reproductivo femenino. En la Ref.16, los autores propusieron un algoritmo de optimización de enjambre de esperma (SSO) basado en la guía de temperatura para que el esperma busque el óvulo en el sistema reproductivo femenino. En Ref.17, los autores han propuesto un procedimiento de fertilización de esperma multiobjetivo (MOSFP) como una forma modificada de SSO para problemas de optimización multiobjetivo. Los principios generales de la concepción natural se han utilizado para desarrollar nuevos algoritmos15,16,17. En este artículo se modela el proceso de concepción desde el punto de vista del movimiento del esperma hacia el óvulo en el sistema reproductivo femenino. El concepto de la selección natural de espermatozoides sanos que permite que el gel cervical entre en el cuello uterino, sus trayectorias asimétricas durante el movimiento, el mecanismo de guía de los espermatozoides, las características de movimiento de los indicadores con el principio de hiperactivación muy espacial de los espermatozoides durante la fertilización de un óvulo maduro se utilizan como las ideas del algoritmo Human Conception Optimizer (HCO) propuesto. Dichos conceptos se utilizan por primera vez para desarrollar un algoritmo metaheurístico. La eficiencia del algoritmo propuesto se valida con las funciones de referencia estándar IEEE CEC-2005 y CEC-2020. También se realiza un estudio comparativo entre el algoritmo HCO y algunos algoritmos existentes para las funciones de referencia. La significación estadística de los resultados de las pruebas también se estudia con dos tipos de pruebas no paramétricas, como la prueba de Friedman y la prueba de rango con signo de Wilcoxon. La aplicabilidad del algoritmo HCO en problemas de ingeniería ha sido validada para dos casos diferentes. En el primer caso, se estudia la coordinación óptima de los relés de sobrecorriente en una red de distribución de energía para un sistema IEEE de 8 buses. En el segundo caso, se diseña un controlador PID óptimo para el sistema de ventilación respiratoria humana.

En la literatura se encuentran diferentes soluciones analíticas, tales como Programación Cuadrática (QP), Programación Dinámica (DP), método Lagrangiano para problemas de optimización. Todos estos métodos se basan en operadores deferentes. Comienzan a buscar una solución óptima más cercana al punto inicial. Los datos de gradiente insuficientes pueden llevarlos a una solución local. Por lo tanto, se encuentra una aplicación limitada de tales métodos para problemas de optimización complejos del mundo real. En este sentido, se encuentra que los métodos metaheuréticos son mejores que los métodos analíticos en la literatura1,2,3. Hay principalmente tres tipos de algoritmos metaheurísticos que se encuentran en la literatura, tales como: algoritmo metaheurístico basado en la física, basado en inteligencia de enjambre y evolutivo. En los algoritmos metaheurísticos evolutivos se utilizan las leyes de la evolución natural12. La técnica de búsqueda comienza con una población de generación aleatoria donde las mejores soluciones se combinan y mutan para formar nuevas soluciones. El algoritmo genético (GA)18 es uno de los algoritmos evolutivos basados en el concepto de evolución darwiniana. Otros algoritmos evolutivos son como la Estrategia de Evolución (ES)19, la Programación Genética (GP)20 etc. Algunos algoritmos metaheurísticos están inspirados en conocidas leyes físicas de la naturaleza. Algunos de ellos son Recocido simulado (SA)21, Algoritmo de búsqueda gravitacional (GSA)22, Big-Bang Big-Crunch (BBBC)23, Búsqueda orbital atómica (AOS)24, Búsqueda de sistema cargado (CSS)25, etc. Los algoritmos metaheurísticos basados en enjambres están inspirados en el comportamiento social de los animales, como la Optimización de enjambre de partículas (PSO)6, la Optimización de colonias de hormigas (ACT)26, etc. Un algoritmo basado en inteligencia de enjambre emplea una gran cantidad de partículas para cubrir un espacio de búsqueda, y el óptimo la respuesta se descubre siguiendo la mejor ubicación a lo largo de sus caminos27. Las partículas con sus mejores soluciones y la mejor obtenida hasta ahora en el enjambre se utilizan para actualizar la posición de las partículas. Muchos otros algoritmos basados en enjambres se encuentran en la literatura, como el algoritmo de optimización de ballenas (WOA)28, el algoritmo de optimización de lobo gris (GWO)5, el optimizador de pez vela (SFO)29, el optimizador de delfines nariz de botella30. Algunos métodos metaheurísticos basados en el comportamiento humano también se encuentran en la literatura, como la Optimización basada en el aprendizaje de la enseñanza (TLBO)31, el Optimizador de búsqueda grupal (GSO)32, el Algoritmo competitivo imperialista (ICA)33, la Optimización superior de clase (CTO)4, la Optimización de búsqueda criminal34 etcétera.

Generalmente, un algoritmo metaheurístico comienza con una inicialización aleatoria de las variables de búsqueda dentro del rango especificado. El rendimiento de convergencia de dicho algoritmo depende de la correcta selección del valor inicial o la posición del agente de búsqueda. Una selección incorrecta del valor inicial, que puede estar en una dirección diferente a donde puede existir la solución real, puede conducir a una solución incorrecta. Así, la selección de la posición inicial de la variable de búsqueda tiene un impacto en el rendimiento de convergencia de un algoritmo metaheurístico12,13. Otro problema en los algoritmos metaheurísticos es el problema de atrapamiento en soluciones locales durante las etapas de exploración y explotación de tales algoritmos. Por lo tanto, la selección incorrecta del valor inicial o la posición de los agentes de búsqueda y los problemas de pila local de dichos métodos metaheurísticos deben resolverse para obtener un optimizador eficiente. En la Ref.35, los autores presentaron una teoría llamada teoría No Free Lunch (NFL) y demostraron que existe un mejor método de optimización universal, ya que todos estos métodos funcionan de manera similar para todos los posibles problemas basados en la optimización. Por lo tanto, muchos autores están involucrados en el desarrollo de optimizadores basados en problemas específicos con el objetivo de obtener estrategias de búsqueda globales y locales. En este sentido, se ha intentado solucionar estos problemas desarrollando el optimizador de concepción humana (HCO). Las características únicas del proceso de concepción humana justifican el desarrollo de dicho algoritmo. El algoritmo HCO puede resolver los problemas mencionados anteriormente al parecerse a algunas técnicas espaciales del proceso de concepción, que se analizan en la siguiente sección. En la Tabla 1 se presenta una lista de algunos métodos de optimización existentes.

El núcleo de este documento es establecer un optimizador inspirado en la naturaleza llamado Human Conception Optimizer (HCO). Algunas características únicas del proceso de concepción humana se utilizan para desarrollar el algoritmo para resolver cualquier problema de optimización. Se modela un método de generación de poblaciones sanas al inicio del algoritmo HCO replicando el concepto de selección de espermatozoides por gel cervical según la aptitud de cada uno. Para ello se define una función de probabilidad. La función de probabilidad se formula considerando que una fracción de espermatozoides (posición de soluciones o agentes de búsqueda) se encuentra entre las mejores y peores posiciones de la población. Durante la generación de una población saludable, también se utiliza el concepto de posible posición del huevo en cualquiera de los ovarios. Por lo tanto, la generación inicial de la población también se basará en la mejor combinación de una variable de búsqueda generada aleatoriamente y su variable de búsqueda basada en la dirección opuesta (posiciones de los espermatozoides). Así, las posiciones iniciales de los espermatozoides (posiciones de soluciones o agentes de búsqueda) en la población sana ya están formadas con la mejor dirección posible donde pueda existir una solución global. Además, los espermatozoides orientados lejos de la solución global o aquellos que están en la dirección opuesta a la solución global se ignoran en la etapa inicial. Así, se puede buscar la solución óptima dentro de una población sana con la posibilidad de obtener la mejor solución rápidamente. Por lo tanto, el problema de la inicialización aleatoria de la posición de las variables de búsqueda, que pueden estar en diferentes direcciones o lejos de la solución global, se evita en el algoritmo HCO. Dicho perfil de velocidad equilibrará la exploración y la explotación en función de la aptitud del mejor espermatozoide (posición de la variable de búsqueda) y la aptitud de los espermatozoides promedio en una iteración. Esto sucederá durante la actualización de las posiciones de las variables de búsqueda (células espermáticas). También se formula una función de hiperactivación replicando el concepto de oscilación flagelar durante la etapa de hiperactivación de un espermatozoide que fertiliza un óvulo en la trompa de Falopio. Esta función ayudará al algoritmo a escapar de la solución óptima local.

En esta sección, se explica en detalle la inspiración y el modelado matemático del Human Conception Optimizer.

La concepción humana ocurre cuando un espermatozoide sano se encuentra con el óvulo en la trompa de Falopio54. El proceso comienza con millones de espermatozoides liberados en el tracto reproductivo femenino. Todos los espermatozoides compiten para fertilizar un solo óvulo como se muestra en la Fig. 1a. En general, un solo espermatozoide es capaz de fertilizar el óvulo en la trompa de Falopio. Entre los millones de espermatozoides, una población de los espermatozoides más capaces puede entrar por la puerta del cuello uterino. El líquido cervical llamado moco ayuda a los espermatozoides a nadar a través del útero y la trompa de Falopio. El cuello uterino filtra el líquido llamado semen que encerraba los espermatozoides liberados en la vagina. Los espermatozoides utilizan una variedad de mecanismos a medida que viajan al óvulo55,56. El método de encuentro del espermatozoide con el óvulo para una fertilización exitosa se explora en detalle a continuación.

La concepción humana ocurre cuando un espermatozoide puede encontrarse con un óvulo maduro, interactuar y fusionarse en el sistema reproductivo femenino57. Inicialmente, los espermatozoides toman una posición aleatoria en la vagina y permanecen dentro del líquido llamado semen. De acuerdo con la aptitud de los espermatozoides, un enjambre de los espermatozoides más aptos puede ingresar al cuello uterino. Durante su viaje al óvulo, los espermatozoides realizan varias tareas de navegación sobresalientes. La cola del espermatozoide (flagelo) ayuda a los espermatozoides a nadar hacia el óvulo creando un patrón de latido irregular y oscilante, como se muestra en la Fig. 1b. Mientras equilibra el momento de fuerza causado por el movimiento del flagelo, la cabeza de la célula gira y ejerce fuerza contra el fluido cervical para avanzar.

Movimiento del esperma humano. (a) Movimiento de espermatozoides en el sistema reproductor femenino. (b) Patrón de latido de espermatozoides. (c) Posición del huevo a ambos lados de la trompa de Falopio. (d) Trayectoria de movimiento de los espermatozoides.

Los espermatozoides se mueven con diferentes modos hidrodinámicos (como cintas típicas, helicoidales, hiperactivadas o quirales) en función de las condiciones ambientales, como la temperatura y la viscosidad dentro del sistema reproductor femenino58. El esperma puede recolectar información física y química para identificar el óvulo en el sistema genital femenino con la ayuda de algún mecanismo, como59,60:

Rheotaxis-orientación de los espermatozoides contra el fluido para moverse aguas arriba.

Termotaxia: los espermatozoides detectan la variación de temperatura en el sistema reproductivo. Nada contra un gradiente de temperatura en una zona de temperatura más alta cerca del oviducto.

Quimiotaxis: el movimiento de células hasta un gradiente de concentración de quimioatrayente. Los espermatozoides se mueven hacia una mayor concentración química.

La quimiotaxis fue sugerida en la literatura como un mecanismo activo de guía de los espermatozoides61. Los espermatozoides pueden sentir el cambio en la concentración de líquido en el útero. En termotaxis, los espermatozoides se mueven hacia una temperatura más alta en el sistema reproductivo femenino. Las contracciones de moco en la zona reproductiva femenina también pueden guiar a los espermatozoides hacia el óvulo.

Los espermatozoides activos usan un golpe llamado hiperactivación para cruzar la barrera de células del cúmulo que rodea al óvulo. Una fracción de los espermatozoides es capaz de volverse hiperactivo. Los latidos flagelares de los espermatozoides hiperactivados tienen una gran curvatura y una amplitud más amplia, lo que conduce a una motilidad muy activa. Tal patrón de hiperactividad puede crear fuerzas para facilitar el desprendimiento y la migración de los espermatozoides. Los espermatozoides tienen que pasar otra barrera llamada zonal pelúcida (una capa de óvulo). Los espermatozoides se someten a un proceso llamado reacción del acrosoma, una enzima depositada en la cabeza del espermatozoide. Ayuda a romper la barrera zonal pelúcida para fecundar el óvulo62.

Entre millones de espermatozoides, solo un espermatozoide es capaz de fertilizar el óvulo maduro en el entorno desafiante del sistema reproductivo femenino. El proceso completo es tan desafiante y único que nos motiva a utilizar los principios de selección del esperma ganador para desarrollar un algoritmo metaheurístico inspirado en la naturaleza. En la siguiente sección, se discute el modelado detallado del algoritmo propuesto.

En esta sección, se presentan matemáticamente los principios biológicos de la concepción humana para desarrollar el algoritmo HCO. En general, se considera un conjunto de hechos y suposiciones naturales para formular el algoritmo HCO. El concepto de HCO se resume de la siguiente manera:

Después de ser liberados en la vagina, los espermatozoides ingresan al cuello uterino, donde comienza su viaje en un ambiente hostil. Solo los espermatozoides sanos pueden ingresar al útero y las trompas de Falopio58 (Fig. 1a). En una mujer fértil, el ovario derecho o izquierdo produce un óvulo maduro para la fertilización, como se muestra en la Fig. 1b. El líquido mucoso del útero ayuda a los espermatozoides a nadar hacia el óvulo63. Este concepto se utilizará para encontrar una población más adecuada inicial adecuada a partir de una población generada aleatoriamente de las posiciones iniciales de espermatozoides o agentes de búsqueda. Durante la evaluación de la aptitud espermática, se examinará la posible posición del óvulo maduro (solución global) considerando el ovario derecho como el lugar en un movimiento positivo en el área de búsqueda donde se puede encontrar el óvulo (solución global). El ovario izquierdo se considera como el lugar en un movimiento negativo en el área de búsqueda donde se puede encontrar el óvulo (solución global). La dinámica de fluidos del moco se utilizará para modelar la velocidad de los espermatozoides (espermatozoides) para actualizar su posición durante la etapa de exploración y explotación del algoritmo propuesto.

La cola de los espermatozoides crea un movimiento espasmódico que ayuda a que los espermatozoides se muevan hacia el útero. Los espermatozoides comienzan a seguir el camino de curvatura causado por el movimiento flagelar para llegar al óvulo62. Este concepto se realizará para modelar el movimiento de los espermatozoides a través de una trayectoria de seguimiento de curvatura durante el procedimiento de búsqueda del algoritmo. En cada iteración, se evaluará la mejor posición alcanzada por cada espermatozoide a lo largo de la trayectoria curva y se denominará la mejor posición actual o solución obtenida por cada célula.

La cola de los espermatozoides puede detectar la concentración de líquido en el sistema reproductivo. Según eso, cambia de posición62. Esta técnica de detección de la concentración de líquido en el sistema reproductivo se utilizará para imitar la actualización de la posición de los espermatozoides con respecto a la mejor posición de los espermatozoides lograda por cualquier espermatozoide de la población hasta la presente iteración.

Los espermatozoides superan la barrera que atraviesa el óvulo mediante un proceso de hiperactivación. Tienen que pasar otra barrera llamada zonal pelucida. Para pasar esa barrera, los espermatozoides deben pasar por un proceso llamado reacción del acrosoma. Esta es una enzima depositada en la parte superior de los espermatozoides. Romperá la barrera zonal pelúcida, permitiendo que los espermatozoides penetren en el óvulo60. Este concepto se utilizará para superar el problema de atascamiento local del algoritmo.

El modelado detallado del algoritmo HCO se proporciona a continuación.

Durante el coito, millones de espermatozoides se descargan en el sistema menstrual femenino. Todas las células intentan entrar en el cuello uterino. El líquido dentro del cuello uterino permitirá que solo las células sanas entren en la ruta de rastreo cervical. Por lo tanto, hay una selección natural de espermatozoides sanos iniciales donde solo las células aptas pueden iniciar el viaje desde el cuello uterino hacia el óvulo64. En HCO, cada agente de búsqueda se asemeja a la posición de los espermatozoides. En cualquier algoritmo metaheurístico, el rendimiento de un método de optimización basado en enjambres depende de la inicialización de la población. En HCO, la posición inicial de los espermatozoides se generará aleatoriamente dentro de un espacio de búsqueda con un tamaño de población mayor. A partir de la población inicial, se producirá una población más en forma, que seguirá los demás pasos del algoritmo propuesto.

Paso 1: generación de la población inicial Vamos, hay \({``N''}\) número de espermatozoides eyaculados en la vagina durante el coito. Indica el mismo número de población en el algoritmo metaheurístico. La dimensión de la población dependerá del problema de optimización. La posición de los espermatozoides es la posición de los espermatozoides en el algoritmo HCO. Cada partícula en el espacio de búsqueda es candidata a solución para un problema de optimización particular.

Deje que la posición inicial de los espermatozoides (X) se defina de la siguiente manera:

En HCO, las posiciones iniciales de los espermatozoides se determinan al azar de la siguiente manera:

donde \({i=1,2,\ldots,N}\) y \({j=1,2,\ldots,d}\); N es el número de espermatozoides o agentes de búsqueda dentro del espacio de búsqueda, d es la dimensión del problema, \({{r}_{1}}\) es el número aleatorio entre 0 y 1, \({x_{i }^{j}}\) es la posición inicial de la partícula (células espermáticas), \({x_{{{i}_{\max }}}^{j}}\) y \({x_{{{ i}_{\max }}}^{j}}\) son los límites máximo y mínimo de \({i\text {th}}\) espermatozoides en \({j\text {th}}\) decisión variable.

Paso 2: evaluación de aptitud inicial: modelado de la posición del óvulo en el ovario En una mujer fértil, el ovario derecho o el izquierdo produce un óvulo maduro para la fertilización, como se muestra en la Fig. 1c. El ovario derecho se considera el lugar en dirección positiva en el área de búsqueda donde existe el óvulo (solución global). El ovario izquierdo se considera como el lugar en dirección negativa en el área de búsqueda donde existe el óvulo (solución global)64. Este concepto se utiliza en el algoritmo propuesto para comprobar la solución a un problema de optimización en ambos lados del espacio de búsqueda. Durante la evaluación de una solución candidata x para un problema asignado, la solución opuesta de x puede proporcionar una mejor solución \(x_op\). Por ejemplo, si una solución de x es − 10 y la solución óptima es 40, entonces la solución opuesta (\(x_{op}\)) es 10 y la distancia de x a la solución óptima es 50. La distancia entre \ (x_{op}\) y la mejor solución actual es 30. Como resultado, según la Ref.64, la solución opuesta, \(x_{op}\), está mucho más cerca de la solución global.

El algoritmo primero examina la aptitud de todos los agentes de búsqueda inicial generados aleatoriamente. Los valores de aptitud de todos los espermatozoides iniciales (células espermáticas) se definen de la siguiente manera:

donde F(X) es la matriz de aptitud con el valor de aptitud de todos los espermatozoides (esperma).

Posición de la solución direccional opuesta La población de la solución direccional opuesta se calculará de la siguiente manera:

donde, a y b son los límites inferior y superior del agente de búsqueda, respectivamente.

La aptitud \(F({{X}_{oppo}})\) de la población direccional opuesta \(({{X}_{oppo}})\) se evaluará para una función objetivo basada en el problema de optimización.

Por lo tanto, la población inicial basada en la posición de los huevos será la siguiente:

En una mujer fértil, el ovario derecho o izquierdo produce un óvulo maduro para la fertilización todos los meses durante la ovulación61. Por lo general, se libera un solo huevo a la vez. Este concepto se puede modelar como un algoritmo HCO de optimización de un solo objetivo. En algunos casos, se puede liberar más de un óvulo, lo que a veces resulta en la concepción de múltiples (gemelos). Este concepto conduce al algoritmo HCO multiobjetivo. Para simplificar, el presente documento se analiza como un algoritmo HCO de objetivo único. Los mellizos pueden producirse mediante la fertilización de un óvulo maduro con dos espermatozoides. En el algoritmo HCO, entre dos soluciones cercanas, se seleccionará la mejor, ignorando la solución gemela.

Paso 3: selección de población sana En el proceso de fertilización natural, solo los espermatozoides sanos pueden ingresar al cuello uterino para fertilizar un óvulo maduro. En el algoritmo HCO, el tamaño de la población inicial se toma lo más alto posible desde donde se seleccionará una población inicial más apta de acuerdo con una función de probabilidad. La población más apta podrá seguir los pasos posteriores del algoritmo propuesto.

La mejor respuesta se asigna como la mejor solución inicial (el espermatozoide más apto). También se identifica la peor solución. La aptitud de los demás se comparará con la aptitud del mejor inicial con una probabilidad de \((P_{fit})\). La probabilidad de seleccionar la mejor población para avanzar hacia una de las mejores soluciones se calcula entonces de la siguiente manera:

donde w es un factor de peso.

Por lo tanto, la población sana será elegida como:

De este modo,

donde \({{\chi _{healthy_i}}}\) es la posición de \({i\text{th}}\) espermatozoides sanos, n es el tamaño de la población en forma.

La aptitud de la población de ajuste inicial para una función objetivo en función del problema de optimización será la siguiente:

donde \({F({{\chi }_{saludable}})}\) es la matriz de aptitud con el valor de aptitud de todos los espermatozoides sanos (espermatozoides).

La población sana o en forma se usará como la población inicial más en forma para buscar la mejor solución para un problema de optimización. En HCO, este paso para encontrar la población más apta de la población inicial generada aleatoriamente se realizará solo una vez.

Algoritmo 1: Pseudo-código de HCO para generación de población sana inicial

Entrada: establezca el tamaño de la población de la posición de los espermatozoides, otras constantes.

\(/*\) Generar partícula aleatoria inicial \(*/\)

Genere una población inicial para cada variable aleatoriamente dentro de un rango de espacio de búsqueda utilizando (2).

\(/*\) Evaluar aptitud \(*/\)

Evaluar la aptitud \({f(x_i)}\) de cada partícula (\({x_i}\)) para cada variable con una función objetivo para un problema de optimización. Calcule la aptitud \({f(x_{i_{oppo}})}\) con espermatozoides de dirección opuesta \({x_{i_{oppo}}}\).

si \({{f(x_i)}>{f(x_{i_{oppo}})}}\)

Seleccione \({x_i}\)

demás

Seleccione \({x_{{i}_{oppo}}}\)

terminara si

\(/*\) Seleccione la mejor y la peor partícula inicial \(*/\)

Encuentre la mejor aptitud \({f_{mejor}(x)}\) y la peor aptitud (\({f_{peor}(x)}\)) de la matriz de aptitud (10).

Derive la función de probabilidad usando (7).

si \({f({{\chi }_{i}})\le {{P}_{ajuste}}}\)

Actualice la población de ajuste utilizando (8).

de lo contrario, deséchelo y busque el siguiente espermatozoide saludable.

terminara si

Producto: Población sana inicial

La orientación de los espermatozoides puede ser una réplica de la orientación de las partículas. Algunos espermatozoides pueden estar hacia la solución global y otros pueden estar junto al límite del espacio de búsqueda. Algunos de ellos pueden estar en la dirección opuesta a la solución global. En HCO, la población inicial más apta se elige con los espermatozoides (posición de los agentes de búsqueda) orientados hacia el óvulo (mejor solución inicial).

La célula reproductora masculina, el espermatozoide, tiene un solo flagelo o cola. Para lograr la fertilización, los espermatozoides necesitan ascender por el oviducto. La cola del espermatozoide produce un movimiento espasmódico característico que empuja la cabeza del espermatozoide hacia atrás y hacia los lados, al mismo tiempo que lo impulsa hacia adelante. Las células migran a través del líquido del cuello uterino moviéndose hacia atrás y hacia los lados. Esta combinación de acciones ayuda al espermatozoide en su viaje hacia el óvulo. No pueden nadar hacia atrás debido a la naturaleza del movimiento flagelar. La trayectoria de movimiento del espermatozoide se muestra en la Fig. 1d.

El esperma humano utiliza varios mecanismos de detección para recopilar señales físicas o químicas para detectar el óvulo. Durante el proceso de fertilización, los espermatozoides se mueven a lo largo del estrecho camino cervical hacia el oviducto. La mucosidad en el cuello uterino ayuda a los espermatozoides a moverse a través del útero y los oviductos62. Hay tres tipos de mecanismos de guía para la natación de los espermatozoides: termotaxis (basada en el gradiente de temperatura), reotaxis (natación contra un flujo de fluido) y quimiotaxis (basada en el gradiente de concentración de quimioatrayentes)55. Los espermatozoides se moverán contra el flujo de moco, que es un mecanismo de reotaxis. Asumen la posición del huevo en función de la concentración de cambio de líquido cerca del huevo. En HCO, el mecanismo de reotaxis de la guía de los espermatozoides hacia el óvulo se usa para encontrar la velocidad de los espermatozoides en el fluido contra el flujo. El movimiento asimétrico flagelar se toma como un camino de curvatura sinusoidal en el algoritmo HCO.

Los espermatozoides humanos pueden sentir un flujo de líquido y cambiar la dirección de su camino contra el flujo. Realiza reotaxis positiva y se orienta contra un flujo que se aproxima. El flujo de moco (como el flujo de espermatozoides en un fluido) puede describirse mediante el perfil de Poiseuille, donde la velocidad aumenta cuadráticamente con la distancia al límite del compartimento. El perfil de Poiseuille se utiliza para encontrar la velocidad de los espermatozoides. Indica qué tan rápido se mueven los espermatozoides en cada punto dentro del útero65,66.

En HCO, el perfil de velocidad de Poiseuille se usa para modelar la velocidad de los espermatozoides para actualizar su posición. El perfil de velocidad de Poiseuille para el movimiento de los espermatozoides en la ruta de seguimiento de la reproducción femenina se muestra en la Fig. 2b. Para modelar el perfil de seguimiento de velocidad de Poiseuille, se utilizará la matriz de fitness (10).

Perfil de velocidad del esperma: (a) una sección del tubo de radio (a), Velocidad del fluido a una distancia r del centro del tubo. (b) Perfil de velocidad del esperma basado en.

El perfil de velocidad muestra la amplitud de la velocidad según la posición de una partícula en un fluido. De acuerdo con el perfil de velocidad de Poiseuille, la velocidad en un punto, llamado radio específico (r) en el fluido se puede calcular midiendo la distancia del punto desde el centro del tubo, como se muestra gráficamente en la Fig. 2a. En el radio específico (r), la velocidad se formula como65,66:

donde P es la diferencia de presión, L es la longitud de una tubería con radio a, \({\eta }\) es la viscosidad dinámica.

En HCO, el esperma de fitness se utiliza para imitar el perfil de velocidad. La velocidad de un espermatozoide en la iteración actual se calcula tomando la posición actual del espermatozoide \({{{\chi }}_{i}}\) en la población sana y multiplicándola por su aptitud \({f\left( {{{\chi }}_{i}} \right) }\). El centro del flujo se asemeja a la posición promedio de los espermatozoides con una aptitud de (\({f({\chi }_{avg})}\)). El nivel de aptitud de la mejor posición global actual es \({f({\chi }_{mejor})}\).

Pasos para imitar el perfil de seguimiento de la velocidad de Poiseuille para el modelado de la velocidad del esperma:

Asigne el mejor valor de aptitud inicial de un espermatozoide para un problema de optimización dado con una función de aptitud en una iteración como \({f({\chi }_{mejor})}\).

Calcule la aptitud promedio \({f({\chi }_{avg})}\).

Calcule la velocidad de \({i\text{th}}\) espermatozoides con el valor de aptitud \({f(x_i)}\)como sigue:

donde \({R=f\left( {{{\chi }}_{mejor}} \right) -f\left( {{{\chi }}_{i}} \right) }\), \ ({r=f\left( {{{\chi }}_{promedio}} \right) -f\left( {{{\chi }}_{i}} \right) }\), \({ L=f\left( {{{\chi }}_{mejor}} \right) -f\left( {{{\chi }}_{promedio}} \right) }\), \({{\ nu }_i}\) es la velocidad de \({i\text{th}}\) espermatozoide, \({f\left( {{{\chi }}_{avg}} \right) }\) es la salud promedio de la población, \({f\left( {{{\chi }}_{best}}\right) }\) es la salud de la mejor solución (posición óptima), \({\eta }\ ) es una constante generada con un valor aleatorio en el rango de 0 a 1, y \({\gamma }\) es un número aleatorio entre 0 y 1.

El diagrama vectorial del perfil de velocidad de los espermatozoides también se muestra gráficamente en la Fig. 2b.

Después de entrar en el cuello uterino, los espermatozoides tomaron una velocidad inicial en el fluido cervical. En HCO, la velocidad inicial del esperma se modela de acuerdo con el perfil de seguimiento de velocidad de Poiseuille como se presenta en la Fig. 2b. La posición de un espermatozoide en la iteración actual se comparará con su posición anterior y la mejor se asignará como la mejor solución actual \((S_{p_{mejor}})\) para el espermatozoide. En la población sana, un espermatozoide logró la mejor posición entre todos en una iteración y será tratado como la mejor solución global \((S_{g_{best}})\) en esa iteración. La célula de esperma se moverá a lo largo de un camino sinusoidal, asemejándose a la naturaleza del movimiento del esperma en un camino de curvatura con la velocidad actualizada.

En el espacio de búsqueda, la velocidad del esperma se actualizará de la siguiente manera:

donde \({{A_1}}\) es \({(S_{p_{mejor}}-S_i)}\); \({{A_2}}\) es \({(S_{g_{mejor}}-S_i)}\); \({C_1}\) es una constante; \({C_2}\) es una constante.

A lo largo de la ruta de curvatura, la posición de los espermatozoides se actualizará en HCO de la siguiente manera:

donde \({{{\vec {{\chi }}}_{i}}(j)}\) es la posición de \({i\text{th}}\) espermatozoides en \({j\text {th}}\) iteración, \({{{\vec {V}}_{i}}(j)}\) es la velocidad de \({i\text{th}}\) esperma en \( {j\text{th}}\) iteración.

Algoritmo 2: pseudocódigo de HCO para actualizar la posición del esperma

Entrada: Población saludable de posiciones iniciales de esperma, definir otras constantes

\(/*\) Generar una población saludable inicial de posiciones de espermatozoides \(*/\)

Genere una población saludable inicial de posición de espermatozoides para cada variable según el Algoritmo 1.

\(/*\) Evaluar la función de fitness \(*/\)

Evaluar la aptitud \({f({\chi }_i)}\) de cada espermatozoide (\({{\chi }_i}\)) para cada variable con una función objetivo para un problema de optimización.

Identificar la aptitud promedio de los espermatozoides (\({f({\chi }_{avg})}\)) en la población, la aptitud de los mejores espermatozoides (\({f({\chi }_{mejor})}\) ).

Identifique el mejor espermatozoide (solución global) \((S_{g_{best}})\) logrado en la iteración actual. Además, identifique la mejor posición actual de cada espermatozoide \((S_{p_{best}})\) en la iteración actual.

\(/*\) Evaluar la velocidad de los espermatozoides \(*/\)

Evaluar la velocidad de cada espermatozoide en la población sana utilizando (12).

\(/*\) Velocidad de actualización del esperma \(*/\)

Actualice la velocidad de los espermatozoides usando (13).

\(/*\) Actualizar la posición del esperma \(*/\)

Actualice la posición de cada espermatozoide usando (14).

Repita los pasos 5 a 13 hasta alcanzar el criterio de finalización o el número máximo de iteraciones.

Resultado: esperma más apto o solución global.

El diagrama de flujo del algoritmo propuesto se presenta en la Fig. 3.

En la concepción humana, los espermatozoides forman una barrera de células del cúmulo alrededor del óvulo. Antes de llegar al óvulo, los espermatozoides suelen quedar atrapados en las células epiteliales de la trompa de Falopio. Se vuelven inertes a menos que sufran hiperactivación67. Para cruzar esta barrera de cúmulos, los espermatozoides deben usar un golpe muy específico llamado hiperactivación. Se caracteriza por un patrón de latido flagelar asimétrico que se eleva a un movimiento de látigo del flagelo que puede producir trayectorias circulares de natación en forma de ocho. El cambio de movimiento y la fuerza del movimiento de la cola en la trayectoria permiten que los espermatozoides escapen del epitelio67.

En HCO, el concepto de proceso de hiperactivación espermática se adaptará cuando la mejor solución se encuentre estancada en una posición durante mucho tiempo antes de alcanzar los criterios de terminación. La posición de la partícula hiperactivada se comparará con la mejor solución lograda antes del proceso de hiperactivación. Entre las soluciones hiperactivadas y las soluciones no hiperactivadas, se asignará la mejor como solución global actual para la población. Para modelar el proceso de hiperactivación, se utilizan ocho (8) patrones de latidos con forma. La nueva posición de la mejor partícula de hiperactivación se modela de la siguiente manera:

donde \({{x}_{globalbest}(j)}\) es la mejor solución global en la iteración \({j\text{th}}\), \({x_{hyperactivated}(j)}\) es la mejor solución hiperactivada en la iteración \({j\text {th}}\). Se usará solo cuando la mejor solución global se quede atascada en la misma posición durante más de dos iteraciones.

Diagrama de flujo del algoritmo HCO propuesto.

HCO proporciona algunas ventajas que lo hacen único de algunos otros algoritmos. Algunas características espaciales son las siguientes:

Concepto de población inicial sana El algoritmo HCO replica el concepto de selección de espermatozoides por parte del aparato reproductor femenino para permitirles en el cuello uterino y la posición del óvulo en cualquiera de los ovarios. La población inicial en el algoritmo HCO no se asigna directamente a un espermatozoide inicial generado aleatoriamente dentro de un espacio de búsqueda. En este algoritmo, se genera una población saludable en la etapa inicial al descuidar los espermatozoides en la población orientada tan lejos de la posición óptima. Utilizando el concepto de posición del óvulo en el ovario derecho o izquierdo en la trompa de Falopio, se evalúa el esperma más apto de todos los generados aleatoriamente junto con la aptitud de su esperma de dirección opuesta en el espacio de búsqueda. Así, la población sana se basará en la mejor solución posible en el sentido positivo o negativo en el espacio de búsqueda. La población saludable asegurará la mejor población de ajuste inicial dentro de la cual el algoritmo encontrará la solución óptima. Las poblaciones sanas incluirán las posiciones iniciales de los espermatozoides en función de su aptitud inicial y el mejor lado de la posición del óvulo maduro (solución global) comprobando la posición de un espermatozoide y su posición distorsionada opuesta.

Actualización de velocidad basada en el perfil de velocidad de Poiseuille Durante la actualización de la velocidad de los espermatozoides, se utiliza el perfil de velocidad basado en la posición, denominado perfil de velocidad de Poiseuille. La ventaja de usar un perfil de velocidad de este tipo en el algoritmo HCO es que la velocidad de cada espermatozoide o variable de búsqueda en una iteración se calculará con el valor de aptitud de la mejor posición de un espermatozoide o variable de búsqueda en esa iteración junto con la aptitud promedio en la población Por lo tanto, se puede mantener un buen equilibrio entre las etapas de exploración y explotación del algoritmo.

Hiperactivación para evitar los óptimos locales Al igual que el proceso de hiperactivación de los espermatozoides para fertilizar el óvulo, se utiliza una función de hiperactivación en el algoritmo HCO para evitar problemas de captura de soluciones locales.

Un algoritmo metaheurístico debe tener algunas capacidades para resolver problemas complejos de optimización. Un optimizador debe exhibir un buen equilibrio en las etapas de exploración y explotación, evitación de óptimos locales y capacidad de convergencia suave. Para verificar el logro del algoritmo HCO, se toman dos conjuntos de funciones de prueba en el estudio, como 23 números de funciones de prueba clásicas de la sesión especial CEC 2005 y diez números de 30 y 500 funciones de prueba o referencia dimensional del CEC- 202024.

En esta sección se verifica la respuesta del algoritmo HCO con CEC 2005 BMFs24. Tales funciones son funciones de minimización. Se pueden agrupar en: unimodales, multimodales y multimodales de dimensión fija. Los detalles de dichos BMF se pueden encontrar en el informe técnico de la CCA de 200524,27. La terminación del algoritmo se establece en una iteración fija. Los otros parámetros para el algoritmo HCO se presentan en la Tabla 2. La plataforma LabVIEW©2015 se utiliza para fines de simulación del algoritmo. Este algoritmo se ejecuta varias veces para cada función de referencia. Después de varias pruebas, se examinan el promedio y la desviación estándar (SD) de cada BMF. Se realiza el rendimiento de convergencia para cada BMF con el método HCO y se compara con PSO6, CTO4, GWO5, WHO28 y SFO (Sailfish Optimizer)29.

Para cada BMF, el tamaño de la población se considera 500 y la iteración máxima es 500. Otras constantes del algoritmo HCO se tabulan en la Tabla 2. El algoritmo HCO se ejecuta 30 veces, con 500 iteraciones para cada función. Para fines de análisis, se examinan el promedio y la desviación estándar de los valores objetivos. La salida de los BMF se presenta en la Tabla 3. Hay un único punto óptimo global para las funciones unimodales (\({F_1}\) TO \({F_7}\))27. Al observar la Tabla 3, se puede ver que HCO se desempeñó mejor para \({F_1}\), \({F_2}\), \({F_6}\) y \({F_7}\) que CTO, PSO y OFS. Para la función \({F_4}\), HCO es mejor que CTO, PSO. Para la función \({F_5}\), HCO se encuentra mejor que SFO, PSO. Para la función \({F_6}\), HCO se encuentra mejor que CTO, SFO. Para la función \({F_3}\), GWO se encuentra mejor que HCO. Para la función \({F_6}\), HCO se encuentra mejor que GWO como se encuentra en la Fig. 4. Para las funciones \({F_3}\) y \({F_6}\), HCO se encuentra mejor que WHO como que se encuentra en la Fig. 4.

Las funciones multimodales como \({F_8}\) a \({F_{13}}\)27 exhiben múltiples óptimos locales. La función de exploración de un método de optimización puede verificarse con funciones multimodales. Al analizar la Tabla 3, HCO se desempeñó mejor que PSO, CTO y SFO para \({F_{11}}\) a \({F_{13}}\). Otras funciones multimodales también ofrecieron un mejor rendimiento en comparación con PSO, CTO y SFO. Para la función \({F_8}\), el valor mínimo de \({F_8}\) según lo especificado por CEC200524 lo encuentra el algoritmo HCO donde otros no pueden encontrar lo mismo. Para la función \({F_9}\), HCO es mejor que CTO, SFO. Para algunas funciones de dimensión fija como \({F_{19}}\) a \({F_{22}}\)27, HCO es superior a SFO, CTO y PSO. Se analiza la curva de convergencia del algoritmo HCO para algunos BMF. Algunos BMF como \({F_{3}}\), \({F_{6}}\), \({F_{9}}\), \({F_{13}}\), \( Se considera que {F_{14}}\) y \({F_{17}}\) muestran la característica de convergencia del algoritmo HCO en la Fig. 4. Para la función \({F_9}\) y \({F_ {13}}\), GWO se encuentra mejor que HCO como se encuentra en la Fig. 4. Para las funciones \({F_9}\) y \({F_{13}}\), HCO se encuentra mejor que WHO como se encuentra en la figura 4.

Comparación del rendimiento de convergencia de HCO para CEC2005.

El algoritmo HCO se verifica con CEC-2020 BMF para explorar el logro del algoritmo en términos de exploración, explotación, convergencia y evitación de óptimos locales. Incluye funciones unimodales, multimodales, híbridas y compuestas para validar el algoritmo propuesto. Cada función ha sido probada con dos condiciones: con un problema de optimización basado en 30 variables y otro con un problema de 500 variables, y simulado 20 veces en la plataforma LabVIEW©2015. Los resultados en términos de valor promedio y desviación estándar se calculan después de 20 pruebas en cada uno de los MBF. Los logros del algoritmo HCO para cada MBF se comparan con algunos métodos existentes como se informa en la literatura, como PSO6, CTO4. Para fines de simulación, cada función se prueba en una población de 50 espermatozoides y se ejecuta durante 500 iteraciones para 30 problemas dimensionales y 500 problemas dimensionales. El rendimiento de convergencia del HCO para algunas funciones de referencia CEC-2020 de 30 dimensiones seleccionadas se muestra en la Fig. 5. En la mayoría de los casos de funciones de referencia CEC-2020 de 30 dimensiones, HCO se desempeñó mejor que los algoritmos disponibles como se tabula en la Tabla 4 El rendimiento de convergencia del HCO para algunas funciones de referencia CEC-2020 de 500 dimensiones seleccionadas se muestra en la Fig. 6. En la mayoría de los casos de funciones de referencia CEC-2020 de 500 dimensiones, HCO se desempeñó mejor que cualquier algoritmo disponible como se tabula en la Tabla 5.

Rendimiento de convergencia de HCO para la función de referencia 30D CEC2020: (a) Gráfico de convergencia para la función de referencia \({F_3}\). (b) Gráfico de convergencia para la función de referencia \({F_6}\). (c) Gráfico de convergencia para la función de referencia \({F_9}\). (d) Gráfico de convergencia para la función de referencia \({F_{10}}\).

Rendimiento de convergencia de HCO para la función de referencia 500D CEC2020: (a) Gráfico de convergencia para la función de referencia \({F_3}\). (b) Gráfico de convergencia para la función de referencia \({F_6}\). (c) Gráfico de convergencia para la función de referencia \({F_9}\). (d) Gráfico de convergencia para la función de referencia \({F_{10}}\).

También se prueba el uso de pruebas no paramétricas algoritmo HCO para las funciones de referencia CEC2020. Tales pruebas tienen una amplia variedad de aplicaciones en la literatura27. En este documento, la prueba firmada de Friedman y Wilcoxon se lleva a cabo con funciones de referencia CEC 2020 como se presenta en las Tablas 6 y 7 respectivamente. Los detalles de dichos métodos se proporcionan en la Ref.27. En la prueba con signo de Wilcoxon, \({r^{+}}\) es la suma de rangos cuando el primer método es mejor en comparación con el segundo método, y \({r^{-}}\) es la condición opuesta en una medida significativa de \({\alpha = 0.05}\).

En esta sección, se valida el rendimiento del algoritmo HCO propuesto para dos problemas de optimización de ingeniería con restricciones. En el primer caso, se elige un problema de optimización basado en la coordinación de relés de sobrecorriente. En este problema, el HCO se utiliza para obtener un ajuste óptimo de los relés de sobrecorriente utilizados en el esquema de protección de una red de distribución de energía. En el segundo caso, se diseña un controlador PID óptimo para el sistema de ventilación respiratoria humana. En este problema, el algoritmo HCO propuesto se usa para ajustar el controlador PID para un modelo de ventilador tipo soplador.

En este problema de optimización, se establece una coordinación óptima entre los relés de sobrecorriente utilizados en una red de distribución de energía para suministrar energía ininterrumpida. Para validar el algoritmo HCO propuesto para un problema de ingeniería del mundo real, se considera una red de distribución de 8 buses IEEE con 14 relés de sobrecorriente. Consta de 20 números de limitaciones de selectividad en falla trifásica. El rango de configuración del dial de tiempo de relé (TDS) está entre 0,1 y 1,1 s. El intervalo de tiempo de coordinación es de 0,3 segundos. El ajuste del enchufe está entre 0,5 y 2,5. Las otras especificaciones, como la relación del transformador de corriente, la corriente de cortocircuito en las ubicaciones de falla, se toman de la Ref.68. Para obtener el tiempo de funcionamiento óptimo del sistema de relés de protección, se optimizan PS (configuración del enchufe) y TDS (configuración del dial de tiempo). El sistema de prueba se ejecuta con HCO en plataforma LabVIEW©2015. El rendimiento de convergencia para el problema de coordinación de relés se muestra en la Fig. 7. En la Fig. 7, se puede observar que el algoritmo comenzó con un mejor valor inicial y convergió rápidamente hacia una mejor solución en comparación con otros. Los ajustes óptimos de los relés encontrados por el algoritmo HCO para el sistema de distribución de bus IEEE-8 se presentan en la Tabla 8. Se lleva a cabo un análisis comparativo del método propuesto para el mismo sistema como se discute en 68 con algunos resultados existentes. Para este propósito, se consideran algunos métodos bien conocidos, como BBO-LP69, BIP70, HWOA71, WOA72, MWCA73 y SA-LP74 para el mismo sistema y se presentan en la Tabla 9. De la Tabla 9, el tiempo total de operación del relé ganado por el algoritmo propuesto es mejor que los resultados existentes.

Curva de respuesta de convergencia de HCO para el problema de coordinación de relés.

En este problema de ingeniería, el algoritmo HCO se utiliza como método de ajuste para el controlador integral derivativo proporcional (PID) utilizado en el sistema de ventilación mecánica (VM) utilizado en la unidad de cuidados intensivos (UCI). Los parámetros del controlador PID convencional deben configurarse de manera eficiente de modo que el sistema de ventilación pueda proporcionar suficiente aire para mantener una presión de aire estable en el sistema pulmonar. Los detalles del modelado matemático y las restricciones asociadas MV se estudian a partir de la Ref.75. Para fines de simulación, la función de transferencia (\({{G}_{1}}(s)\)) del sistema de tubos flexibles del paciente con una distensibilidad de los pulmones de 20 ml/mbar y una resistencia de las vías respiratorias de los pulmones de 5 mbar s/l se expresa de la siguiente manera75:

La función de transferencia del sistema de ventilación (\({{G}_{2}}\) ) se toma como75:

Como patrón de respiración deseado, se selecciona un pulso unitario de período 2. Los rangos iniciales de parámetros del controlador PID (\({{K}_{p}}\), \({{K}_{i}}\) y \({{K}_{d}}\ ) ) se consideran a partir de 27 de la siguiente manera:

\({1\la {K}_{p}\la 2}\),

\({100\el {{K}_{i}}\el 200}\),

\({0\le {{K}_{d}}\le 0.1}\).

Para el sistema en (17), se optimiza un controlador de retroalimentación PID con el algoritmo HCO. El rendimiento de convergencia del algoritmo HCO para diseñar un controlador PID óptimo en comparación con algunos algoritmos existentes27,76 se presenta en la Fig. 8a. El rendimiento del controlador PID optimizado HOC para los sistemas de ventilación se compara con algunos resultados existentes, como se presenta en la Tabla 10 y se muestra gráficamente en la Fig. 8b. Se observa que la respuesta del ventilador en cuanto a tiempo de subida y tiempo de establecimiento con el controlador HCO-PID es mejor que el desempeño de los resultados existentes27,76.

Rendimiento de HCO para el diseño del controlador PID para el sistema de ventilación: (a) Gráfico de convergencia. (b) Respuesta del controlador HCO-PID para el modelo de ventilador.

En este artículo, se desarrolla un novedoso algoritmo de optimización metaheurística inspirado en la naturaleza llamado Human Conception Optimizer (HCO) para resolver problemas de optimización del mundo real. El algoritmo propuesto es simple de entender y efectivo. Se basa en un proceso natural que existe debido a la evolución de los seres humanos. La capacidad del algoritmo propuesto se ha probado con las funciones de referencia (BMF) clásicas CEC-2005 y CEC-2020. También se ha realizado un análisis comparativo del algoritmo HCO con algunos resultados existentes para ambos conjuntos de funciones de referencia. Los resultados de la simulación mostraron la superioridad del algoritmo propuesto. Como se observa en la Tabla 3, para la mayoría de los BMF de CEC-2005, el algoritmo propuesto funcionó mejor que los métodos existentes. Además, la importancia estadística del algoritmo HCO se observa en la Tabla 6 para BMF 30D CEC2020. Para las funciones de prueba más complejas de dimensiones superiores, el algoritmo propuesto funcionó de manera eficiente. Se puede afirmar que el algoritmo HCO se puede aplicar para encontrar soluciones para diferentes problemas de optimización complejos probados con CEC-2005 BMF, 30D CEC2020 BMF y 500D CEC2020 BMF. Para la validación del algoritmo propuesto para problemas del mundo real, se examinó y comparó con los resultados existentes un problema de coordinación de relé de sobrecorriente óptimo en una red de distribución compleja y un diseño de controlador PID óptimo para un sistema de ventilación humana artificial. Para un complejo sistema de distribución de energía de bus IEEE 8 basado en 14 relés de sobrecorriente, el método propuesto optimizó el tiempo total de funcionamiento del relé con una coordinación óptima entre todos los relés primarios y secundarios. El tiempo total óptimo de funcionamiento del relé logrado por el algoritmo HCO para el sistema elegido es de 1,96 segundos, como se presenta en la Tabla 9, donde es de 8,56 segundos con BBO-LP69, 8,69 segundos con BIP70, 5,86 segundos con HWOA71 y 5,95 segundos con MWCA73. El algoritmo propuesto observa una mejora significativa en el tiempo operativo total del relé. La población aleatoria inicial de PS (configuración de enchufe) y TDS (configuración de marcación de tiempo) para 14 relés en el sistema de bus IEEE 8 se selecciona de manera eficiente durante la etapa de generación de una población sana como se propone en el algoritmo (Fig. 3). Con el algoritmo propuesto se observa una ganancia del 50% al 60% en los tiempos totales de operación del relé comparando con algunos resultados existentes para el mismo sistema como se presenta en la Tabla 9. Así, la novedad práctica del algoritmo propuesto se encuentra en este sistema real. . Para el otro problema de ingeniería de diseñar un controlador PID óptimo para un modelo de ventilador mecánico. El rendimiento de convergencia para encontrar la solución óptima para el modelo de ventilador es mejor en términos de tiempo de respuesta y tiempo de estabilización dentro de un error de estado estable aceptable que los métodos existentes, como se muestra en la Fig. 8a. Se necesitan menos iteraciones en comparación con el algoritmo CTO para encontrar una solución óptima. Aunque el algoritmo PSO requiere menos iteraciones que el HCO, el algoritmo propuesto logra el valor de aptitud mínimo en comparación con CTO y PSO. La respuesta transitoria del sistema también mejora significativamente con el algoritmo HCO, como se observa en la Fig. 8b. Esto indica claramente que el algoritmo propuesto puede funcionar mejor que algunos algoritmos existentes para manejar problemas del mundo real.

Además, las aplicaciones prácticas del algoritmo propuesto tienen algunas limitaciones con el tamaño de los problemas de optimización complejos del mundo real, lo que se observa claramente a partir de los resultados de la simulación. Para las funciones de referencia clásicas de CEC 2005, el algoritmo HCO converge suavemente para la mayoría de los BMF, como se muestra en la Fig. 4. Con un aumento en la dimensión y la complejidad en BMF como CEC2020 de 30 y 500 dimensiones, el HCO enfrenta problemas locales atascados varias veces. durante la simulación y se necesitan más de 50 iteraciones para superar el problema de atrapamiento local como se observa en las Figs. 5c, d y 6d. En aplicaciones del mundo real, se observa el mismo problema durante la simulación. Como se observa en la Fig. 7, con el algoritmo HCO, el tiempo operativo total del relé se encuentra mucho mejor que el resultado existente debido a la selección de variables de búsqueda inicial (TDS y PS) de manera eficiente al comprometer un problema de captura local inicial hasta 10 iteraciones . Por lo tanto, para problemas de optimización tan complejos, existe una limitación para aplicar el algoritmo HCO. Como el concepto del proceso de concepción natural se utiliza directamente para modelar el algoritmo, el rendimiento del algoritmo HCO se puede mejorar aún más adaptándose a otros esquemas como los conceptos de búsqueda caótica, multinivel, mutación, cruce, etc.

El autor corresponsal divulgará los conjuntos de datos utilizados y/o procesados a lo largo del trabajo actual previa solicitud razonable.

Feng, L., Sun, X., Tian, X. y Diao, K. Control de par directo con flujo variable para un srm basado en un algoritmo de optimización híbrido. Trans. IEEE. Electrón de potencia. 37, 6688–6697 (2022).

Artículo ANUNCIOS Google Académico

Jin, Z., Sun, X., Lei, G., Guo, Y. & Zhu, J. Control de par directo en modo deslizante de spmsms basado en un algoritmo de optimización de lobo híbrido. Trans. IEEE. Ind. Electrón. 69, 4534–4544 (2021).

Artículo Google Académico

Jia, Y.-H., Mei, Y. & Zhang, M. Un algoritmo de optimización de colonias de hormigas de dos niveles para el problema de enrutamiento de vehículos eléctricos capacitados. Trans. IEEE. cibernético 52, 10 (2021).

Google Académico

Das, P., Das, DK & Dey, S. Un nuevo algoritmo de optimización superior de clase con una aplicación para la agrupación de datos. Trans. IEEE. emergente Arriba. computar 8, 948 (2018).

Google Académico

Mirjalili, S., Mirjalili, SM & Lewis, A. El optimizador de lobo gris. Adv. Ing. suave Rev. 69, 46–61 (2014).

Artículo Google Académico

Kennedy, J. & Eberhart, R. Optimización de enjambre de partículas. En Proc. ICNN'95-Conferencia internacional sobre redes neuronales, vol. 4, 1942–1948 (IEEE, 1995).

Mataifa, H., Krishnamurthy, S. & Kriger, C. Optimización de voltios/var: un estudio de los métodos de optimización clásicos y heurísticos. Acceso IEEE. 10, 13379–13399 (2022).

Artículo Google Académico

Li, D. et al. Predicción del estado de envejecimiento de los supercondensadores basada en la máquina de aprendizaje extremo de optimización heurística del filtro Kalman. Energía 250, 123773 (2022).

Artículo Google Académico

Ferro, G., Robba, M., Haider, R. & Annaswamy, AM Una arquitectura basada en optimización distribuida para la gestión de centros de energía interconectados. Trans. IEEE. Red de control Sist.https://doi.org/10.1109/TCNS.2022.3165022 (2022).

Artículo Google Académico

Sang-To, T., Hoang-Le, M., Wahab, MA y Cuong-Le, T. Un algoritmo de optimización planetaria eficiente para resolver problemas de ingeniería. ciencia Rep. 12, 1–18 (2022).

Artículo Google Académico

Du, J., Zhang, Z., Li, M., Guo, J. y Zhu, K. Programación óptima del sistema de energía integrado basado en el algoritmo mejorado de optimización de lobo gris. ciencia Rep. 12, 1–19 (2022).

Artículo Google Académico

Tan, KC, Feng, L. y Jiang, M. Optimización de transferencia evolutiva: una nueva frontera en la investigación de computación evolutiva. Cómputo IEEE. Intel. revista 16, 22–33 (2021).

Artículo Google Académico

Jia, H., Peng, X. & Lang, C. Algoritmo de optimización Remora. Sistema experto aplicación 185, 115665 (2021).

Artículo Google Académico

Usted, JB et al. Aprendizaje automático para la selección de espermatozoides. Nat. Rev.Urol. 18, 387–403 (2021).

Artículo Google Académico

Raouf, OA & Hezam, IM Algoritmo de motilidad espermática: un nuevo enfoque metaheurístico para la optimización global. En t. J.Oper. Res. 28, 143–163 (2017).

Artículo MathSciNet MATEMÁTICAS Google Académico

Shehadeh, HA, Ahmedy, I. & Idris, MYI Algoritmo de optimización de enjambre de esperma para optimizar los desafíos de la red de sensores inalámbricos. En Proc. Sexta Conferencia Internacional sobre Comunicaciones y Redes de Banda Ancha, 53–59 (2018).

Shehadeh, HA, Idna Idris, MY & Ahmedy, I. Algoritmo de optimización multiobjetivo basado en el procedimiento de fertilización de esperma (mosfp). Simetría 9, 241 (2017).

Artículo ANUNCIOS Google Académico

Holland, JH Algoritmos genéticos. ciencia Soy. 267, 66–73 (1992).

Artículo ANUNCIOS Google Académico

Rechenberg, I. Estrategia de evolución: la forma de optimización de la naturaleza. En Optimización: métodos y aplicaciones, posibilidades y limitaciones (ed. Bergmann, HW) 106–126 (Springer, 1989).

Capítulo Google Académico

Koza, JR & Poli, R. Programación genética. En Metodologías de búsqueda (eds Burke, EK & Kendall, G.) 127–164 (Springer, 2005).

Capítulo Google Académico

Van Laarhoven, PJ & Aarts, EH Recocido simulado. En Recocido simulado: teoría y aplicaciones (eds Aarts, E. & van Laarhoven, PJ) 7–15 (Springer, 1987).

Capítulo MATEMÁTICAS Google Scholar

Rashedi, E., Nezamabadi-Pour, H. & Saryazdi, S. Gsa: Un algoritmo de búsqueda gravitacional. información ciencia 179, 2232–2248 (2009).

Artículo MATEMÁTICAS Google Académico

Erol, OK & Eksin, I. Un nuevo método de optimización: Big bang-big crunch. Adv. Ing. suave 37, 106–111 (2006).

Artículo Google Académico

Azizi, M. Búsqueda orbital atómica: un algoritmo metaheurístico novedoso. aplicación Matemáticas. Modelo. 93, 657–683 (2021).

Artículo MathSciNet MATEMÁTICAS Google Académico

Kaveh, A. & Talatahari, S. Un nuevo método de optimización heurística: búsqueda de sistemas cargados. Acta Mech. 213, 267–289 (2010).

Artículo MATEMÁTICAS Google Académico

Dorigo, M., Birattari, M. & Stutzle, T. Optimización de colonias de hormigas. Cómputo IEEE. Intel. revista 1, 28–39 (2006).

Artículo Google Académico

Acharya, D. & Das, DK Enfoque de optimización de enjambre para diseñar un controlador pid para el sistema respiratorio humano con ventilación artificial. computar Métodos Progr. biomedicina 198, 105776 (2020).

Artículo Google Académico

Mirjalili, S. & Lewis, A. El algoritmo de optimización de ballenas. Adv. Ing. suave Rev. 95, 51–67 (2016).

Artículo Google Académico

Shadravan, S., Naji, HR y Bardsiri, VK El optimizador de pez vela: un algoritmo metaheurístico novedoso inspirado en la naturaleza para resolver problemas de optimización de ingeniería con restricciones. Ing. aplicación Artefacto Intel. 80, 20–34 (2019).

Artículo Google Académico

Srivastava, A. & Das, DK Un optimizador de delfín nariz de botella: una aplicación para resolver el problema de despacho económico de emisiones dinámicas en la microrred. Sistema basado en conocimientos. 243, 108455 (2022).

Artículo Google Académico

Rao, RV, Savsani, VJ y Vakharia, D. Optimización basada en la enseñanza y el aprendizaje: un método novedoso para problemas de optimización de diseño mecánico con restricciones. computar Ayudó a Des. 43, 303–315 (2011).

Artículo Google Académico

He, S., Wu, QH & Saunders, JR Optimizador de búsqueda del grupo: un algoritmo de optimización inspirado en el comportamiento de búsqueda de los animales. Trans. IEEE. Evol. computar 13, 973–990 (2009).

Artículo Google Académico

Atashpaz-Gargari, E. & Lucas, C. Algoritmo competitivo imperialista: un algoritmo para la optimización inspirado en la competencia imperialista. En 2007 Congreso IEEE sobre Computación Evolutiva, 4661–4667 (IEEE, 2007).

Srivastava, A. & Das, DK Algoritmo de optimización de búsqueda criminal: una técnica de optimización metaheurística basada en la población para resolver problemas de optimización del mundo real. Árabe. J. Ciencia. Ing. 47, 3551–3571 (2022).

Artículo Google Académico

Wolpert, DH & Macready, WG No hay teoremas de almuerzo gratis para la optimización. Trans. IEEE. Evol. computar 1, 67–82 (1997).

Artículo Google Académico

Geem, ZW, Kim, JH & Loganathan, GV Un nuevo algoritmo de optimización heurística: Búsqueda de armonía. Simulación 76, 60–68 (2001).

Artículo Google Académico

Chu, S.-C., Tsai, P.-W. & Pan, J.-S. Optimización de enjambre de gatos. En Pacific Rim International Conference on Artificial Intelligence, 854–858 (Springer, 2006).

Mucherino, A. & Seref, O. Monkey search: Una nueva búsqueda metaheurística para la optimización global. En Actas de la Conferencia AIP, vol. 953, 162–173 (Instituto Americano de Física, 2007).

Lu, X. & Zhou, Y. Un algoritmo de convergencia global novedoso: algoritmo de recolección de polen de abejas. En Conferencia Internacional sobre Computación Inteligente, 518–525 (Springer, 2008).

Shiqin, Y., Jianjun, J. y Guangxing, Y. Optimización de un compañero de delfines. En 2009, Congreso Mundial de la IRG sobre Sistemas Inteligentes, vol. 1, 124–128 (IEEE, 2009).

Tan, Y. & Zhu, Y. Algoritmo de Fireworks para optimización. En International Conference in Swarm Intelligence, 355–364 (Springer, 2010).

Gandomi, AH & Alavi, AH Rebaño de krill: un nuevo algoritmo de optimización bioinspirado. común Ciencia no lineal. número Simul. 17, 4831–4845 (2012).

Artículo ADS MathSciNet MATH Google Scholar

Yang, X.-S. Algoritmo de polinización de flores para optimización global. En Conferencia internacional sobre computación no convencional y computación natural, 240–249 (Springer, 2012).

Eskandar, H., Sadollah, A., Bahreininejad, A. y Hamdi, M. Algoritmo del ciclo del agua: un nuevo método de optimización metaheurística para resolver problemas de optimización de ingeniería con restricciones. computar Estructura. 110, 151–166 (2012).

Artículo Google Académico

Sadollah, A., Bahreininejad, A., Eskandar, H. y Hamdi, M. Algoritmo de explosión de minas: un nuevo algoritmo basado en la población para resolver problemas de optimización de ingeniería con restricciones. aplicación Cómputo suave. 13, 2592–2612 (2013).

Artículo Google Académico

Ramezani, F. & Lotfi, S. Algoritmo de base social (sba). aplicación Cómputo suave. 13, 2837–2856 (2013).

Artículo Google Académico

Zheng, Y.-J. Optimización de ondas de agua: una nueva metaheurística inspirada en la naturaleza. computar oper. Res. 55, 1–11 (2015).

Artículo MathSciNet MATEMÁTICAS Google Académico

Mirjalili, S. Algoritmo de optimización de llama de polilla: un nuevo paradigma heurístico inspirado en la naturaleza. Sistema basado en conocimientos. 89, 228–249 (2015).

Artículo Google Académico

Kashan, AH Una nueva metaheurística para la optimización: Optimización inspirada en la óptica (oio). computar oper. Res. 55, 99–125 (2015).

Artículo MathSciNet MATEMÁTICAS Google Académico

Mirjalili, S. Algoritmo Dragonfly: una nueva técnica de optimización metaheurística para resolver problemas de un solo objetivo, discretos y de múltiples objetivos. Cómputo neuronal. aplicación 27, 1053–1073 (2016).

Artículo Google Académico

Jaddi, NS, Alvankarian, J. & Abdullah, S. Algoritmo inspirado en el riñón para problemas de optimización. común Ciencia no lineal. número Simul. 42, 358–369 (2017).

Artículo ADS MATH Google Scholar

Saremi, S., Mirjalili, S. & Lewis, A. Algoritmo de optimización Grasshopper: Teoría y aplicación. Adv. Ing. suave 105, 30–47 (2017).

Artículo Google Académico

Srivastava, A. & Das, DK Un nuevo algoritmo de optimización de kho-kho: una aplicación para resolver el problema del despacho económico de emisiones combinadas y el despacho económico combinado de calor y energía. Ing. aplicación Artefacto Intel. 94, 103763 (2020).

Artículo Google Académico

Saggiorato, G. et al. El espermatozoide humano dirige con los segundos armónicos del latido flagelar. Nat. común 8, 1–9 (2017).

Artículo CAS Google Académico

Eisenbach, M. & Giojalas, LC Guía de esperma en mamíferos: un camino sin pavimentar hacia el óvulo. Nat. Rev Mol. Biol celular. 7, 276–285 (2006).

Artículo CAS Google Académico

Kirkman-Brown, JC, Sutton, KA & Florman, HM Cómo atraer un espermatozoide. Nat. Biol celular. 5, 93–95 (2003).

Artículo CAS Google Académico

Budrikis, Z. La natación de esperma es más complicada de lo que se pensaba. Nat. Rev. Phys. 2, 461–461 (2020).

Artículo Google Académico

Gaffney, EA, Ishimoto, K. & Walker, BJ Modelado de la motilidad: Las matemáticas de los espermatozoides. Frente. Desarrollo celular Biol. 9, 710825 (2021).

Artículo Google Académico

Raveshi, MR et al. La curvatura en el tracto reproductivo altera las interacciones esperma-superficie. Nat. común 12, 1–10 (2021).

Artículo Google Académico

Suarez, SS Control de la hiperactivación en espermatozoides. Tararear. reprod. Actualización 14, 647–657 (2008).

Artículo CAS Google Académico

Leung, et al. Simulación de la naturaleza en la selección de espermatozoides para reproducción asistida. Nat. Rev.Urol. 19, 16–36 (2022).

Artículo CAS Google Académico

Ravaux, B., Garroum, N., Perez, E., Willaime, H. & Gourier, C. Un modo específico de batido de flagelos para inducir la fusión en la fertilización de mamíferos y la cinética de la internalización de los espermatozoides. ciencia Rep. 6, 1–13 (2016).

Artículo Google Académico

Zhang, Z. et al. Reotaxis del esperma humano: un proceso físico pasivo. ciencia Rep. 6, 1–8 (2016).

Google Académico

Tian, F.-B. & Wang, L. Modelado numérico de la natación de espermatozoides. Fluidos 6, 73 (2021).

Artículo ADS CAS Google Académico

Liu, Q.-Y., Tang, X.-Y., Chen, D.-D., Xu, Y.-Q. & Tian, F.-B. Estudio hidrodinámico de los espermatozoides nadando cerca de una pared basado en el método de Boltzmann de red límite sumergida. Ing. aplicación computar Mecánica de fluidos 14, 853–870 (2020).

Google Académico

Choudhary, A., Paul, S., Rühle, F. & Stark, H. Cómo la sustentación inercial afecta la dinámica de un micronadador en el flujo de Poiseuille. común física 5, 1–9 (2022).

Artículo Google Académico

Lin, S., Ke, M., Zhang, Y., Yan, Z. y Wu, J. Estructura de un complejo de canales catiónicos de esperma de mamífero. Naturaleza 595, 746–750 (2021).

Artículo ADS CAS Google Académico

Amraee, T. Coordinación de relés de sobreintensidad direccionales mediante algoritmo buscador. Trans. IEEE. Entrega de energía 27, 1415–1422 (2012).

Artículo Google Académico

Albasri, FA, Alroomi, AR & Talaq, JH Coordinación óptima de relés direccionales de sobrecorriente utilizando algoritmos de optimización basados en biogeografía. Trans. IEEE. Entrega de energía 30, 1810–1820 (2015).

Artículo Google Académico

Corrêa, R., Cardoso, G. Jr., de Araújo, OC & Mariotto, L. Coordinación en línea de relés direccionales de sobrecorriente usando programación entera binaria. Sistema de energía eléctrica Res. 127, 118–125 (2015).

Artículo Google Académico

Sarwagya, K., Nayak, PK y Ranjan, S. Coordinación óptima de relés de sobreintensidad direccionales en redes de distribución complejas utilizando el algoritmo seno coseno. Sistema de energía eléctrica Res. 187, 106435 (2020).

Artículo Google Académico

Korashy, A., Kamel, S., Jurado, F. y Youssef, A.-R. Algoritmo de optimización de ballena híbrido y algoritmo de optimización de lobo gris para una coordinación óptima de los relés de sobrecorriente de dirección. Componente de Energía Eléctrica. sist. 47, 644–658 (2019).

Artículo Google Académico

Korashy, A., Kamel, S., Youssef, A.-R. & Jurado, F. Algoritmo del ciclo del agua modificado para la coordinación óptima de relés de sobrecorriente de dirección. aplicación Cómputo suave. 74, 10–25 (2019).

Artículo Google Académico

Kida, AA, Rivas, AEL & Gallego, LA Un algoritmo híbrido mejorado de programación lineal de recocido simulado aplicado a la coordinación óptima de relés direccionales de sobrecorriente. Sistema de energía eléctrica Res. 181, 106197 (2020).

Artículo Google Académico

Hunnekens, B., Kamps, S. y Van De Wouw, N. Control de ganancia variable para sistemas respiratorios. Trans. IEEE. Sistema de control Tecnología 28, 163–171 (2018).

Artículo Google Académico

Sakthiya Ram, S., Kumar, C., Ramesh Kumar, A. & Rajesh, T. Sistema de respiración artificial automático basado en técnicas de optimización híbrida para pacientes con corona. Automatika 63, 226–243 (2022).

Artículo Google Académico

Descargar referencias

Departamento de Ingeniería Eléctrica y Electrónica, Instituto Nacional de Tecnología Nagaland, Dimapur, 797103, India

Debasis Acharya y Dushmanta Kumar Das

También puede buscar este autor en PubMed Google Scholar

DA: Hipótesis, Método y Metodología, Redacción original. DKD: Hipótesis, Supervisión, Revisión y Corrección.

Correspondencia a Dushmanta Kumar Das.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Acharya, D., Das, DK Un novedoso Human Conception Optimizer para resolver problemas de optimización. Informe científico 12, 21631 (2022). https://doi.org/10.1038/s41598-022-25031-6

Descargar cita

Recibido: 12 Septiembre 2022

Aceptado: 23 de noviembre de 2022

Publicado: 14 diciembre 2022

DOI: https://doi.org/10.1038/s41598-022-25031-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Blog