Comments 1
Метод ради метода? Нормального сравнения с аналогами нет, чем это лучше обычной генетического или роевого алгоритма? Кроме замены терминов выбора партнера для размножения и мутации на "агента" и опять же мутацию. Применение для скрещивания случайных партнеров в генетических алгоритмах позволяет хотя бы заявлять о сохранении сходимости для глобального решения. Ваш метод - свалится в локальный экстремум как миленький. Нет формирования случайных членов поколения, так что называть это глобальным методом неверно, он сойдется к экстремуму, зону бифуркации которого затронет хотя бы 1 член.
Тезис о оптимизации не подтвержден, хотя бы RAM прогнали, оценили число операций, скорость сходимости. Все проанализированные функции унимодальные, а пишите про глобальный поиск решений, нехорошо. Точности решений не содержат размер шага изменения.
Вообще генетической семейство методов очень чувствительно к размеру и шагу изменения вектора состояния каждого члена популяции, говорить что корректен тезис " непрерывные модели формирования мнений для решения однотипных задач оптимизации", с учетом, что вы ищете дискретное решение, можно только при условии гладкости целевой функции. Это очень ограничивает класс задач для решения. Например в классификаторах на основе нейронных сетей границы классов вполне нормально имеют разрывы первого рода, хотя локальные аппроксимации целевых функций классов непрерывные с точки зрения формул. При применении оригинальной стохастики и роевых функций разрывы по большому счету опасности не представляют и легко обрабатываются введением штрафных или барьерных функций и наличием значительного вклада случайных процессов.
Подход к глобальной оптимизации, основанный на формировании мнений в сложных сетях