混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA)：提升全局探索能力与收敛精度的实验评估

混合柯西变异和均匀分布的蝗虫优化算法 何庆
摘 要: 由于位置更新公式存在局部开发能力较强而全局探索能力较弱的缺陷,导致蝗虫优化算法(GOA)易陷入局部最优以及早熟收敛,对此,提出一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA). 受柯西算子和粒子群算法的启发,提出具有分段思想的位置更新方式以增加种群多样性,增强全局探索能力;将柯西变异算子与反向学习策略相融合,对最优位置即目标值进行变异更新,提高算法跳出局部最优的能力;为了更好地平衡全局探索与局部开发,将均匀分布函数引入非线性控制参数c,构建新的随机调整策略.通过对12个基准函数和CEC2014函数进行仿真实验以及Wilcoxon秩和检验的方法来评估改进算法的寻优能力,实验结果表明, HCUGOA算法在收敛精度和收敛速度等方面都得到极大的改进
MATLAB代码

ID:9139674229942402

一个人的け世界

混合柯西变异和均匀分布的蝗虫优化算法

摘 要：
蝗虫优化算法(GOA)在寻优问题中存在局部最优和早熟收敛的问题。为了克服这些缺陷，本文提出了一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA)。该算法受柯西算子和粒子群算法的启发，采用分段思想的位置更新方式，以增加种群的多样性和增强全局探索能力。同时，将柯西变异算子与反向学习策略相融合，对最优位置进行变异更新，提高了算法跳出局部最优的能力。为了平衡全局探索和局部开发，引入非线性控制参数c和均匀分布函数，构建了新的随机调整策略。通过对12个基准函数和CEC2014函数的仿真实验以及Wilcoxon秩和检验的方法来评估改进算法的性能。实验结果表明，HCUGOA算法在收敛精度和收敛速度方面都取得了显著的改进。

引言：
现代计算机应用中的优化问题日益复杂，传统的优化算法往往难以高效地解决这些问题。蝗虫优化算法是一种基于自然界蝗虫觅食行为的启发式优化算法，已经得到了广泛的应用。然而，GOA算法存在着局部最优和早熟收敛的问题，这对算法的性能和应用效果造成了一定的制约。

方法：
为了提高蝗虫优化算法的性能，本文提出了一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA)。首先，我们采用分段思想的位置更新方式，增加了种群的多样性和全局探索能力。具体而言，根据柯西算子和粒子群算法的启发，我们将位置更新公式进行改进，以在不同阶段进行不同的更新。这样一来，蝗虫可以在执行搜索过程中适应不同的环境，并更好地平衡全局探索和局部开发的能力。

其次，为了增强算法的跳出局部最优的能力，我们将柯西变异算子和反向学习策略相融合。具体而言，我们对最优位置进行变异更新，以增加种群的多样性。这样一来，蝗虫可以更好地跳出局部最优并探索更广泛的解空间。

另外，为了平衡全局探索和局部开发，我们引入了非线性控制参数c和均匀分布函数。通过调整参数c，我们可以控制蝗虫的探索程度，进而平衡全局搜索和局部开发的能力。同时，通过引入均匀分布函数，我们使得蝗虫在搜索过程中具有一定的随机性，增加了算法的探索能力。

实验结果：
为了评估HCUGOA算法的性能，本文对12个基准函数和CEC2014函数进行了仿真实验。实验结果表明，与传统的蝗虫优化算法相比，HCUGOA算法在收敛精度和收敛速度方面都取得了显著的改进。通过Wilcoxon秩和检验方法进行统计分析，结果显示HCUGOA算法在大多数情况下优于传统的GOA算法。

结论：
本文提出了一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA)，该算法通过改进位置更新方式和引入柯西变异算子、反向学习策略以及均匀分布函数，克服了传统GOA算法的局部最优和早熟收敛的问题。实验结果表明，HCUGOA算法在寻优能力方面表现出明显的优势。这一方法可以应用于各种优化问题的求解中，并取得更好的效果。

关键词：蝗虫优化算法；柯西变异；均匀分布；分段思想；全局探索；局部开发；收敛精度；收敛速度；

以上相关代码,程序地址：http://matup.cn/674229942402.html