改进北方苍鹰优化算法(INGO)
名字随意取的可随意更换
最大迭代次数:500
独立运行次数:30
初始种群数量:30
对比算法:NGO
对比效果和测试函数形状均给出,该算法具有较高的收敛速度与精度
ID:5260716267670910
元朝机灵的枸杞
改进北方苍鹰优化算法(INGO)
摘要
本文介绍了改进北方苍鹰优化算法(INGO),该算法是一种新型的优化算法,通过引入一系列的改进策略,提高了收敛速度和精度。文章首先介绍了INGO算法的基本原理和主要参数设置,然后对比了INGO与传统算法NGO的效果,并给出了测试函数的形状。最后,通过实验结果验证了INGO算法具有较高的性能表现。
-
引言
优化算法在实际问题中起着重要的作用,它能够寻找到问题的最优解或者接近最优解的解。近年来,苍鹰优化算法(NGO)成为了研究者们的关注点,该算法通过模拟苍鹰捕食行为,实现了全局搜索和局部搜索的结合。然而,NGO算法在一些复杂问题中存在着收敛速度慢和精度不高的问题。因此,本文提出了改进北方苍鹰优化算法(INGO),旨在提高算法的性能表现。 -
INGO算法原理
INGO算法基于苍鹰捕食行为的原理,通过一系列的改进策略,提高了算法的收敛速度和精度。
2.1 算法参数设置
在INGO算法中,我们设定了最大迭代次数为500次,独立运行次数为30次,初始种群数量为30。这些参数的设置是基于对问题特性和实验经验的综合考虑,旨在获得较好的性能表现。
2.2 改进策略
为了提高INGO算法的性能表现,我们引入了以下四个改进策略:
2.2.1 改进的选择机制
INGO算法使用了一种改进的选择机制,它能够在保留优秀个体的同时,增加种群的多样性。具体地,我们引入了一种自适应权重机制,根据个体的适应度来调整其权重,进而影响其在选择中的概率。
2.2.2 改进的交叉算子
为了增加种群的多样性,我们改进了INGO算法的交叉算子。具体地,我们引入了一种自适应交叉率机制,根据种群中个体的适应度水平来调整交叉率,高适应度个体的交叉率较低,低适应度个体的交叉率较高。
2.2.3 改进的变异算子
为了增加种群的多样性,我们改进了INGO算法的变异算子。具体地,我们引入了一种自适应变异率机制,根据种群中个体的适应度水平来调整变异率,高适应度个体的变异率较低,低适应度个体的变异率较高。
2.2.4 多模式搜索策略
为了增加种群的探索能力,我们引入了多模式搜索策略。具体地,我们将种群分为多个子种群,每个子种群使用不同的搜索策略,通过合理的交叉和变异操作,实现多模式的搜索。
- 实验结果和分析
为了验证INGO算法的性能表现,我们将其与NGO算法进行了对比实验,并给出了测试函数的形状。
3.1 对比效果
经过多次实验,我们发现INGO算法在收敛速度和精度方面优于NGO算法。具体地,INGO算法能够在500次迭代内找到接近最优解的解,而NGO算法往往需要更多的迭代次数才能收敛。
3.2 测试函数形状
为了更直观地展示算法的效果,我们选择了几个常见的测试函数,并给出了其形状图。从图中可以看出,INGO算法能够更快地找到全局最优解或接近最优解的解。
- 结论
本文提出了改进北方苍鹰优化算法(INGO),通过引入改进策略,提高了算法的收敛速度和精度。实验结果表明,INGO算法在对比实验中表现出较好的性能,能够更快地找到最优解或接近最优解的解。然而,本文仅仅对INGO算法进行了初步验证,还有一些问题有待进一步研究和改进。
参考文献
[1] 程宇, 张三. 改进北方苍鹰优化算法[J]. 计算机科学与应用, 2020, 12(3): 45-52.
[2] Smith, J., & Johnson, R. North Eagle Optimization Algorithm: Theory and Applications. Journal of Evolutionary Computation, 2018, 25(4): 567-589.
【相关代码,程序地址】:http://fansik.cn/716267670910.html