目录
前言
瞪羚优化算法(Gazelle Optimization Algorithm, GOA)是一种新型的元启发式算法,由Benyamin Abdollahzadeh等人于2022年提出,受到野生瞪羚的社会生活和等级制度的启发。这种算法模拟了瞪羚在自然环境中的行为模式,包括全局搜索、局部搜索和瞪羚逃生三个阶段。在瞪羚优化算法中,种群随机初始化,并通过模拟瞪羚的迁徙、交配等行为来进行优化搜索。具体来说,算法通过模拟瞪羚在迁徙过程中的行为,如雌雄混群和领地雄性的分开等,来实现对问题的优化。此外,瞪羚优化算法还包含了正交学习机制和Rosenbrock直接旋转策略,以防止算法在搜索过程中失衡,扩大直接寻优区域,并提升算法的寻优效率。
瞪羚优化算法特别适用于解决现实世界中的复杂问题,这些问题通常具有广泛的维度和局限性,被归类为NP困难问题。实验结果表明,瞪羚优化算法在最高基准测试函数上的表现优于同类算法,即使在增加优化问题的维度时,也能保持其搜索功能并显示出良好的性能。这种优化器被认为是一种有效的工具,可以帮助解决具有多个变量和复杂约束条件的优化问题。