由于灵活性、简单性和鲁棒性等原因,元启发法在科学和工业问题的优化中得到了广泛的应用。灰狼优化算法(GWO)是该领域中最新、最受欢迎的算法之一。在这项工作中,基于对立面的学习(OBL)与 GWO 相结合,以增强其探索性行为,同时保持快速收敛速度。Spearman 的相关系数被用来确定 ω 狼(狼群中社会地位最低的狼)在哪里进行对立学习。不是反对所有的维度在狼,几个维度的狼被选择的反对是适用的。这有助于避免不必要的探索,并在不降低找到最佳解决方案的可能性的情况下实现快速收敛。该算法在23个优化函数上进行了测试。广泛的比较研究表明了该方法的优越性。
基于选择性对抗的灰狼优化/对立学习的灰狼优化算法/Selective Opposition based Grey Wolf Optimization
最新推荐文章于 2024-07-25 22:24:14 发布