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

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。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值