摘要: 为增强藤壶配尾优化算法(barnacles mating optimizer, BMO)的全局探索性能和局部寻优精度,融合藤壶幼虫的沉降附着行为与正反向递减铸型策略提出一种改进藤壶配尾优化算法(improved BMO, IBMO)并将其用于求解高维连续优化问题。沉降附着行为模型受自然界藤壶幼虫随潮浮游、螺旋沉降的行为启发所构建,以增加种群多样性并改善算法的全局探索性能。正反向递减铸型策略借鉴反向学习思想并融入递减调控机制修正传统藤壶优化算法的精子铸型过程,以扩增种群的局部搜索域并改善算法的局部开采性能。实验结果表明,两种策略可分别有效改善藤壶优化算法的全局探索和局部开采性能;同时,所提IBMO算法相较于其他新近智能算法则表现出更高收敛精度、更强算法稳健性和良好高维适用性等。
- 关键词:
- 智能优化算法 /
- 藤壶优化算法 /
- 沉降附着行为 /
- 正反向递减铸型策略 /
- 局部极值规避 /
- 高维函数优化 /
- 全局寻优 /
- 收敛精度
优化是在满足一系列约束条件下,选择一组参数变量,寻找使其目标函数值达到最优的过程[1-2]。当前科学工程问题的复杂性和多样性驱使优化问题的变量维度越趋大规模化、函数目标越趋高维化,并进一步显著增加问题的求解难度,而牛顿法、梯度下降法等传统优化算法在求解这些问题时却容易陷入局部极值,甚至是复杂多耦合约束条件下难以运行求解的窘境[3-4]。智能优化算法(intelligence optimization algorithm, IOA)得益于其初值不敏感性、无需函数梯度信息等无严格要求的优势,而成为求解大规模、高维等复杂优化问题的一类有效的随机搜索算法[5-6]。目前,IOA算法已被