改进的灰狼优化算法及其高维函数和FCM优化.PDF
第xx 卷 第x 期 控 制 与 决 策 Vol.xx No.x
xxxx 年 x月 Control and Decision xxx.xxxx
DOI: 10.13195/j.kzyjc.2018.0146
改进的灰狼优化算法及其高维函数和FCM 优化
张新明 , 王 霞 , 康 强
(1. 河南师范大学计算机与信息工程学院, 河南新乡453007;
2. 河南省高校计算智能与数据挖掘工程技术研究中心, 河南新乡453007)
摘 要: 最近提出的灰狼优化算法(Grey Wolf Optimizer, GWO) 具有较强的局部搜索能力和较快的收敛速度等
优点, 但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题. 因此, 提出了一种改进的GWO, 即新型
反向学习和差分变异的GWO(GWO with Opposition-learning and Differential mutation, ODGWO). 首先, 提出一种
最优最差反向学习策略和一种动态随机差分变异算子, 并将它们融入到GWO 中, 以便增强全局搜索能力; 然后,
为了很好地平衡探索与开采能力以提升整体的优化性能, 对算法前、后半搜索阶段分别采用单维操作和全维操
作形成ODGWO; 最后, 将ODGWO 用于高维函数和模糊C 均值(Fuzzy C-Means, FCM) 聚类优化. 实验结果表
明, 在许多高维Benchmark 函数(30 维、50 维和1000 维) 优化上, ODGWO 的搜索能力大幅度领先于GWO, 与
state-of-the-art 优化算法如GWOepd、HGWO、MEABC、CSPSO、SinDE、RLPSO 和DELLU 相比,ODGWO 具
有更好的优化性能. 在7 个标准数据集的FCM 聚类优化上, 与GWO、GWOepd 和LGWO 相比, ODGWO 表现
出了更好的聚类优化性能, 可应用在更多的实际优化问题上.
关键词: 智能优化算法;灰狼优化算法;反向学习;差分变异;模糊C 均值(FCM) 聚类;高维函数优化
中图分类号: TP181 文献标志码: A
Improved grey wolf optimizer and its application to high-dimensional
function andFCMoptimization
ZHANGXin-ming , WANGXia , KANGQiang
(1. College of Computer and Information Engineering, Henan Normal University, Xinxiang 453007, China;2.
Engineering Technology Research Center for Computing Intelligence & Data Mining of Henan Province,
Xinxiang453007, China)
Abstract: The Grey Wolf Optimizer (GWO) algorithm proposed recently has strong local search ability and fast
convergence, but it has some defects, such as poor global search ability in solving high-dimensional functi