![](https://img-blog.csdnimg.cn/f301df6e6ed847c49870afb2753fcec3.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
最优化问题
文章平均质量分 95
分享解决最优化问题的算法
心️升明月
无小号~~
代码请私信博主交流!!!
展开
-
改进粒子速度和位置更新公式的粒子群优化算法
针对粒子群优化算法求解精度低、局部搜索能力差、进化后期收敛速度慢等问题,本文提出一种改进粒子速度和位置更新公式的粒子群优化算法(Particle swarm optimization algorithm with improved particle velocity and position update formula, IPSO-VP)。IPSO-VP算法提出一种自适应粒子速度和位置更新策略,采用基于Logistic混沌呈非线性变化的惯性权重,以此来加快算法的收敛速度、平衡算法的全局和局部搜索能力、提高原创 2022-11-11 20:25:58 · 9040 阅读 · 20 评论 -
基于寄生-捕食算法的函数寻优算法
一开始,强大的捕食效率导致猫和乌鸦的爆炸性增长减少,无法为布谷鸟提供足够的生存资源,因此布谷鸟灭绝。Levy飞行在搜索空间的探索上优于均匀随机分布,因此用它代替均匀随机运动来模拟陷入局部最优、过早收敛的规避行为,提高整体搜索空间的探索能力。文献[1]提出了一种新的元启发式优化方法—寄生-捕食算法(Parasitism-Predation Algorithm, PPA),该算法在乌鸦-布谷鸟-猫系统模型中模拟捕食者(猫)、寄生虫(布谷鸟)和宿主(乌鸦)之间的相互作用,以克服大数据的低收敛性和维数诅咒的问题。原创 2022-11-02 11:07:04 · 2012 阅读 · 0 评论 -
基于鸡群优化算法的函数寻优算法
CSO模拟了鸡群的等级秩序和鸡群(包括公鸡、母鸡和小鸡)的行为,可以有效地提取鸡的群体智能来优化问题。至于母鸡,它们可以跟随同组的公鸡寻找食物。此外,它们还会随机偷吃其他鸡发现的好食物,尽管它们会被其他鸡压制。更强势的母鸡在争夺食物时比更顺从的母鸡更有优势。适应度值较优的公鸡比适应度值较差的公鸡优先获得食物。为简单起见,可以用适应度值较优的公鸡比适应度值较差的公鸡在更大范围内寻找食物的情况来模拟这种情况。是鸡(公鸡或母鸡)的索引,从群体中随机选择。是从公鸡组中随机选择的公鸡索引;是公鸡的索引,它是第。原创 2022-11-01 11:43:02 · 1720 阅读 · 0 评论 -
基于火鹰优化算法的函数寻优算法
文献[1]提出了火鹰优化算法(Fire Hawk Optimizer, FHO)作为一种新的元启发式算法,该算法基于啸鸢、麻鹰和褐隼的觅食行为,这些鸟类被称为火鹰,因为它们在自然界中捕捉猎物的具体行动,特别是通过“放火”的方式。FHO元启发式算法模拟了火鹰的觅食行为,考虑了生火和传火以及捕获猎物的过程。首先,确定若干候选解(XXX)作为火鹰和猎物的位置向量,利用一个随机初始化过程来确定这些向量在搜索空间中的初始位置。X=[X1X2⋮Xi⋮XN]=[x11x12⋯x1j⋯x1dx21x22⋯x2j⋯x2d⋮原创 2022-10-31 13:07:16 · 1966 阅读 · 0 评论 -
基于驾驶训练优化算法的函数寻优算法
文献[1]提出了一种新的随机优化算法,即基于驾驶训练的随机优化算法(Driving Training‑Based Optimization, DTBO),该算法模拟了驾驶员的驾驶训练行为。DTBO设计背后的基本灵感来自于驾校学习驾驶的过程和驾校教练的培训。DTBO的数学模型分为三个阶段:(1)驾驶教练的训练;(2)教练技能对学生的模式化;(3)实践。DTBO是一种基于种群的元启发式方法,其成员包括驾驶学习者和教员。DTBO成员是使用式(1)中称为种群矩阵的矩阵建模的给定问题的候选解决方案。使用式(2)随机原创 2022-10-25 10:40:22 · 1224 阅读 · 0 评论 -
探索增强型灰狼优化算法
基于上述(1)(2)两种策略的探索增强型灰狼优化算法(Exploration-enhanced grey wolf optimizer algorithm, EEGWO)的伪代码如图2所示。为了增强GWO的性能,研究其位置更新公式是目前比较活跃的研究方向。被选择为非线性递减量,而不是线性递减策略,将获得更好的性能。基于上述考虑,与之前的其他工作不同,修改了控制参数。由于GWO算法的搜索过程是非线性和高度复杂的,线性控制参数。实验结果表明:提出的EEGWO算法显著提高了GWO算法的性能。表示非线性调整指数,原创 2022-10-21 12:49:50 · 2680 阅读 · 6 评论 -
基于海马优化算法的函数寻优算法
文献[1]以自然界中海马的运动、捕食和繁殖行为为灵感,提出了一种新的基于群体智能的元启发式算法——海马优化算法(Sea-horse optimizer, SHO)。与其他现有的元启发式相似,SHO也从种群初始化开始。设每只海马代表问题搜索空间中的一个候选解,海马的整个种群(简称海马)可表示为:Seahorses=[x11⋯x1Dim⋮⋱⋮xpop1⋯xpopDim](1)Seahorses=\begin{bmatrix}x_1^1 & \cdots & x_1^{Dim}\\\vdots & \ddots原创 2022-10-17 11:48:26 · 2385 阅读 · 3 评论 -
基于技能优化算法的函数寻优算法
如果为总体的每个成员计算的新位置改进了目标函数的值,则是可以接受的。在探索阶段,SOA的设计是为了让SOA成员在不同成员的指导下在搜索空间中移动,并防止其仅向最佳成员的方向移动。在SOA中,这个概念被建模为局部搜索,目的是增加开发效率,使每个成员在其位置附近,寻求更好的条件来提高其目标函数的价值(这表示技能水平)。个候选解的目标函数值。考虑到为目标函数评估的值,最好的值标识最好的成员,同样,最差的值标识最差的成员。由于在每次迭代中更新了群体的成员和目标函数的值,因此在每次迭代中也更新了最佳成员和最差成员。原创 2022-10-15 11:38:32 · 1470 阅读 · 8 评论 -
求解大规模优化问题的改进正弦余弦算法
针对正弦余弦算法(Sine cosine algorithm,SCA)在求解大规模优化问题时收敛精度低,收敛速度慢,易陷入“维数灾难”的不足,提出一种带Lévy飞行的改进正弦余弦算法(Sine cosine algorithm with Lévy flight, SCAL)。SCAL通过将Lévy飞行分布与正弦余弦种群个体位置向量进行对应元素相乘运算,使Lévy飞行分布的特征和信息融入正弦余弦种群个体信息中,使其拥有Lévy飞行随机游走的特性,增强了个体局部开发和逃离局部极值的能力;采用基于空间距离的非线性原创 2022-10-14 13:31:35 · 966 阅读 · 0 评论 -
多策略融合改进的自适应蜉蝣算法
针对改进蜉蝣算法全局搜索能力较差、种群多样性较小和自适应能力弱等问题,提出一种多策略融合改进的自适应蜉蝣算法。首先采用Sin混沌映射初始化蜉蝣种群,使种群能够均匀分布在解空间中,提高初始种群质量,增强全局搜索能力;其次,引入Tent混沌映射和高斯变异对种群个体进行调节,增加种群多样性的同时调控种群密度,增强局部最优逃逸能力;然后,引入不完全伽玛函数,重构自适应动态调节的重力系数,建立起全局搜索和局部开发能力之间更好的平衡,进而提升算法收敛精度,有利于全局搜索寻找最优解的潜力;最后,采用随机反向学习策略原创 2022-10-13 10:38:31 · 2504 阅读 · 4 评论 -
基于神经网络算法的函数寻优和工程优化
文献[1]的研究以生物神经系统和人工神经网络为灵感,提出了一种求解复杂优化问题的元启发式优化算法——神经网络算法(Neural network algorithm, NNA),它是基于人工神经网络(Artificial neural networks, ANNs)的独特结构而发展起来的。为了解决优化问题,需要将决策变量的值表示为一个数组。在解释NNA过程之前,应该先介绍一下用来描述这种算法的关键术语。每个个体或代理,一个包含每个优化变量的值的集合,被称为“模式解”(例如,在GA中,这个数组被称为“染色体”)原创 2022-10-10 11:48:02 · 3324 阅读 · 0 评论 -
大规模优化问题的改进花朵授粉算法
花朵授粉算法(FPA)寻优结构新颖,寻优能力良好,但求解高维优化问题易陷入“维数灾难”。为提高FPA求解大规模优化问题的性能,提出一种改进花朵授粉算法(IFPA)。采用反向学习策略增加种群多样性,充分搜索解空间,提高初始种群质量;在自花授粉阶段,发挥当代最优位置的牵引作用,减少算法迭代代价,提高搜索效率,提出避免维间干扰的方法,采用逐维随机扰动策略对花粉个体进行更新,整体评价后接受更优解,提高了算法局部迭代质量。仿真结果表明:IFPA的求解精度大幅提高,收敛速度明显加快,鲁棒性强。原创 2022-10-08 12:53:24 · 1494 阅读 · 0 评论 -
基于差异演化的寄生樽海鞘群算法
提出一种差异演化的寄生樽海鞘群算法.首先在领导者位置更新公式中加入对应的上一代领导者位置信息,加强全局搜索的充分性,同时引入自适应惯性权重,更好平衡领导者在不同进化阶段对于广度和深度搜索的不同需求,提高寻优精度.然后在算法结构中引入具有不同演化策略和寄生行为机制的寄生-宿主双种群及宿主群劣汰思想,增加种群的多样性,提高算法跳出局部极值的能力.理论分析证明了改进算法的时间复杂度与基本算法相同,6种对比算法在10个不同特征的标准测试函数上进行仿真对比测试,结果表明该改进算法的寻优精度、收敛性能均有显著提高和改善原创 2022-10-07 20:48:13 · 2341 阅读 · 0 评论 -
基于正交设计的折射反向学习樽海鞘群算法
为克服基本樽海鞘群算法(SSA)存在的收敛速度慢、高维求解精度低等不足,提出正交折射反向学习机制和自适应惯性权重策略,嵌入SSA中,得到一种基于正交设计的折射反向学习樽海鞘群算法(OOSSA)。正交折射反向学习策略中,采用基于透镜成像原理的折射反向学习策略以加强对反向解空间的勘探,极大地降低了算法陷入局部最优的概率;采用正交试验设计构建若干部分维上取折射反向值的部分反向解,深度挖掘并保存当前个体和折射反向个体的优势维度信息。此外,在跟随者位置更新阶段引入惯性权重因子,有效地改善跟随者的搜索模式并增强算法的局原创 2022-10-06 19:27:27 · 2286 阅读 · 2 评论 -
多策略协同优化的改进HHO算法
为进一步提升哈里斯鹰优化算法(HHO)的收敛精度和迭代速度,提出一种多策略协同优化的改进HHO算法(MSHHO)。首先采用拉丁超立方抽样方法初始化种群,加强个体在解空间区域的均匀化分布程度;其次引入融合莱维飞行的自适应阿基米德螺旋机制于局部搜索阶段,完善算法开采机制并有效增强个体邻域的搜索严密性,提高算法收敛精度;最后鉴于算法在迭代后期易于陷入局部极值情形,采取柯西变异和反向学习的混合变异策略交替扰动最优个体以助其快速逃离局部极值区,加快算法迭代速度。原创 2022-10-04 11:24:00 · 2295 阅读 · 0 评论 -
基于政治优化算法的函数寻优算法
受政治多阶段过程的启发,文献[1]提出了一种新的全局优化算法——政治优化算法(Political Optimizer, PO)。实验结果表明:PO算法的优化性能优于其他比较算法。具体数学模型请参考文献[1]。PO算法伪代码如图1所示。原创 2022-10-03 11:21:48 · 717 阅读 · 0 评论 -
融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法
阿奎拉鹰优化算法(Aquila optimizer, AO)和哈里斯鹰优化算法(Harris hawks optimization, HHO)是近年提出的优化算法。针对原始算法存在的局限性,本文将两种算法混合并引入动态反向学习策略,提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先,在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外,混合算法分别保留了 AO的探索机制与 HHO的开发机制,提高算法的寻优能力。原创 2022-09-29 11:35:04 · 2148 阅读 · 1 评论 -
基于沙猫群优化算法的函数寻优算法
当一次迭代完成时,会选择到目前为止该迭代中适应度函数最优的沙猫,其他沙猫会在下一个迭代中尝试向这个最佳选择的猫移动。当然,在指定运动方向时,式(5)中声明的其他参数也是有效的。文献[1]提出了一种新的元启发式算法,称为沙猫群优化算法(Sand Cat swarm optimization, SCSO),该算法模拟了沙猫试图在自然界中生存的行为。SCSO算法得益于沙猫在低频探测方面的听觉能力,这样就声明了每只猫的敏感范围,沙猫可以感知低于2kHz的低频,在数学模型中,根据算法的工作原理,这个值(原创 2022-09-26 13:21:32 · 2122 阅读 · 6 评论 -
一种改进的混合阿奎拉鹰和哈里斯鹰优化算法
将AO的全局探索阶段和HHO的局部开发阶段结合起来,充分发挥这两种算法的优势,以保留算法的全局搜索能力、较快的收敛速度和跳出局部最优解的能力。同时,采用非线性逃逸能量机制控制算法从探索到开发的过渡,在后续迭代中保留全局探索的可能。早期主要进行全局搜索,后期主要进行局部搜索,保留全局搜索的可能性,如图1(b)所示。在迭代早期快速下降,这控制了算法的全局搜索能力,在迭代中期变化缓慢。还平衡了全局和局部搜索性能,并在迭代的后期迅速减少,以加强局部搜索。在原始的HHO算法中,逃逸能量。表示随机反向学习的解,原创 2022-09-20 15:58:28 · 2160 阅读 · 7 评论 -
基于阿奎拉探索方法的灰狼优化算法
首先,由于阿奎拉在第二个探索阶段已经找到了猎物,所以它的轨迹受到猎物的限制,这与灰狼包围猎物的方式类似。此外,非线性参数控制是防止迭代优化过程中过早收敛的有效方法。提出的基于阿奎拉探索方法的灰狼优化算法(AGWO)的执行流程如图1所示。实验结果表明:AGWO算法具有良好的性能。时,狼会接近猎物,即探索,所以将。原创 2022-09-19 10:43:46 · 1004 阅读 · 0 评论 -
采用协同搜索策略的算术优化算法
针对标准算术优化算法(AOA)存在的不足,提出一种新的采用协同搜索策略的算术优化算法(CSSAOA)。首先,采用乘法搜索与除法搜索协同并行搜索的策略来增强算法的全局探索能力;其次,采用减法搜索与加法搜索协同进行的策略来增强算法的局部搜索能力;再次,改进数学优化加速函数(MOA),使算法在搜索前期侧重进行全局探索,在搜索后期侧重开展局部开发,加快了算法的全局收敛速度;最后,采用外抛交叉变异策略对当前最优个体实施多样性变异,确保在算法搜索前期不至于吸引过多个体过早聚集到群体当前最优个体的周围,增强了算法跳出局部原创 2022-09-16 15:15:32 · 1398 阅读 · 3 评论 -
基于阶梯式Tent混沌和模拟退火的樽海鞘群算法
针对樽海鞘群算法寻优迭代过程中存在容易陷入局部最优、收敛速度慢的问题,提出一种改进的樽海鞘群算法 .引入Tent混沌映射初始化种群来提高算法迭代前期的收敛速度,通过惯性权值“阶梯式”调整策略来更好地兼顾算法全局探索能力和局部开发能力,通过模拟退火增强樽海鞘群算法迭代后期跳出局部最优解的能力,以基准测试函数和磁导航自动导引车模糊控制器参数寻优问题为例测试了算法性能 .仿真结果表明,对于单峰和多峰测试函数,改进后的樽海鞘群算法具有更快的收敛速度和更强的全局寻优能力。原创 2022-09-15 12:19:41 · 1335 阅读 · 2 评论 -
基于蒲公英优化算法的函数寻优算法
文献[1]模拟蒲公英种子依靠风的长距离飞行过程提出了一种新的群体智能仿生优化算法,称为蒲公英优化(Dandelion Optimizer, DO)算法,用于解决连续优化问题。与其他自然启发元启发式算法相似,DO在种群初始化的基础上进行种群进化和迭代优化。在提出的DO算法中,假设每个蒲公英种子代表一个候选解,其种群表示为:population=[x11⋯x1Dim⋮⋱⋮xpop1⋯xpopDim](1)population=\begin{bmatrix}x_1^1 & \cdots & x_1^{Dim}原创 2022-09-12 16:35:21 · 4946 阅读 · 2 评论 -
一种速度引导的哈里斯鹰优化算法
请参考这里。通过嵌入速度引导的位置搜索公式、非线性逃逸能量参数和基于折射反向的学习策略的3种策略对HHO算法进行了改进。PSO是Kennedy和Eberhart(1995)提出的一种高效有效的元启发式技术。它的想法来源于鸟类的觅食行为。在粒子群算法中,每个粒子都有自己的位置(XXX)和速度(vvv)。在迭代过程中,更新每个粒子的速度和位置:vi(t+1)=w×vi(t)+c1×r1×(Xpbest−Xi(t))+c2×r2×(Xgbest−Xi(t))(1)v_i(t+1)=w\times v_i(t)+c原创 2022-09-07 11:24:03 · 1329 阅读 · 0 评论 -
一种改进的多元宇宙优化算法
针对多元宇宙优化(MVO)算法中虫洞存在机制、白洞选择机制等不足,该文提出一种改进多元宇宙优化算法(IMVO)。设计固定概率的虫洞存在机制和前期快速收敛后期平缓收敛的虫洞旅行距离率,加快算法全局探索能力和快速迭代能力;提出黑洞的随机白洞选择机制,设计黑洞围绕白洞恒星进行公转并模型化,解决代间宇宙信息沟通的问题,中低维度数值比较实验验证了改进算法的优良性能。原创 2022-09-06 12:32:35 · 1753 阅读 · 0 评论 -
基于儿童绘画发展优化算法的函数寻优算法
这种行为被应用到算法中,通过从十个孩子最好的画中随机选择一个来更新当前的画,它有一个精确的黄金比例,但手的压力无关紧要。运动可以是线性的,也可以是弯曲的,因为孩子观察到直线的运动会产生直线,而手的任何其他运动都会产生曲线。在这一阶段,绘画更加标准和复制,孩子将他/她的绘画与他/她所学的最佳模式进行比较,并定义到目前为止的最佳草图,还通过模仿周围最好的艺术家并将他们的绘画与小组迄今为止的最佳素描进行比较来重新创建新的涂鸦。GR是解决方案中选择的两个因素之间的比率,即儿童绘画的长度和宽度(见式(4))。原创 2022-09-05 10:40:01 · 446 阅读 · 0 评论 -
基于瞬态自适应的麻雀搜索算法
提出一种基于瞬态自适应麻雀搜索算法(TASSA)的动态优化问题求解方案。首先,分析了原始麻雀搜索算法的缺陷,为了提升全局勘探能力,引入瞬态搜索策略指导加入者的寻优过程。其次,采用随迭代而变化的惯性权重调节具体的搜索方式,增强了算法的动态适应能力,并通过九组基准函数的数值测试确认了改进策略的有效性。原创 2022-09-02 11:36:16 · 1976 阅读 · 5 评论 -
基于人工兔优化算法的函数寻优和工程优化
文献[1]提出了一种新的生物启发的元启发式算法——人工兔子优化(Artificial rabbits optimization, ARO)算法,并进行了综合测试。ARO算法的灵感来源于自然界中兔子的生存策略,包括绕道觅食和随机躲藏。ARO利用真实兔子的觅食和隐藏策略,通过能量收缩在两种策略之间转换。对数学模型进行了描述,并对所提出的ARO进行了概述。如上所述,兔子觅食时,总是寻找远的,而忽略了近处的。它们只在其他区域随机吃草,而不是在自己的区域,把这种觅食行为称为绕道觅食。在ARO中,假设种群中的每只兔子原创 2022-08-29 12:05:43 · 1805 阅读 · 0 评论 -
结合黏菌觅食行为的改进多元宇宙算法
为提高多元宇宙优化算法求解实际问题的能力,提出了一种黏菌觅食的多元宇宙优化算法。该算法利用黏菌觅食行为在局部最优和全局最优之间寻求最优解。通过与其他几种同类算法在12个函数上的测试比较表明:本文算法收敛速度及解的质量优于其他算法,具有更好的求解能力和优化性能,可作为问题优化的有效工具。原创 2022-08-24 17:34:51 · 754 阅读 · 0 评论 -
融合差分进化和混合多策略的麻雀搜索算法
针对麻雀搜索算法 (sparrowsearchalgorithm,SSA)存在收敛速度慢、稳定性差和易陷入局部最优等问题,提出融合差分进化和混合多策略的麻雀搜索算法 (DEH-SSA)。引入反向学习初始化以增加种群的多样性,避免陷入局部最优;加入非线性权重因子改进麻雀发现者的位置更新公式以平衡算法的局部和全局搜索能力,使算法的收敛速度加快;融合差分进化和精英策略增强 SSA算法的全局搜索能力并提高算法的收敛精度原创 2022-08-23 13:33:41 · 1792 阅读 · 3 评论 -
基于混合策略改进的鲸鱼优化算法
结合非线性递减收敛因子、最优局部抖动以及动态位置更新三种操作的改进鲸鱼优化算法(Whale Optimization Algorithm, WOA)原创 2022-08-22 13:07:53 · 2880 阅读 · 1 评论 -
融合边界处理机制的学习型麻雀搜索算法
为了改善麻雀搜索算法(SSA)初始化阶段种群分布不充分,寻优过程中容易受到局部最优解干扰的不足,提出了融合边界处理机制的学习型麻雀搜索算法,简称为 HSSA。首先,使用 Piecewise map初始化种群,提高了种群的分散程度;其次,使用排序配对学习与竞争学习策略分别更新跟随者和警戒者,确保各代的最优解信息能够引导下一代的位置更新;同时,自适应的警戒者数量使得警戒者作用被强调,提供灵活的应变机制;最后,根据不同阶段的寻优特点制定多策略边界处理机制,保留住种群数量的同时,为超出边界的个体提供更加合理....原创 2022-08-16 14:26:03 · 1400 阅读 · 2 评论 -
基于亨利气体溶解度优化算法的函数寻优算法
文献[1]提出了一种新的元启发式算法——亨利气体溶解度优化(Henry gas solubility optimization, HGSO)算法,该算法模拟在亨利定律约束下的行为来解决具有挑战性的优化问题。亨利定律是一个基本气体定律,它与在固定温度下溶解的特定气体的数量与特定类型和体积的液体有关。HGSO算法模拟气体的聚集行为,在搜索空间内平衡开发和探索,避免算法陷入局部最优。进行评价,以确定从同类型的其他气体中获得最高平衡状态的最佳气体。根据气体类型的数量,将种群代理划分为相等的簇。...原创 2022-08-15 15:19:22 · 1444 阅读 · 0 评论 -
基于随机无迹σ变异的改进HHO算法
如此,迭代早期,OSHHO算法的种群能够进行更加充分的全局搜索,最大限度地提升种群多样性;迭代后期,OSHHO算法能够更快的收敛,从而更均衡的实现迭代早期全局搜索与迭代后期局部开发间的稳定切换,进一步提高算法的寻优精度和收敛速度。时,哈里斯硬个体进行硬包围(渐近快速俯冲式硬包围),种群将缩小搜索范围,对应于算法的局部开发阶段。时,哈里斯硬个体进行软包围(渐近快速俯冲式软包围),种群将扩大搜索范围,对应于算法的全局搜索阶段;决定了HHO算法的全局搜索到局部开采之间的切换,是衡量HHO算法寻优能力的重要指标。.原创 2022-08-09 10:45:06 · 832 阅读 · 2 评论 -
算术优化与阿奎拉鹰优化的混合算法
实验结果表明:AOAAO算法具有更好的全局探索和局部开发能力,在求解精度和收敛速度方面优于其他比较算法。将增加波动性,使更多的个体能够在迭代后期进行全局探索,如图1所示。AOAAO算法的伪代码如图2所示。的值分别为0.9和0.5;...原创 2022-08-08 11:52:11 · 772 阅读 · 0 评论 -
一种基于金鹰优化和灰狼优化的混合算法
为了提高GWO的全局搜索能力,受DE启发,将DE中的差分变异策略引入到GWO中。对于群体中的第一个搜索代理,其示例只能是其本身,没有其他的例子可以学习,PELGEO对搜索代理的优化效果不如DMSGWO显著。差分变异策略不仅提高了GWO的全局搜索能力,而且增强了种群多样性,有利于算法跳出局部最优。简化策略降低了GWO在更新过程中的时间复杂度,提高了算法的可操作性。然而,该操作降低了一定的时间复杂度,并提高了算法的可操作性。值在算法的探索和开发中起着至关重要的作用,但在算法更新迭代过程中,需要用。...原创 2022-08-03 09:26:42 · 1051 阅读 · 1 评论 -
基于随机无迹sigma点变异策略的改进哈里斯鹰优化算法
基于随机无迹sigma点变异策略的改进哈里斯鹰优化算法:(1)反向学习策略(2)非线性收敛因子调整策略(3)随机无迹sigma点变异策略原创 2022-08-01 14:08:02 · 1182 阅读 · 1 评论 -
自适应螺旋飞行麻雀搜索算法
受鲸鱼优化算法螺旋操作的启发,引入了可变螺旋位置更新策略,以使跟随者位置更新更灵活,开发各种位置更新搜索路径,并平衡算法的全局和局部搜索。的均匀分布的随机数。随着跟随者位置更新的范围从大到小,在早期找到更多高质量的解,后期优化减少了空闲工作的增加,从而提高了算法的全局最优搜索性能。在算法的初始阶段,它削弱了随机初始化的影响,平衡了下面的Levy飞行机制,从而增强了算法的局部搜索和全局搜索。函数的特点,算法开始时权值较小,但优化速度较快,后期权值较大,但变化速度较慢,因此算法的收敛性是平衡的。........原创 2022-07-29 13:17:56 · 3627 阅读 · 0 评论 -
混合策略改进的麻雀优化算法
针对麻雀优化算法在迭代后期种群多样性减少,收敛速度较慢,高纬度求解精度较低等缺点,提出一种混合策略改进的麻雀算法。首先,利用佳点集法初始化麻雀个体位置,提高初始个体的多样性;其次,提出黄金莱维飞行策略和t-分布扰动策略共同改进发现者位置更新方式,解决算法在迭代后期种群多样性减少的问题;最后,提出动态分配侦察者策略,有效平衡侦察者全局探索与局部开法的能力。......原创 2022-07-27 13:03:15 · 3768 阅读 · 6 评论 -
基于北方苍鹰优化算法的函数寻优算法
受北方苍鹰捕食行为的启发,文献[1]提出了一种新的基于种群的优化算法——北方苍鹰优化(Northern goshawk optimization, NGO)算法。在算法开始时,种群成员在搜索空间中随机初始化,如式(1)所示:X=[X1⋮Xi⋮XN]N×m=[x1,1⋯x1,j⋯x1,m⋮⋱⋮⋱⋮xi,1⋯xi,j⋯xi,m⋮⋱⋮⋱⋮xN,1⋯xN,j⋯xN,m]N×m(1)X=\begin{bmatrix}X_1\\\vdots\\X_i\\\vdots\\X_N\end{bmatrix}_{N\times原创 2022-07-25 13:57:14 · 2677 阅读 · 0 评论