傳統(tǒng)混合蛙跳算法在馬斯京根模型參數(shù)優(yōu)化中容易出現(xiàn)早熟和收斂速度慢等問題,在提高模型參數(shù)的估算精度和算法的優(yōu)化性能上,將ε-DE算法與SFLA相結(jié)合,將有約束問題轉(zhuǎn)換為從可行域與非可行域兩側(cè)求解最優(yōu)解;同時,引入歐式距離和差分雜交變異算子來改善個體的更新效率,提高了算法的全局尋優(yōu)能力,滿足算法在更新迭代中個體信息的多樣性,從而優(yōu)化了算法的收斂效率和演算精度。利用ε-DE-SFLA估算馬斯京根模型參數(shù),并與其他算法結(jié)果相比較,結(jié)果表明ε-DE-SFLA優(yōu)化效果明顯,在處理有約束優(yōu)化問題時具有更佳的實用性。

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引 言
1 馬斯京根模型
2 改進混合蛙跳算法優(yōu)化模型
    2.1 基本混合蛙跳算法
    2.2 改進混合蛙跳算法
        2.2.1 ε-DE算法
            (1)基本概念。
            (2)兩青蛙個體優(yōu)選準(zhǔn)則。
        2.2.2 SFLA算法改進
            (1)歐式距離的引入。
            (2)差分雜交變異算子引入。
        2.2.3 ε-DE-SFLA算法流程
    2.3 函數(shù)測試
3 改進蛙跳算法在馬斯京根模型中的應(yīng)用
4 結(jié) 論



本文編號：3771186