針對蝗蟲優(yōu)化算法容易陷入局部極值點、收斂速度慢、精度較差等缺點,提出曲線自適應(yīng)和模擬退火蝗蟲優(yōu)化算法。首先,引入曲線自適應(yīng)代替蝗蟲優(yōu)化算法關(guān)鍵參數(shù)的線性自適應(yīng),提高了算法的全局搜索能力;其次,在此基礎(chǔ)上引入模擬退火算法,對蝗蟲算法的劣勢解具有一定概率的接收,使算法具有跳出局部最優(yōu),實現(xiàn)全局最優(yōu)的能力。自適應(yīng)縮小模擬退火中蝗蟲位置隨機(jī)解的范圍,有利于進(jìn)一步提高蝗蟲算法的開發(fā)能力。通過測試函數(shù)測試,實驗結(jié)果表明,改進(jìn)的新算法具有更好的求解質(zhì)量和收斂速度。 

【文章來源】：計算機(jī)應(yīng)用研究. 2019,36(12)北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 蝗蟲優(yōu)化算法
2 基于曲線自適應(yīng)的蝗蟲優(yōu)化算法（CAGOA）
3 基于曲線自適應(yīng)和模擬退火的蝗蟲優(yōu)化算法（SA-CAGOA）
    3.1 Metropolis準(zhǔn)則
    3.2 模擬退火蝗蟲隨機(jī)位置
    3.3 SA-CAGOA的實現(xiàn)步驟
4 實驗結(jié)果與分析
    4.1 算法基本設(shè)置
    4.2 GOA與CAGOA1、CAGOA2和DA實驗結(jié)果對比及分析
    4.3 SA-CAGOA1和SA-CAGOA2與其他算法實驗結(jié)果對比及分析
    4.4 算法運(yùn)行時間比較
5 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]人工蜂群算法研究綜述[J]. 何堯,劉建華,楊榮華.  計算機(jī)應(yīng)用研究. 2018(05)
[2]布朗運(yùn)動模擬退火算法[J]. 傅文淵,凌朝東.  計算機(jī)學(xué)報. 2014(06)
[3]群智能算法在螺旋槳參數(shù)優(yōu)化設(shè)計中的應(yīng)用[J]. 王鵬,黃帥,朱舟全.  計算機(jī)科學(xué). 2013(S2)
[4]基于TSP問題的蟻群算法綜述[J]. 郭平,鄢文晉.  計算機(jī)科學(xué). 2007(10)
[5]基于Metropolis準(zhǔn)則的Q-學(xué)習(xí)算法研究[J]. 郭茂祖,王亞東,劉 揚(yáng),孫華梅.  計算機(jī)研究與發(fā)展. 2002(06)



本文編號：3075581