發(fā)布時(shí)間：2021-05-09 14:12

　　灰狼優(yōu)化算法（GWO）具有較強(qiáng)的局部搜索能力和較快的收斂速度,但在解決高維和復(fù)雜的優(yōu)化問題時(shí)存在全局搜索能力不足的問題.對此,提出一種改進(jìn)的GWO,即新型反向?qū)W習(xí)和差分變異的GWO（ODGWO）.首先,提出一種最優(yōu)最差反向?qū)W習(xí)策略和一種動態(tài)隨機(jī)差分變異算子,并將它們?nèi)谌隚WO中,以便增強(qiáng)全局搜索能力;然后,為了很好地平衡探索與開采能力以提升整體的優(yōu)化性能,對算法前、后半搜索階段分別采用單維操作和全維操作形成ODGWO;最后,將ODGWO用于高維函數(shù)和模糊C均值（FCM）聚類優(yōu)化.實(shí)驗(yàn)結(jié)果表明,在許多高維Benchmark函數(shù)（30維、50維和120000維）優(yōu)化上,20ODGWO的搜索能力大幅度領(lǐng)先于GWO,與state-of-the-art優(yōu)化算法相比,20ODGWO具有更好的優(yōu)化性能.在7個標(biāo)準(zhǔn)數(shù)據(jù)集的FCM聚類優(yōu)化上,與GWO、GWOepd和LGWO相比,20ODGWO表現(xiàn)出了更好的聚類優(yōu)化性能,可應(yīng)用在更多的實(shí)際優(yōu)化問題上. 

【文章來源】：控制與決策. 2019,34(10)北大核心EICSCD

【文章頁數(shù)】：12 頁

【參考文獻(xiàn)】：
期刊論文
[1]求解高維優(yōu)化問題的混合灰狼優(yōu)化算法[J]. 龍文,蔡紹洪,焦建軍,張文專,唐明珠.  控制與決策. 2016(11)
[2]雙模狩獵的灰狼優(yōu)化算法在多閾值圖像分割中應(yīng)用[J]. 張新明,涂強(qiáng),康強(qiáng),程金鳳.  山西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(03)
[3]一種基于局部Lipschitz下界估計(jì)支撐面的差分進(jìn)化算法[J]. 周曉根,張貴軍,郝小虎,俞立.  計(jì)算機(jī)學(xué)報(bào). 2016(12)
[4]具備反向?qū)W習(xí)和局部學(xué)習(xí)能力的粒子群算法[J]. 夏學(xué)文,劉經(jīng)南,高柯夫,李元香,曾輝.  計(jì)算機(jī)學(xué)報(bào). 2015(07)



本文編號：3177447