針對天牛須算法搜索精度較低和易陷入局部最優(yōu)的缺陷,提出了社會學(xué)習(xí)天牛群算法(SLBSA)。首先,采用拉丁超立方抽樣(LHS)產(chǎn)生多樣性較好的天牛群;其次,將迭代過程類比生物覓食的過程,采用基于相似度的混沌遷移策略,避免天牛群陷入局部最優(yōu);最后,在天牛群中引入社會學(xué)習(xí)策略保證天牛群在更新時能進(jìn)行充分高效的信息交換。為了驗(yàn)證SLBSA的有效性,將其與天牛群算法(BSO)及粒子群算法(PSO)通過標(biāo)準(zhǔn)測試函數(shù)進(jìn)行測試和對比,驗(yàn)證了SLBSA具有更快的收斂速度和更強(qiáng)的全局搜索能力。

【文章頁數(shù)】：7 頁

【文章目錄】：
1 BAS基本原理
2 改進(jìn)的BSO
    2.1 LHS原理
    2.2 基于相似度的混沌遷移策略
    2.3 社會學(xué)習(xí)策略
    2.4 算法步驟
3 數(shù)值實(shí)驗(yàn)
    3.1 測試函數(shù)及參數(shù)設(shè)定
    3.2 測試結(jié)果分析
4 結(jié)論



本文編號：3866294