針對烏鴉搜索算法(CSA)優(yōu)化高維問題時存在尋優(yōu)精度低、局部極值逃逸能力弱等問題,提出一種耦合多個體變因子加權(quán)學(xué)習(xí)機制與最優(yōu)個體鄰代維度交叉策略的改進烏鴉搜索算法(ICSA).該算法隨迭代進程動態(tài)修正模型控制參數(shù)(感知概率和飛行長度),利用多個體的變因子加權(quán)學(xué)習(xí)機制保證子代個體同時繼承跟隨烏鴉與上代最優(yōu)個體的位置信息以避免單個體繼承的過快種群同化并減小陷入局部極值的風(fēng)險;同時構(gòu)建歷史最優(yōu)個體的鄰代維度交叉策略,并按維度絕對差異大的優(yōu)先替換原則更新最優(yōu)個體位置,以保留歷代最優(yōu)維度信息并提高算法的局部極值逃逸能力.數(shù)值實驗結(jié)果分別驗證了模型參數(shù)對CSA算法性能的一定影響,加權(quán)學(xué)習(xí)因子不同遞變形式對ICSA算法性能改善的有效性與差異性以及改進算法的優(yōu)越尋優(yōu)性能.

【文章頁數(shù)】：9 頁

【文章目錄】：
1 引言
2 烏鴉搜索算法 (CSA)
3 改進烏鴉搜索算法 (ICSA)
    3.1 模型參數(shù)動態(tài)遞變規(guī)則
    3.2 基于多個體的變因子加權(quán)學(xué)習(xí)策略
    3.3 基于鄰代維度交叉策略的最優(yōu)個體更新機制
    3.4 ICSA算法的優(yōu)化實現(xiàn)
4 數(shù)值實驗
    4.1 不同AP (fl) 函數(shù)對CSA性能影響實驗
    4.2 不同λ遞變函數(shù)對ICSA性能影響實驗
    4.3 不同智能算法的對比實驗
5 結(jié)論



本文編號：3962052