針對鯨魚算法在迭代后期種群多樣性減少問題,本文提出一種基于閾值控制的改進鯨魚優(yōu)化算法(簡記為TIWOA),將均勻分布空間與偽反向?qū)W習策略相結合,對原始種群位置進行初始化,為全局搜索奠定基礎;改進了基于正態(tài)變異算子的選擇種群方案,增加了局部搜索速度;設計了非線性收斂因子,配合改進的基于正弦函數(shù)的螺旋位置更新,使算法在迭代后期有更好的全局搜索能力。文中選取了25個國際標準測試函數(shù)對改進算法進行測試,結果表明,TIWOA算法在收斂精度與收斂速度上,更明顯優(yōu)于其它算法,經(jīng)過Fricdman檢驗與Wilcoxon檢驗,TIWOA算法與其它改進的WOA有顯著性差異,說明TIWOA算法改進有明顯效果。

【文章頁數(shù)】：16 頁

【文章目錄】：
1 鯨魚優(yōu)化算法
2 改進鯨魚優(yōu)化算法(TIWO A)
    2.1 基于均勻分布空間與偽反向?qū)W習策略的種群初始化
    2.2基于正態(tài)變異的擇優(yōu)選擇
    2.3 基于正弦函數(shù)的螺旋更新位置
    2.4 非線性收斂因子改進策略
    2.5 引入閾值判斷函數(shù)是否達到局部最優(yōu)解
    2.6 算法步驟
3 數(shù)值實驗與結果分析
    3.1 數(shù)值實驗與結果分析
    3.2 性能指標選取
    3.3 測試參數(shù)設置及實驗結果
4 數(shù)值結果檢驗
5 結語



本文編號：4035911