本文關(guān)鍵詞：采用動態(tài)權(quán)重和概率擾動策略改進的灰狼優(yōu)化算法　出處：《計算機應(yīng)用》2017年12期 　論文類型：期刊論文

  更多相關(guān)文章： 元啟發(fā)式算法 灰狼優(yōu)化算法 函數(shù)優(yōu)化 權(quán)值因子 擾動策略

【摘要】：針對基本灰狼優(yōu)化(GWO)算法存在易陷入局部最優(yōu),進而導(dǎo)致搜索精度偏低的問題,提出了一種改進的GWO(IGWO)算法。一方面,通過引入由GWO算法系數(shù)向量構(gòu)成的權(quán)值因子,動態(tài)調(diào)整算法的位置向量更新方程;另一方面,通過采用概率擾動策略,增強算法迭代后期的種群多樣性,從而提升算法跳出局部最優(yōu)的能力。對多個基準測試函數(shù)進行仿真實驗,實驗結(jié)果表明,相對于GWO算法、混合GWO(HGWO)算法、引力搜索算法(GSA)和差分進化(DE)算法,所提IGWO算法有效擺脫了局部收斂,在搜索精度、算法穩(wěn)定性以及收斂速度上具有明顯優(yōu)勢。
[Abstract]:In order to solve the problem that the basic gray wolf optimization (GWOO) algorithm is easy to fall into local optimum, which leads to low searching precision, an improved GWOO algorithm is proposed. On the one hand, an improved GWOO algorithm is proposed. The position vector updating equation of the algorithm is dynamically adjusted by introducing the weight factor which is composed of the coefficient vector of the GWO algorithm. On the other hand, by using probabilistic perturbation strategy to enhance the diversity of population in the late iteration stage of the algorithm, thus enhancing the ability of the algorithm to jump out of the local optimum. The simulation results of several benchmark functions show that. Compared with the GWO algorithm, the hybrid IGWO algorithm, the gravity search algorithm and the differential evolution algorithm, the proposed IGWO algorithm can effectively get rid of the local convergence and the search accuracy. The algorithm has obvious advantages in terms of stability and convergence speed.
【作者單位】： 南京工業(yè)大學(xué)電氣工程與控制科學(xué)學(xué)院;桂林理工大學(xué)測繪地理信息學(xué)院;
【分類號】：TP18
【正文快照】： 0引言近20年來,元啟發(fā)式算法得到了迅速發(fā)展。它源自于自然現(xiàn)象的啟發(fā),在解決復(fù)雜計算問題時提供了一種新的手段,典型的有遺傳算法(Genetic Algorithm,GA)[1]、粒子群(Particle Swarm Optimization,PSO)算法[2]、差分進化(Differential Evolution,DE)算法[3]、引力搜索算法(Gr

【相似文獻】

相關(guān)期刊論文 前1條

1 程紅舉;黃行波;XIONG Naixue;;不可靠通信環(huán)境下無線傳感器網(wǎng)絡(luò)最小能耗廣播算法[J];軟件學(xué)報;2014年05期

相關(guān)碩士學(xué)位論文 前3條

1 張曉丹;WSN中基于改進粒子群優(yōu)化算法的分簇拓撲算法研究[D];鄭州大學(xué);2017年

2 賈yN愷;基于深度特征學(xué)習(xí)的目標檢測與跟蹤算法研究[D];西安科技大學(xué);2017年

3 孫彥慧;基于非負獨立成分分析的高光譜圖像解混算法研究[D];天津大學(xué);2016年

，

本文編號：1396951