【摘要】：針對灰狼算法具有易陷于局部最優(yōu)并且收斂速度不理想的缺點(diǎn),提出基于改進(jìn)收斂因子策略和引入動(dòng)態(tài)權(quán)重策略以及兩種策略混合改進(jìn)的灰狼優(yōu)化算法,并且用于求解函數(shù)優(yōu)化問題。提出一種非線性收斂因子公式,能夠動(dòng)態(tài)地調(diào)整算法的全局搜索能力,引入的動(dòng)態(tài)權(quán)重使算法在收斂過程中能夠加快算法的收斂速度。通過15個(gè)基準(zhǔn)測試函數(shù)驗(yàn)證改進(jìn)后算法的全局搜索能力、局部搜索能力與收斂速度,實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的算法無論在搜索能力還是收斂速度上都強(qiáng)于標(biāo)準(zhǔn)灰狼算法。
【圖文】：

閹髂芰η磕芄槐Ｖぶ秩旱畝嘌飭裕噘植克?索能力強(qiáng)能夠保證算法對于局部精確搜索，加快算法的收斂速度。因此，GWO算法中的全局搜索能力和局部搜索能力之間平衡的重要性也不言而喻。由于灰狼優(yōu)化算法的收斂因子a是隨著迭代次數(shù)從2線性遞減到0，但是算法在不斷收斂的過程中并不是線性的，收斂因子a線性遞減策略不能完全體現(xiàn)出實(shí)際的優(yōu)化搜索過程［16］，所以，本文提出一種新的非線性收斂方式:a=2－21e－1×etm()()－1(11)其中:e是自然對數(shù)的底數(shù);t是當(dāng)前迭代的次數(shù);m是最大迭代次數(shù);a的非線性遞減如圖3所示。由圖3可知，收斂因子a隨著迭代次數(shù)從2到0呈非線性遞減，在初期a的衰減程度降低，為了更好地尋找全局最優(yōu)解，，到了后期，a的衰減程度提高，更加精確地尋找局部最優(yōu)解，因此，更有效地平衡了全局搜索和局部搜索能力。2.2引進(jìn)動(dòng)態(tài)權(quán)重策略由于灰狼算法的α狼不一定是全局最優(yōu)點(diǎn)，這時(shí)在不斷迭代過程中，隨著ω狼不斷地向這三頭狼逼近，容易陷入局部最優(yōu)，本文引入一種基于指導(dǎo)位置向量模值的比例權(quán)重，通過權(quán)重的調(diào)節(jié)，不斷地動(dòng)態(tài)平衡調(diào)節(jié)算法的全局搜索能力和局部搜索能力并加快算法的收斂。在灰狼算法中，ω狼綜合了三頭指導(dǎo)狼的引導(dǎo)，向前前進(jìn):X1=Xα－A1·Dα(12)X2=Xβ－A2·Dβ(13)X3=Xδ－A2·Dδ(14)本文提出的權(quán)重比例計(jì)算公式如下所示:w1=|X1||X1|+|X2|+|X3|(15)w1對應(yīng)于ω狼對α狼的學(xué)習(xí)率。w2=|X2||X1|+|X2|+|X3|(16)w2對應(yīng)于ω狼對β狼的學(xué)習(xí)率。w3=|X3||X1|+|X2|+|X3|(17)w3對應(yīng)于ω狼對δ狼的學(xué)習(xí)率。最終的迭代方式為X(t+1)
【作者單位】： 沈陽航空航天大學(xué)計(jì)算機(jī)學(xué)院;
【分類號】：TP18

【相似文獻(xiàn)】

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(bào);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(jìn)粒子群優(yōu)化算法的分簇拓?fù)渌惴ㄑ芯縖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(biāo)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(fù)獨(dú)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：2543509