改进混合蛙跳算法在马斯京根模型参数优化中的应用

发布时间：2023-03-26 15:07

　　传统混合蛙跳算法在马斯京根模型参数优化中容易出现早熟和收敛速度慢等问题,在提高模型参数的估算精度和算法的优化性能上,将ε-DE算法与SFLA相结合,将有约束问题转换为从可行域与非可行域两侧求解最优解;同时,引入欧式距离和差分杂交变异算子来改善个体的更新效率,提高了算法的全局寻优能力,满足算法在更新迭代中个体信息的多样性,从而优化了算法的收敛效率和演算精度。利用ε-DE-SFLA估算马斯京根模型参数,并与其他算法结果相比较,结果表明ε-DE-SFLA优化效果明显,在处理有约束优化问题时具有更佳的实用性。

【文章页数】：5 页

【文章目录】：
0 引 言
1 马斯京根模型
2 改进混合蛙跳算法优化模型
    2.1 基本混合蛙跳算法
    2.2 改进混合蛙跳算法
        2.2.1 ε-DE算法
            (1)基本概念。
            (2)两青蛙个体优选准则。
        2.2.2 SFLA算法改进
            (1)欧式距离的引入。
            (2)差分杂交变异算子引入。
        2.2.3 ε-DE-SFLA算法流程
    2.3 函数测试
3 改进蛙跳算法在马斯京根模型中的应用
4 结 论



本文编号：3771186