混合策略改进鲸鱼优化算法

发布时间：2021-02-01 15:25

　　为使鲸鱼优化算法在具备摆脱局部最优区域能力的同时提升算法寻优能力,提出一种基于混合策略的改进鲸鱼优化算法。利用混沌的特性对初始种群位置进行优化,使种群个体更加丰富多样,位置分布更加合理;提出一种混合反向学习策略,将透镜成像反向学习策略和最优最差反向学习策略相结合,提高领导者跳出局部最优区域的能力,提高算法的求解精度;出于协调改进算法勘探能力的目的,将自适应概率阈值p’和权重ω融入到算法中。对6个单峰函数和4个多峰函数的仿真结果验证了所提优化算法在收敛速度和寻优精度等方面有较大的提高。 

【文章来源】：计算机工程与设计. 2020,41(12)北大核心

【文章页数】：8 页

【部分图文】：

透镜成像反向学习

然后,表2中的标准差可以衡量算法的稳定性和跳出局部最优的能力,F1～F4的求解中,除了WWOA在F1、F3的标准差和IWOA一样,IWOA都比其它算法要好,在F5、F6的求解中,虽然没有达到理论值,但IWOA的标准差都比其它算法要小,说明IWOA在求解过程中具有一定的稳定性;在求解多峰函数F7时,虽然PWOA、TWOA等也能达到了理论值,但如图2所示,IWOA的收敛精度和收敛速度明显比其它几种算法要好,在求解F8～F10时,IWOA的标准差均小于其它算法,进而说明本文算法的稳定性和局部寻优能力比其它法更优秀。最后,从表2中平均耗时可以看出,在相同维度下,融合4种改进策略的IWOA平均耗时最长,加入1种改进方法的WWOA、TWOA、OWOA、PWOA这4种算法的平均耗时次之,但都比WOA的平均耗时要长,原因是增加算法的种群大小、增加算法探索区域等改进方式都可能引导算法找到更好的解,但与此同时也会相应消耗整个寻优过程的时间,而相比于其它算法,GWO和PSO的平均耗时是最短的。


本文编号：3012991