基于曲线自适应和模拟退火的蝗虫优化算法

发布时间：2021-03-11 00:58

　　针对蝗虫优化算法容易陷入局部极值点、收敛速度慢、精度较差等缺点,提出曲线自适应和模拟退火蝗虫优化算法。首先,引入曲线自适应代替蝗虫优化算法关键参数的线性自适应,提高了算法的全局搜索能力;其次,在此基础上引入模拟退火算法,对蝗虫算法的劣势解具有一定概率的接收,使算法具有跳出局部最优,实现全局最优的能力。自适应缩小模拟退火中蝗虫位置随机解的范围,有利于进一步提高蝗虫算法的开发能力。通过测试函数测试,实验结果表明,改进的新算法具有更好的求解质量和收敛速度。 

【文章来源】：计算机应用研究. 2019,36(12)北大核心

【文章页数】：7 页

【文章目录】：
0 引言
1 蝗虫优化算法
2 基于曲线自适应的蝗虫优化算法（CAGOA）
3 基于曲线自适应和模拟退火的蝗虫优化算法（SA-CAGOA）
    3.1 Metropolis准则
    3.2 模拟退火蝗虫随机位置
    3.3 SA-CAGOA的实现步骤
4 实验结果与分析
    4.1 算法基本设置
    4.2 GOA与CAGOA1、CAGOA2和DA实验结果对比及分析
    4.3 SA-CAGOA1和SA-CAGOA2与其他算法实验结果对比及分析
    4.4 算法运行时间比较
5 结束语


【参考文献】：
期刊论文
[1]人工蜂群算法研究综述[J]. 何尧,刘建华,杨荣华.  计算机应用研究. 2018(05)
[2]布朗运动模拟退火算法[J]. 傅文渊,凌朝东.  计算机学报. 2014(06)
[3]群智能算法在螺旋桨参数优化设计中的应用[J]. 王鹏,黄帅,朱舟全.  计算机科学. 2013(S2)
[4]基于TSP问题的蚁群算法综述[J]. 郭平,鄢文晋.  计算机科学. 2007(10)
[5]基于Metropolis准则的Q-学习算法研究[J]. 郭茂祖,王亚东,刘 扬,孙华梅.  计算机研究与发展. 2002(06)



本文编号：3075581