改进的灰狼优化算法及其高维函数和FCM优化

发布时间：2021-05-09 14:12

　　灰狼优化算法（GWO）具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO（ODGWO）.首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值（FCM）聚类优化.实验结果表明,在许多高维Benchmark函数（30维、50维和120000维）优化上,20ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,20ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上,与GWO、GWOepd和LGWO相比,20ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上. 

【文章来源】：控制与决策. 2019,34(10)北大核心EICSCD

【文章页数】：12 页

【参考文献】：
期刊论文
[1]求解高维优化问题的混合灰狼优化算法[J]. 龙文,蔡绍洪,焦建军,张文专,唐明珠.  控制与决策. 2016(11)
[2]双模狩猎的灰狼优化算法在多阈值图像分割中应用[J]. 张新明,涂强,康强,程金凤.  山西大学学报(自然科学版). 2016(03)
[3]一种基于局部Lipschitz下界估计支撑面的差分进化算法[J]. 周晓根,张贵军,郝小虎,俞立.  计算机学报. 2016(12)
[4]具备反向学习和局部学习能力的粒子群算法[J]. 夏学文,刘经南,高柯夫,李元香,曾辉.  计算机学报. 2015(07)



本文编号：3177447