具有随机分形自适应搜索策略的蚁狮优化算法

发布时间：2021-07-21 14:36

　　针对蚁狮算法在平衡开发能力与探索能力不足的缺点,提出了具体有随机分形自适应搜索策略的改进算法。在该策略中,蚂蚁利用随机分形搜索方程提高算法的探索能力;蚁狮利用自适应搜索方程在最优位置进行精细搜索,以提高算法的开发能力。对3个单峰、3个多峰标准测试函数进行寻优,仿真结果表明,相比于其他算法,所提出的改进算法很好地平衡了自身的开发能力和探索能力,显著提高了全局优化能力和收敛速率。 

【文章来源】：火力与指挥控制. 2019,44(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

单个粒子随机分形示意图

蚂蚁的随机搜基准测试函数搜索空间最优解［-100，100］［-100，100］［-10，10］［-600，600］［-5.12，5.12］［-2.048，2.048］000000表1测试函数索具有很好的探索性，不容易陷入局部最优值；蚁狮的自适应搜索具有很好的开发性，能够在适应度较高的位置附近进行精细搜索。改进后的算法很好地平衡了开发能力与探索能力。为了进一步说明SFSALO算法的优越性，对ABC算法，PSO算法，GWO算法进行了比较，维度设为50，最大迭代次数为300。图3和图4分别是4种算法对Sphere函数、Griewank函数的收敛过程对比。仿真结果分析表明SFSALO算法的收敛精度和收敛速度明显比其他3种算法效果显著。对Sphere图3Sphere函数收敛曲线图4Griewank函数收敛曲线·44·0228

0表1测试函数索具有很好的探索性，不容易陷入局部最优值；蚁狮的自适应搜索具有很好的开发性，能够在适应度较高的位置附近进行精细搜索。改进后的算法很好地平衡了开发能力与探索能力。为了进一步说明SFSALO算法的优越性，对ABC算法，PSO算法，GWO算法进行了比较，维度设为50，最大迭代次数为300。图3和图4分别是4种算法对Sphere函数、Griewank函数的收敛过程对比。仿真结果分析表明SFSALO算法的收敛精度和收敛速度明显比其他3种算法效果显著。对Sphere图3Sphere函数收敛曲线图4Griewank函数收敛曲线·44·0228

【参考文献】：
期刊论文
[1]面向全局优化基于分形的混合混沌优化算法[J]. 刘振军,杨迪雄.  数学的实践与认识. 2016(09)
[2]具有自适应全局最优引导快速搜索策略的人工蜂群算法[J]. 赵辉,李牧东,翁兴伟.  控制与决策. 2014(11)
[3]基于改进蚁群算法的无人机航迹规划[J]. 韩攀,陈谋,陈哨东,刘敏.  吉林大学学报(信息科学版). 2013(01)
[4]受启发的人工蜂群算法在全局优化问题中的应用[J]. 高卫峰,刘三阳,黄玲玲.  电子学报. 2012(12)
[5]粒子群优化算法中的惯性权值非线性调整策略[J]. 周敏,李太勇.  计算机工程. 2011(05)
[6]一种基于微粒群思想的蚁群参数自适应优化算法[J]. 夏辉,王华,陈熙.  山东大学学报(工学版). 2010(03)
[7]蚁群算法在连续空间寻优问题求解中的应用[J]. 汪镭,吴启迪.  控制与决策. 2003(01)



本文编号：3295211