基于混沌迁移的社会学习天牛群算法

发布时间：2023-11-24 17:49

　　针对天牛须算法搜索精度较低和易陷入局部最优的缺陷,提出了社会学习天牛群算法(SLBSA)。首先,采用拉丁超立方抽样(LHS)产生多样性较好的天牛群;其次,将迭代过程类比生物觅食的过程,采用基于相似度的混沌迁移策略,避免天牛群陷入局部最优;最后,在天牛群中引入社会学习策略保证天牛群在更新时能进行充分高效的信息交换。为了验证SLBSA的有效性,将其与天牛群算法(BSO)及粒子群算法(PSO)通过标准测试函数进行测试和对比,验证了SLBSA具有更快的收敛速度和更强的全局搜索能力。

【文章页数】：7 页

【文章目录】：
1 BAS基本原理
2 改进的BSO
    2.1 LHS原理
    2.2 基于相似度的混沌迁移策略
    2.3 社会学习策略
    2.4 算法步骤
3 数值实验
    3.1 测试函数及参数设定
    3.2 测试结果分析
4 结论



本文编号：3866294