基于遗传扰动机制的改进蝙蝠优化算法

发布时间：2024-02-13 22:58

　　针对蝙蝠算法现存的缺点,如收敛速度慢、优化精确度低、早熟,提出一种基于遗传扰动机制的改进蝙蝠算法(GDBA).该优化算法引入了遗传竞争机制,通过比较与全局最优解的差异,随时调整遗传算法的交叉率和变异率,使得种群具有遗传性和多样性,解决了蝙蝠算法早熟的问题,同时加快了收敛速度,提高了优化精度.采用基准测试函数进行仿真验证,实验结果表明:与蝙蝠算法(BA)和基于速度权重扰动机制的改进蝙蝠算法(WDBA)相比,该算法(GDBA)具有更好的收敛速度和搜索精度,加强了寻找全局最优解的能力.

【文章页数】：6 页

【部分图文】：

图１遗传扰动机制流程图Ｆｉｇ．１Ｆｌｏｗ－ｃｈａｒｔｏｆｇｅｎｅｔｉｃｄｉｓｔｕｒｂａｎｃｅｍｅｃｈａｎｉｓｍ

ｅｐ２将蝙蝠个体作为父本，按照交叉率和变异率调整策略分别完成选择、交叉、变异过程，产生子代，再将子代代入目标函数，计算出它们的适应度值，记为ｆｉｔ２（Ｘｉ）．Ｓｔｅｐ３比较适应度值ｆｉｔ１（Ｘｉ）和ｆｉｔ２（Ｘｉ），选取最小的适应度值并记为ｆｉｔｎｅｗ（Ｘｉ），将最小适应度值ｆｉ....

图２Ｚａｋｈａｒｏｖ函数适应度变化曲线Ｆｉｇ．２ＥｖｏｌｕｔｉｏｎｃｕｒｖｅｓｏｆＺａｋｈａｒｏｖｆｕｎｃｔｉｏｎｆｉｔｎｅｓｓ

为｛ｘ｜－１０≤ｘ≤１０｝，并且在（０，０，…，０）取得全局最优值ｆｍｉｎ（ｘ）＝０．３．３仿真结果分析３．３．１基准函数的寻优测试结果分析针对本文提出的基于遗传扰动机制的改进蝙蝠算法（ＧＤＢＡ）进行验证．以适应度曲线为输出对象，以上述常规算法基准测试函数为模型，分别运用ＢＡ算法....

图３Ｓａｌｏｍｏｎ函数适应度变化曲线Ｆｉｇ．３ＥｖｏｌｕｔｉｏｎｃｕｒｖｅｓｏｆＳａｌｏｍｏｎｆｕｎｃｔｉｏｎｆｉｔｎｅｓｓ

３．３．１基准函数的寻优测试结果分析针对本文提出的基于遗传扰动机制的改进蝙蝠算法（ＧＤＢＡ）进行验证．以适应度曲线为输出对象，以上述常规算法基准测试函数为模型，分别运用ＢＡ算法［８］、ＷＤＢＡ算法［７］、ＰＳＯ算法［１］、ＧＡ算法［４］和ＧＤＢＡ算法进行仿真实验，实验结果如图２～....

图４Ｓｐｈｅｒｅ函数适应度变化曲线Ｆｉｇ．４ＥｖｏｌｕｔｉｏｎｃｕｒｖｅｓｏｆＳｐｈｅｒｅｆｕｎｃｔｉｏｎｆｉｔｎｅｓｓ

输出对象，以上述常规算法基准测试函数为模型，分别运用ＢＡ算法［８］、ＷＤＢＡ算法［７］、ＰＳＯ算法［１］、ＧＡ算法［４］和ＧＤＢＡ算法进行仿真实验，实验结果如图２～５所示．图２Ｚａｋｈａｒｏｖ函数适应度变化曲线Ｆｉｇ．２ＥｖｏｌｕｔｉｏｎｃｕｒｖｅｓｏｆＺａｋｈａｒｏｖｆｕｎｃｔ....

本文编号：3897341