基于灰狼算法的改进研究

发布时间：2019-09-28 21:48

【摘要】：针对灰狼算法具有易陷于局部最优并且收敛速度不理想的缺点,提出基于改进收敛因子策略和引入动态权重策略以及两种策略混合改进的灰狼优化算法,并且用于求解函数优化问题。提出一种非线性收敛因子公式,能够动态地调整算法的全局搜索能力,引入的动态权重使算法在收敛过程中能够加快算法的收敛速度。通过15个基准测试函数验证改进后算法的全局搜索能力、局部搜索能力与收敛速度,实验结果表明,改进后的算法无论在搜索能力还是收敛速度上都强于标准灰狼算法。
【图文】：

收敛因子,迭代次数

阉髂芰η磕芄槐Ｖぶ秩旱亩嘌饬裕噘植克?索能力强能够保证算法对于局部精确搜索，加快算法的收敛速度。因此，GWO算法中的全局搜索能力和局部搜索能力之间平衡的重要性也不言而喻。由于灰狼优化算法的收敛因子a是随着迭代次数从2线性递减到0，但是算法在不断收敛的过程中并不是线性的，收敛因子a线性递减策略不能完全体现出实际的优化搜索过程［16］，所以，本文提出一种新的非线性收敛方式:a=2－21e－1×etm()()－1(11)其中:e是自然对数的底数;t是当前迭代的次数;m是最大迭代次数;a的非线性递减如图3所示。由图3可知，收敛因子a随着迭代次数从2到0呈非线性递减，在初期a的衰减程度降低，为了更好地寻找全局最优解，，到了后期，a的衰减程度提高，更加精确地寻找局部最优解，因此，更有效地平衡了全局搜索和局部搜索能力。2.2引进动态权重策略由于灰狼算法的α狼不一定是全局最优点，这时在不断迭代过程中，随着ω狼不断地向这三头狼逼近，容易陷入局部最优，本文引入一种基于指导位置向量模值的比例权重，通过权重的调节，不断地动态平衡调节算法的全局搜索能力和局部搜索能力并加快算法的收敛。在灰狼算法中，ω狼综合了三头指导狼的引导，向前前进:X1=Xα－A1·Dα(12)X2=Xβ－A2·Dβ(13)X3=Xδ－A2·Dδ(14)本文提出的权重比例计算公式如下所示:w1=|X1||X1|+|X2|+|X3|(15)w1对应于ω狼对α狼的学习率。w2=|X2||X1|+|X2|+|X3|(16)w2对应于ω狼对β狼的学习率。w3=|X3||X1|+|X2|+|X3|(17)w3对应于ω狼对δ狼的学习率。最终的迭代方式为X(t+1)
【作者单位】：沈阳航空航天大学计算机学院;
【分类号】：TP18

【相似文献】