融合对立学习的混合灰狼优化算法
发布时间：2020-02-26 20:40
【摘要】：针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法。该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高。
【图文】：
指慕滉WO算法用于求解约束优化问题，在改进算法中，引入佳点集初始化种群个体，对当前最优个体执行Powell局部搜索。针对标准GWO算法的缺点，本文利用对立学习策略取代随机初始化生产初始种群；为了增强局部搜索能力和加快收敛速度，对当前群体中最优个体进行Rosenbrock局部搜索；对当前最优个体执行精英对立学习策略以避免算法出现早熟收敛现象，提出一种混合GWO算法。2灰狼优化算法2.1灰狼群体捕食行为灰狼是顶级食肉动物，其生活方式大多以群居为主，构建了灰狼种群等级金字塔，并具有严格的等级管理制度，如图1所示。摘要：针对标准灰狼优化（greywolfoptimization，GWO）算法存在后期收敛速度慢，求解精度不高，易出现早熟收敛现象等问题，提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化（hybridGWO，HGWO）算法。该算法首先采用对立学习策略取代随机初始化生成初始种群，以保证群体的多样性；然后对当前群体中最优个体进行Rosenbrock局部搜索，以增强局部搜索能力和加快收敛速度；最后为了避免算法出现早熟收敛现象，利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验，并与其他算法进行比较，结果表明，HGWO算法收敛速度快，，求解精度高。关键词：灰狼优化算法；Rosenbrock搜索；对立学习文献标志码：A中图分类号：TP301.6Fig.1Hierarchyofgreywolfpopulation图1灰狼种群等级金字塔示意图674
霾馐院
本文编号：2583092
【图文】：
指慕滉WO算法用于求解约束优化问题，在改进算法中，引入佳点集初始化种群个体，对当前最优个体执行Powell局部搜索。针对标准GWO算法的缺点，本文利用对立学习策略取代随机初始化生产初始种群；为了增强局部搜索能力和加快收敛速度，对当前群体中最优个体进行Rosenbrock局部搜索；对当前最优个体执行精英对立学习策略以避免算法出现早熟收敛现象，提出一种混合GWO算法。2灰狼优化算法2.1灰狼群体捕食行为灰狼是顶级食肉动物，其生活方式大多以群居为主，构建了灰狼种群等级金字塔，并具有严格的等级管理制度，如图1所示。摘要：针对标准灰狼优化（greywolfoptimization，GWO）算法存在后期收敛速度慢，求解精度不高，易出现早熟收敛现象等问题，提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化（hybridGWO，HGWO）算法。该算法首先采用对立学习策略取代随机初始化生成初始种群，以保证群体的多样性；然后对当前群体中最优个体进行Rosenbrock局部搜索，以增强局部搜索能力和加快收敛速度；最后为了避免算法出现早熟收敛现象，利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验，并与其他算法进行比较，结果表明，HGWO算法收敛速度快，，求解精度高。关键词：灰狼优化算法；Rosenbrock搜索；对立学习文献标志码：A中图分类号：TP301.6Fig.1Hierarchyofgreywolfpopulation图1灰狼种群等级金字塔示意图674
霾馐院
本文编号：2583092
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2583092.html
