针对标准均衡优化算法(EO)存在全局搜索和局部搜索的平衡能力不足以及易陷入局部最优的问题,提出了一种基于可变生成概率和多差分柯西变异的均衡优化算法(Variable generation probability and multi-difference Cauchy variation equil...针对标准均衡优化算法(EO)存在全局搜索和局部搜索的平衡能力不足以及易陷入局部最优的问题,提出了一种基于可变生成概率和多差分柯西变异的均衡优化算法(Variable generation probability and multi-difference Cauchy variation equilib-rium optimization algorithm,VDEO)。首先,结合Tent混沌映射增加初始化种群的多样性,为寻优提供基础;其次,引入可变的生成概率代替原始的固定值,使算法在迭代前期增加全局搜索能力,后期关注求解精度,以提升全局搜索和局部搜索的平衡能力;最后,融合多种差分策略和柯西变异帮助寻优过程跳出局部最优。针对包含单峰、多峰和固定维多峰在内的15个基准测试函数和CEC2022测试函数,将VDEO在多种维数下与EO,GWO,WOA,SCA,MFO,AOA,AVOA,BWO,AHA,POA这10个启发式算法进行仿真对比实验,并对基准测试函数的实验结果进行Wilcoxon秩和检验,实验结果表明,VDEO实现了更好的全局搜索和局部搜索的平衡,并具有更好的跳出局部最优的能力以及更高的收敛精度。展开更多
针对鸟群优化算法迭代初期种群多样性不足、迭代后期收敛速度慢、易陷入局部最优解等问题,提出一种融合柯西变异的鸟群与算术混合优化算法(hybrid algorithm of bird swarm algorithm and arithmetic optimization algorithm based on C...针对鸟群优化算法迭代初期种群多样性不足、迭代后期收敛速度慢、易陷入局部最优解等问题,提出一种融合柯西变异的鸟群与算术混合优化算法(hybrid algorithm of bird swarm algorithm and arithmetic optimization algorithm based on Cauchy mutation,HBSAAOA)。利用算术优化算法中乘除算子的高分布性对BSA中生产者的位置进行更新,以提高种群多样性,增强全局搜索能力。引入随机搜索策略和柯西变异策略来生成候选解,对后期局部开发阶段进行扰动,以增强算法跳出局部最优解的能力并提高收敛速度。利用贪婪策略对最优个体进行选择并替代较差的个体,从而提高解的质量。通过对23个经典测试函数以及部分CEC2014基准函数进行仿真实验,并将HBSAAOA应用到两个工程应用问题上,结果表明改进策略有效,改进算法的收敛速度更快、寻优精度更高,并且鲁棒性更好。展开更多
针对白骨顶鸟优化算法(COOT)寻优精度低、容易陷入局部最优、收敛速度慢等问题,提出了基于柯西变异和差分进化的混沌白骨顶鸟算法(Logistic Chaos Coot bird algorithm based on Cauchy mutation and Differential evolution,CDLCOOT)...针对白骨顶鸟优化算法(COOT)寻优精度低、容易陷入局部最优、收敛速度慢等问题,提出了基于柯西变异和差分进化的混沌白骨顶鸟算法(Logistic Chaos Coot bird algorithm based on Cauchy mutation and Differential evolution,CDLCOOT)。首先,通过柯西变异使白骨顶鸟位置发生扰动,扩大搜索范围,提高算法的全局搜索能力;其次,对领导者白骨顶鸟采取差分进化策略,增加种群多样性,使适应度更好的领导者带领种群寻优,引导白骨顶鸟个体向最优解前进,帮助其更快地搜索;最后,在白骨顶鸟进行链式运动时加入logistic混沌因子,从而实现混沌的链式跟随运动,提高算法跳出局部最优的能力。在12个经典的测试函数和9个CEC2017测试函数上进行仿真实验,将CDLCOOT算法与正余弦算法(SCA)、灰狼优化算法(GWO)、蚁狮优化算法(ALO)、黑洞模拟算法(MVO)等其他先进算法及原始COOT算法、具有单一策略的原算法进行对比,验证改进算法的有效性。实验结果表明,CDLCOOT算法相比其他启发式算法和改进算法具有更好的全局寻优能力和更快的收敛速度。在经典测试函数中,对于4个单模态函数,CDLCOOT算法寻优平均值相比原始算法平均提高了76个数量级;在2个多模态函数上寻到理论最优值,在另外2个多模态函数上寻优平均值分别比原始算法提高了三四个数量级;在4个固定维度多模态函数上,算法都能寻到理论最优值,收敛速度更快。在CEC2017测试函数中,所提算法在单模态、多模态和混合模态上的收敛精度相比原算法都有所提升,且其收敛速度也比原算法和其他算法更快,算法稳定性更高。展开更多
文摘针对标准均衡优化算法(EO)存在全局搜索和局部搜索的平衡能力不足以及易陷入局部最优的问题,提出了一种基于可变生成概率和多差分柯西变异的均衡优化算法(Variable generation probability and multi-difference Cauchy variation equilib-rium optimization algorithm,VDEO)。首先,结合Tent混沌映射增加初始化种群的多样性,为寻优提供基础;其次,引入可变的生成概率代替原始的固定值,使算法在迭代前期增加全局搜索能力,后期关注求解精度,以提升全局搜索和局部搜索的平衡能力;最后,融合多种差分策略和柯西变异帮助寻优过程跳出局部最优。针对包含单峰、多峰和固定维多峰在内的15个基准测试函数和CEC2022测试函数,将VDEO在多种维数下与EO,GWO,WOA,SCA,MFO,AOA,AVOA,BWO,AHA,POA这10个启发式算法进行仿真对比实验,并对基准测试函数的实验结果进行Wilcoxon秩和检验,实验结果表明,VDEO实现了更好的全局搜索和局部搜索的平衡,并具有更好的跳出局部最优的能力以及更高的收敛精度。
文摘针对鸟群优化算法迭代初期种群多样性不足、迭代后期收敛速度慢、易陷入局部最优解等问题,提出一种融合柯西变异的鸟群与算术混合优化算法(hybrid algorithm of bird swarm algorithm and arithmetic optimization algorithm based on Cauchy mutation,HBSAAOA)。利用算术优化算法中乘除算子的高分布性对BSA中生产者的位置进行更新,以提高种群多样性,增强全局搜索能力。引入随机搜索策略和柯西变异策略来生成候选解,对后期局部开发阶段进行扰动,以增强算法跳出局部最优解的能力并提高收敛速度。利用贪婪策略对最优个体进行选择并替代较差的个体,从而提高解的质量。通过对23个经典测试函数以及部分CEC2014基准函数进行仿真实验,并将HBSAAOA应用到两个工程应用问题上,结果表明改进策略有效,改进算法的收敛速度更快、寻优精度更高,并且鲁棒性更好。
文摘针对白骨顶鸟优化算法(COOT)寻优精度低、容易陷入局部最优、收敛速度慢等问题,提出了基于柯西变异和差分进化的混沌白骨顶鸟算法(Logistic Chaos Coot bird algorithm based on Cauchy mutation and Differential evolution,CDLCOOT)。首先,通过柯西变异使白骨顶鸟位置发生扰动,扩大搜索范围,提高算法的全局搜索能力;其次,对领导者白骨顶鸟采取差分进化策略,增加种群多样性,使适应度更好的领导者带领种群寻优,引导白骨顶鸟个体向最优解前进,帮助其更快地搜索;最后,在白骨顶鸟进行链式运动时加入logistic混沌因子,从而实现混沌的链式跟随运动,提高算法跳出局部最优的能力。在12个经典的测试函数和9个CEC2017测试函数上进行仿真实验,将CDLCOOT算法与正余弦算法(SCA)、灰狼优化算法(GWO)、蚁狮优化算法(ALO)、黑洞模拟算法(MVO)等其他先进算法及原始COOT算法、具有单一策略的原算法进行对比,验证改进算法的有效性。实验结果表明,CDLCOOT算法相比其他启发式算法和改进算法具有更好的全局寻优能力和更快的收敛速度。在经典测试函数中,对于4个单模态函数,CDLCOOT算法寻优平均值相比原始算法平均提高了76个数量级;在2个多模态函数上寻到理论最优值,在另外2个多模态函数上寻优平均值分别比原始算法提高了三四个数量级;在4个固定维度多模态函数上,算法都能寻到理论最优值,收敛速度更快。在CEC2017测试函数中,所提算法在单模态、多模态和混合模态上的收敛精度相比原算法都有所提升,且其收敛速度也比原算法和其他算法更快,算法稳定性更高。