针对经典蜘蛛蜂优化算法初始种群分布不合理、搜索与开发之间的转换不平衡、易陷入局部最优等问题,提出了一种融合对偶学习的动态蜘蛛蜂优化算法(dynamic spider wasp optimizer combined with duality learning,CLDSWO)。首先,结合Tent...针对经典蜘蛛蜂优化算法初始种群分布不合理、搜索与开发之间的转换不平衡、易陷入局部最优等问题,提出了一种融合对偶学习的动态蜘蛛蜂优化算法(dynamic spider wasp optimizer combined with duality learning,CLDSWO)。首先,结合Tent和Sinusoidal映射,设计了TS(Tent-Sinusoidal)映射,并采用TS映射生成分布更广泛且均匀的初始蜘蛛蜂种群。其次,设计了一个动态权衡因子,自适应地调整狩猎和交配行为之间的转换,实现全局搜索和局部优化之间的平衡。引入了基于对偶学习的变异机制,在对偶学习的过程中,引入逐维变异机制,加速算法的收敛,增强逃离局部最优的能力。为了验证CLDSWO算法的有效性,利用10个基准函数和CEC2017函数进行实验,并通过Wilcoxon检验证实仿真结果的显著性,实验结果表明,CLDSWO在平衡收敛精度和速度方面更具竞争力。将CLDSWO算法应用至压力容器设计问题和无源时差定位问题中,结果表明CLDSWO的精度分别提升了1.28%和36.67%,验证了CLDSWO算法在求解实际工程应用问题中的有效性。展开更多
文摘针对经典蜘蛛蜂优化算法初始种群分布不合理、搜索与开发之间的转换不平衡、易陷入局部最优等问题,提出了一种融合对偶学习的动态蜘蛛蜂优化算法(dynamic spider wasp optimizer combined with duality learning,CLDSWO)。首先,结合Tent和Sinusoidal映射,设计了TS(Tent-Sinusoidal)映射,并采用TS映射生成分布更广泛且均匀的初始蜘蛛蜂种群。其次,设计了一个动态权衡因子,自适应地调整狩猎和交配行为之间的转换,实现全局搜索和局部优化之间的平衡。引入了基于对偶学习的变异机制,在对偶学习的过程中,引入逐维变异机制,加速算法的收敛,增强逃离局部最优的能力。为了验证CLDSWO算法的有效性,利用10个基准函数和CEC2017函数进行实验,并通过Wilcoxon检验证实仿真结果的显著性,实验结果表明,CLDSWO在平衡收敛精度和速度方面更具竞争力。将CLDSWO算法应用至压力容器设计问题和无源时差定位问题中,结果表明CLDSWO的精度分别提升了1.28%和36.67%,验证了CLDSWO算法在求解实际工程应用问题中的有效性。