标准灰狼优化(grey wolf optimizer,GWO)算法存在局部探索和全局开发难以平衡等问题。针对此类问题,提出基于多策略结合的灰狼优化算法(multi-strategy grey wolf optimization,MSGWO)。首先,灰狼算法引入非线性收敛因子和Tent映射;然后...标准灰狼优化(grey wolf optimizer,GWO)算法存在局部探索和全局开发难以平衡等问题。针对此类问题,提出基于多策略结合的灰狼优化算法(multi-strategy grey wolf optimization,MSGWO)。首先,灰狼算法引入非线性收敛因子和Tent映射;然后,利用广泛学习、精英学习和协调学习三种策略,在GWO优化过程中协调工作;最后,利用轮盘赌进行策略选择,以获得更具多样性灰狼位置和更具全局代表性的个体。通过标准基准函数测试,采用算法变体进行对比。结果显示,MSGWO算法拥有较好的全局搜索、局部开发的平衡能力以及更快的收敛速度。在此基础上,利用MSGWO算法优化回声状态网络(echo state networks,ESN)超参数进行回归预测。实验表明平均绝对百分比误差为0.38%,拟合程度达到0.98,验证了MSGWO算法的优化性能。展开更多
文摘标准灰狼优化(grey wolf optimizer,GWO)算法存在局部探索和全局开发难以平衡等问题。针对此类问题,提出基于多策略结合的灰狼优化算法(multi-strategy grey wolf optimization,MSGWO)。首先,灰狼算法引入非线性收敛因子和Tent映射;然后,利用广泛学习、精英学习和协调学习三种策略,在GWO优化过程中协调工作;最后,利用轮盘赌进行策略选择,以获得更具多样性灰狼位置和更具全局代表性的个体。通过标准基准函数测试,采用算法变体进行对比。结果显示,MSGWO算法拥有较好的全局搜索、局部开发的平衡能力以及更快的收敛速度。在此基础上,利用MSGWO算法优化回声状态网络(echo state networks,ESN)超参数进行回归预测。实验表明平均绝对百分比误差为0.38%,拟合程度达到0.98,验证了MSGWO算法的优化性能。
