精英反向学习及柯西扰动引导的瞪羚优化算法

针对瞪羚优化算法收敛精度低和易陷入局部最优的问题,提出一种精英反向学习及柯西扰动引导的瞪羚优化算法(improved gazelle optimization algorithm,IGOA)。首先,对瞪羚个体利用精英反向学习策略进行初始化,提升初始解的质量并增加种群多样性;其次,在算法迭代初期,利用二阶段非线性惯性权重引导种群的位置更新方式,提高算法的精度并均衡算法的全局搜索和局部搜索;最后,将存活率引导的柯西扰动策略引入勘探阶段种群的位置更新公式中,提升算法跳出局部最优的能力。利用12个基准测试函数和Wilcoxon秩和检验在8个对比算法上进行实验检测,结果表明改进算法寻优精度更高、收敛速度更快且具有跳出局部最优的能力。在齿轮系和三杆桁架设计两个实际工程问题上验证了IGOA的实用性和有效性。

改进猎人猎物优化算法在WSN覆盖中的应用

针对传统无线传感器网络(WSN)节点部署覆盖盲区大、分布不均等问题,提出一种改进的猎人猎物优化(IHPO)算法优化网络覆盖。首先,在猎物位置更新阶段,引入差分进化(DE)思想并借助动态比例因子进行交叉变异,从而增强种群信息交流;其次,在全局最优位置更新阶段,由α稳定分布提出自适应α变异对全局最优位置进行扰动,从而平衡不同时期算法的性能需求;最后,利用自适应α变异扰动的全局最优位置引导种群完成动态反向学习,从而增加种群的全局搜索能力和多样性。在WSN覆盖问题中,使用IHPO优化的网络节点分布更均匀、覆盖率更高,在传感器感知能力不足时能达到92.56%的覆盖率,对比原始HPO算法优化的节点提高了25.74%,对比改进粒子群优化(IPSO)算法、改进灰狼优化算法(IGWO)优化的节点分别提高了13.98%、16.41%。同时,IHPO算法优化的节点能耗更均衡,在路由测试中的网络工作时间可以延长至2500轮次。