融合聚集因子和正余弦搜索的阿基米德优化算法

针对阿基米德优化算法(AOA)收敛精度差、跳出局部最优能力弱的不足,提出一种融合聚合因子与正余弦搜索的改进阿基米德优化算法(YMAOA)。首先,引入Sobol序列初始化种群,增强种群多样性;其次,将密度因子重构为非线性递减趋势,同时设计非线性权值平衡算法在不同时期的探索能力和收敛速度;然后,设计基于聚集因子判断的随机反向学习策略,增强全局探索的寻优性能;同时在算法局部优化阶段融合正余弦搜索机制进行位置更新,协助算法跳离局部最优。将改进算法与标准AOA及其他同类算法在9个基准函数上进行对比实验,结果表明:YMAOA算法在寻优精度和收敛能力上有明显提升,对比同类改进AOA算法,YMAOA兼具收敛速度和跳出局部最优能力的优势,Wilcoxon秩和检验结果也证明YMAOA在搜索性能上具有显著性优势。