基于随机惯性权重的自适应花粉算法

为了解决花粉算法(FPA)收敛速度慢,收敛精度不高,易陷入局部极小点等缺陷,将随机惯性权重学习机制引入花粉全局搜索更新机制,并将转换概率调整为随迭代次数自适应变化,以平衡算法的全局搜索和局部开发能力,建立了基于随机惯性权重的自适应花粉优化算法。为了测试改进后算法的收敛性能,任意选取8个标准测试函数进行测试。结果表明:改进后FPA的收敛速度、收敛精度等性能都优于标准FPA.

基于蝙蝠算法的花粉算法改进

针对花粉算法(FPA)易陷入局部最优,收敛速度慢,收敛精度不高等缺陷,将蝙蝠算法(BA)引入到花粉算法中,优化花粉配子初始位置,建立基于蝙蝠算法的花粉算法(BA-FPA).为了验证改进后的BA-FPA算法收敛性能优于基本FPA算法和BA算法,任意选取6个标准测试函数进行测试.结果表明,BA-FPA的收敛速度、收敛精度等性能都优于标准FPA和BA.