一种具有领导机制的混合蛙跳优化算法

针对标准混合蛙跳算法在高维复杂函数优化时易陷入局部极值的缺陷进行了研究,提出了一种具有领导机制的混合蛙跳算法。该算法借鉴"差别对待"思想将青蛙种群分类,每类青蛙采用不同的位置更新公式进行位置更新,并利用高斯变异取代随机产生新青蛙的操作,避免算法盲目搜索;模仿自然界的领导作用,引入粒子群种群在青蛙种群最优个体附近进行局部振荡搜索。为了检验新算法的寻优性能,采用六种典型的连续函数对其以及其他混合蛙跳算法进行收敛精度和收敛速度方面的对比测试。实验结果表明,新算法具有较高的收敛精度和较快的收敛速度,有效地弥补了标准混合蛙跳算法易早熟收敛的缺陷,适用于高维复杂函数的优化。

一种自适应交替的差分混合蛙跳优化算法

针对混合蛙跳算法在解决高维优化问题时易早熟收敛、求解精度低等问题,提出一种自适应交替的差分混合蛙跳优化算法。采用粒子群算法在短时间内产生一组满足约束条件的初始解,以提高初始解的质量。在此基础上,利用差分进化算法全局搜索能力强、种群多样性好等优点,设计一种自适应选择机制,动态地交替使用混合蛙跳算法和差分进化算法,使两者有机融合、优势互补。对6个经典函数的仿真测试结果表明,该算法可以丰富粒子的多样性,使算法前期和后期都具有较好的寻优能力,且寻优速率、求解精度、稳定性都优于混合蛙跳算法、差分进化算法和差分混合蛙跳算法。