新型随机分形搜索算法

针对随机分形搜索算法在更新阶段中存在收敛速度慢、求解精度不高和易陷入局部最优等缺陷,提出一种新型随机分形搜索算法。通过将差分进化算法的变异操作引入到随机分形搜索算法的更新阶段,进一步增加生成群体的多样性并提高算法的求解精度,有效提高算法的搜索性能。采用12个标准测试函数进行数值实验,将新型随机分形算法与随机分形搜索算法和引力搜索算法进行比较。实验结果表明,新型随机分形搜索算法具有良好的优化性能。

随机分形搜索算法

现有的元启发式算法大多是模仿生物的群体运动来解决优化问题。为了进一步给优化算法的设计提供新的思路,受自然生长现象的启发,提出了一种新型的元启发式算法—随机分形搜索算法。该算法利用分形的扩散特性进行寻优,其优化原理完全不同于现有的元启发式算法。其中,算法的扩散过程采用高斯随机游走方式来开发问题的搜索空间,而更新过程则分别对个体的分量及个体本身采用相应的更新策略来进行更新,以此进行全局搜索和局部搜索,从而形成了一个完整的优化系统。通过对一系列典型的测试函数优化问题的求解实验并与其他算法进行比较,结果表明随机分形搜索算法不仅具有较高的计算精度,而且具有较快的收敛速度。