本文介绍了一种较为新颖的优化算法——拔河优化算法(tug of war optimization,TWO)[1]。该算法属于自然启发式、基于群体的元启发式算法。利用体育隐喻,将每个候选解视为参与一系列拔河比赛的团队。这些团队根据它们所代表的解的质量...本文介绍了一种较为新颖的优化算法——拔河优化算法(tug of war optimization,TWO)[1]。该算法属于自然启发式、基于群体的元启发式算法。利用体育隐喻,将每个候选解视为参与一系列拔河比赛的团队。这些团队根据它们所代表的解的质量对彼此施加拉力。竞争的团队根据牛顿力学的运动规律移动到新的位置。与许多其他元启发式方法不同,该算法考虑了相互作用团队的质量。TWO适用于全局优化问题,包括不连续、多峰、非光滑和非凸函数。并在本文中与PSO、SA等其它算法进行了对比验证,实验结果表明TWO具有较高的可靠性与搜索速度。展开更多
针对堆优化算法(HBO)在解决复杂问题时存在搜索能力不足和搜索效率低等缺陷,提出一种差分扰动的HBO--DDHBO。首先,提出一种随机差分扰动策略更新最优个体的位置,以解决HBO没有对其更新从而导致的搜索效率低的问题;其次,使用一种最优最...针对堆优化算法(HBO)在解决复杂问题时存在搜索能力不足和搜索效率低等缺陷,提出一种差分扰动的HBO--DDHBO。首先,提出一种随机差分扰动策略更新最优个体的位置,以解决HBO没有对其更新从而导致的搜索效率低的问题;其次,使用一种最优最差差分扰动策略更新最差个体的位置,以强化其搜索能力;然后,采用一种多层差分扰动策略更新一般个体的位置,以强化多层个体之间的信息交流,并提高搜索能力;最后,针对原更新模型在搜索初期获得有效解概率低的问题,提出一种基于维的差分扰动策略更新其他个体的位置。在大量CEC2017复杂函数上的实验结果表明,与HBO相比,DDHBO在96.67%的函数上具有更好的优化性能,更少的平均运行时间(3.4450s);与WRBBO(Worst opposition learning and Random-scaled differential mutation Biogeography-Based Optimization)、DEBBO(Differential Evolution and Biogeography-Based Optimization)和HGWOP(Hybrid PSO and Grey Wolf Optimizer)等先进算法相比,DDHBO也具有显著的优势。展开更多
文摘本文介绍了一种较为新颖的优化算法——拔河优化算法(tug of war optimization,TWO)[1]。该算法属于自然启发式、基于群体的元启发式算法。利用体育隐喻,将每个候选解视为参与一系列拔河比赛的团队。这些团队根据它们所代表的解的质量对彼此施加拉力。竞争的团队根据牛顿力学的运动规律移动到新的位置。与许多其他元启发式方法不同,该算法考虑了相互作用团队的质量。TWO适用于全局优化问题,包括不连续、多峰、非光滑和非凸函数。并在本文中与PSO、SA等其它算法进行了对比验证,实验结果表明TWO具有较高的可靠性与搜索速度。
文摘针对堆优化算法(HBO)在解决复杂问题时存在搜索能力不足和搜索效率低等缺陷,提出一种差分扰动的HBO--DDHBO。首先,提出一种随机差分扰动策略更新最优个体的位置,以解决HBO没有对其更新从而导致的搜索效率低的问题;其次,使用一种最优最差差分扰动策略更新最差个体的位置,以强化其搜索能力;然后,采用一种多层差分扰动策略更新一般个体的位置,以强化多层个体之间的信息交流,并提高搜索能力;最后,针对原更新模型在搜索初期获得有效解概率低的问题,提出一种基于维的差分扰动策略更新其他个体的位置。在大量CEC2017复杂函数上的实验结果表明,与HBO相比,DDHBO在96.67%的函数上具有更好的优化性能,更少的平均运行时间(3.4450s);与WRBBO(Worst opposition learning and Random-scaled differential mutation Biogeography-Based Optimization)、DEBBO(Differential Evolution and Biogeography-Based Optimization)和HGWOP(Hybrid PSO and Grey Wolf Optimizer)等先进算法相比,DDHBO也具有显著的优势。
