基于Fuch映射的改进白鲸优化算法及应用

针对标准白鲸优化算法(BWO)存在收敛精度低、自适应能力有限和抗停滞能力弱等缺点,从混沌初始化、参数混沌和非线性控制策略3个角度,提出2种基于Fuch映射和动态反向学习的改进白鲸优化算法(CIOEBWO和CPOEBWO)。采用Fuch混沌初始化,提高算法初始化种群的遍历性,从而提升算法寻优精度和收敛速度;在开发阶段,引入Fuch混沌映射对参数C 1进行动态调节,协调算法的全局搜索和局部搜索,有效提高算法自适应能力;基于上述2种改进方式,分别引入动态反向学习策略,丰富优质个体数量,提升算法整体抗停滞能力。根据8种基本测试函数仿真实验和Friedman秩检验结果可得,改进算法的收敛精度、自适应能力和抗停滞能力均得到了有效提升。与BWO和CIOEBWO相比,CPOEBWO显现出较为优异的性能。此外,从CPOEBWO与常见的6种对比算法的寻优结果可知,CPOEBWO算法有较强的寻优能力和鲁棒性。最后,为展示CPOEBWO算法的适用性和有效性,将其应用于工程优化问题。