基于混合反向学习策略的鲸鱼优化算法

针对鲸鱼优化算法(WOA)在解决高维复杂问题时存在收敛速度慢、全局搜索能力不足的问题,提出一种最优最差个体混合反向学习的WOA(MWOA)。首先,引入一种自适应惯性权重,用于调节寻优前期的步长和寻优后期的种群多样性;其次,提出一种混合反向学习策略并将其融入WOA,以提高算法的收敛精度;最后,引入一种参数非线性衰减策略,以提高其在高维度以及复杂问题上的探索开发能力和收敛速度。将MWOA与WOA、MS-WOA、IWOA对10个基准函数的优化效果进行比较,结果表明MWOA在收敛速度、优化精度上相较对比算法均有所提升。另外,将MWOA与CODE、CPSO、EGWO和DIHS进行比较,结果表明MWOA具有较好的收敛精度。

多策略改进的龙格库塔优化算法

针对龙格库塔优化算法存在收敛速度较慢和易陷入局部最优等问题,提出多策略改进的龙格库塔优化算法.引入混合反向学习策略扩大种群的寻优范围,增强算法的搜索能力,借助莱维飞行策略增强算法跳出局部最优的能力,同时引入动态调节因子更有效地平衡算法的开发和探索能力.在15个基准测试函数上展开多维度数值实验并进行Wilcoxon秩和检验,实验结果表明,所提算法相较对比算法而言具有更好的寻优性能.此外,焊接梁设计问题上的测试实验进一步验证了多策略改进的龙格库塔优化算法在工程问题上的可行性与有效性.