基于反向学习和种群引导的多目标蝗虫优化算法

为了解决多目标优化的相关问题,提出了求解多目标的蝗虫优化算法,结合单个目标的蝗虫优化算法的搜寻机制、帕累托优势以及拥挤度策略,并在算法中应用种群引导和高斯变异算子,加入了反向学习机制。将所提出的算法与经典的MOPSO、MOCS、MOGOA和MOWOA算法进行了比较,比较结果表明,所提出的改进多目标蝗虫优化算法具有良好的鲁棒性,所求得的解分布更均匀,收敛更快速,是一种有着良好应用前景的多目标进化算法。

多策略协同的改进鲸鱼优化算法

针对鲸鱼优化算法求解精度低、收敛速度慢和易陷入局部最优等问题,提出一种多策略协同的改进鲸鱼优化算法(MSWOA)。首先利用种群信息引导机制提升全局最优位置的开采效率,避免算法在迭代后期陷入局部最优;其次将改进的黄金正弦算法融入鲸鱼包围猎物的过程,以扩大种群在解空间内的搜索范围;最后采用惯性权重和非线性参数调整策略提升算法的全局探索和局部开发能力。通过对不同改进策略的有效性分析、与其他智能算法的对比分析、高维情形下的寻优性能分析、Wilcoxon秩和检验,证明了MSWOA算法具有更好的寻优精度和稳定性。

基于反向精英保留和Levy变异的多目标鲸鱼优化算法

为了解决多目标优化的相关问题,鲸鱼优化算法结合多目标相关理论,并在算法中加入了反向精英保留、Levy变异以及种群引导,提出了一种求解多目标问题的鲸鱼优化改进算法。该算法利用反向精英保留制度,扩大了每次搜寻的范围,降低了收敛迭代次数,加入的Levy变异增强了算法的全局寻优的性能,并利用种群引导的机制来改善算法的分布情况。在实验验证中将所提出的算法与经典的MOPSO、MOCS、NSGAⅡ、MOWOA算法进行比较。实验的数据表明,改进后的多目标鲸鱼优化算法,收敛的精度更高,收敛速度更快,结果更稳定,是一种应用场景广泛的多目标优化算法。