基于MATLAB的改进海马算法

针对海马算法寻优精度不足、易陷入局部最优的问题,本文提出一种基于Singer混沌及失败者放逐的海马算法。在初始化种群阶段,Singer混沌映射被引入用以生成遍历搜索空间的初始海马个体,增强了初始种群的多样性,有利于提高算法的搜索精度;在海马捕食阶段,引入失败者放逐策略,将捕食失败的海马个体放逐到搜索空间内,有利于算法跳出局部最优;在海马繁殖阶段,引入动态繁殖策略,动态影响父本和母本的权重,有利于防止算法过早收敛到局部极值。在算法性能测试实验中选用了10个基准测试函数和10个CEC2013测试函数,实验结果表明本文所提改进海马算法在寻优精度和收敛速度上都有较大提升,是一种优化能力强、鲁棒性好的算法。

混合蛙跳算法的最优参数研究

介绍了混合蛙跳算法的最优参数选取过程。在种群总数以及总迭代数给定的情况下,分组数、允许青蛙个体位置改变的最大步长和组内迭代数是影响混合蛙跳算法优化性能的重要参数。不同参数值的选取会对算法结果产生不同的影响。对混合蛙跳算法中这三个参数值进行选择,首先进行了参数对算法影响的分析,其次取每个参数的三个常用值,利用正交实验设计法设计三因素三水平的实验。接着在相同环境条件下,用CEC2013实参函数测试集验证不同参数组合算法的寻优性能。最后以最优值误差Friedman检测的得分为评价指标,选出最优参数组合(20,5,10),为后续算法改进及应用打下基础。

基于醉汉漫步和反向学习的灰狼优化算法

灰狼优化算法在优化后期易陷入局部最优,在求解高维函数时因其复杂度更高,陷入局部最优概率更大,针对上述问题提出基于醉汉漫步和反向学习的混合灰狼优化算法(DGWO)。在迭代过程中对每代种群中优势狼与最差狼进行反向学习并进行比较、重新排序后保留前3的狼,同时将采用醉汉漫步机制更新领导狼,参数A和C采用系数标量而不是GWO原始算法中的系数向量。通过10个标准测试函数(100维、500维和1000维)以及10维的CEC2013测试函数验证了算法的性能,并与PSO、GWO-CS和GWO算法进行了比较,结果表明,该混合灰狼优化算法在精度和收敛速度上都具有优势。此外,将改进的灰狼优化算法应用于两级运算放大器参数设计,以开环低频增益最大化为目标,验证该算法的实用性。