混合策略改进的野马优化算法

针对野马优化算法存在种群多样性低、收敛速度慢和易陷入局部最优等问题,提出一种混合策略改进的野马优化算法(IWHO)。在马驹位置公式中引入基于饥饿游戏的Tent惯性权重,更好平衡算法的全局搜索与局部搜索能力;在放牧阶段引入折射镜像学习策略,利用折射镜像学习生成可行解的反向解,加快算法的求解速度;利用混合黄金正弦与飞蛾扑火算子,使算法跳出局部最优。将改进后的算法(IWHO)和其它算法在10个基准函数上对比测试,并通过Wilcoxon秩和检验和拉/压弹簧设计问题验证算法性能。仿真结果表明,IWHO在收敛速度和寻优精度上有明显改进。

种群分段变异学习和S型权重变色龙群算法

探索寻优能力强、良好的可靠性和稳定性是智能算法应用到具体领域中的最佳选择。针对变色龙群算法存在求解不稳定、收敛精度低下和搜索开发之间不平衡等缺陷,提出一种种群多样性分段变异学习和S型权重的变色龙群算法(RMSCSA)。引入折射镜像学习(refraction mirror learning,RML)策略使变色龙更符合自然界中的观察,增强它的多样性;引入种群多样性分段变异使适应度较差的个体得到保留,并引导它向最优位置靠近;S型递减权重的引入让它进一步平衡算法的全局搜索和开发能力,通过收敛性分析得出S型递减权重因子的优势。利用经典函数集和CEC 2017函数集进行性能验证,结果表明3种策略比CSA具有更好寻优精度和效率。通过对独立运行30次的结果进行Wilcoxon秩和检验、Friedman’s以及Holm后续检验统计分析,结果表明引入的3种策略与CSA相比都有更好的寻优能力。