位置扰动的粒子群算法

针对基本粒子群算法具有容易陷入局部极值、对多维搜索空间精度不高等缺陷,提出了一种位置扰动的粒子群算法。算法通过对粒子个体最优位置的一个或多个随机维上的计算,产生对群体最优位置对应维上的扰动,使群体最优位置可以从个体最优位置搜索经验中更直接的学习,并且跳出局部最优。通过几个常用测试函数的测试结果表明,位置扰动的粒子群算法比标准PSO算法在处理多峰值、多维搜索空间问题时有更高的寻优能力。

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法(GWO)后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法(DAGWO)。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子a,以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。