夏永承 沈金榮 劉夢權
關鍵詞:cat 混沌映射;反向學習;單純形法;收斂因子;金豺優化算法
中圖分類號:TP18 文獻標識碼:A 文章編號:1006-8228(2023)11-34-07
0 引言
金豺優化算法(GJO)是新近提出的群智能優化算法[1],具有易于實施、穩定性高、調整參數少等優點,在很多領域得到了應用[2-3]。但GJO 算法存在勘探和開發能力不平衡,容易導致過度開發并陷入局部最優的問題[4]。針對該算法現有缺陷,文獻[5]改進了其收斂因子,文獻[6]利用了精英對立學習策略?;谝陨蠈JO 算法的改進經驗,本文利用Cat 混沌映射和精英反向學習策略初始化種群,利用單純形法優化較差個體,改進了收斂因子,引入自適應權重的方式更新位置,最后引入個體記憶方法加快收斂速度并用采用高斯變異擾動優化最優解。通過八個基準函數的尋優測試對比,改進后的算法在原基礎上提高了收斂速度和尋優精度。
1 金豺優化算法
GJO算法模擬了金豺成對狩獵的習性,包括三個階段:搜索獵物;搜索并包圍獵物直到獵物停止逃跑;圍攻獵物。
⑴ 種群初始化