多策略融合的改进天鹰优化算法OACSTPCD
Improved Aquila Optimization Based on Multi-Strategy Integration
为了解决天鹰优化算法(Aquila Optimization algorithm,AO)易陷入局部最优及收敛速度慢的问题,本文提出一种多策略融合的改进天鹰优化算法(Multi-Strategy Integration Aquila Optimization algorithm,MSIAO).该算法采用结合Tent混沌映射的折射反向学习初始化种群以提高算法前期的搜索效率,根据种内互助及优化策略解决算法寻优停滞的缺陷,并通过基于Bernoulli混沌序列的自适应权重策略提高算法的收敛速度,引入了柯西-高斯变异算子增强算法迭代后期逃逸局部极值的能力.本文对10个基准函数、部分CEC2014测试函数集进行实验,并将MSIAO用于2个工程设计优化问题.结果表明,对于高维单峰、高维多峰以及固定维复杂多模态函数,MSIAO比AO具有更高的收敛精度和更快的收敛速度;MSIAO对压力容器与焊接梁优化设计的经济成本较AO分别节约4.62%、0.77%,验证了MSIAO对于处理机械工程问题的实用性和优越性.
张长胜;张健忠;钱斌;胡蓉
昆明理工大学信息工程与自动化学院,云南昆明 650500昆明理工大学信息工程与自动化学院,云南昆明 650500昆明理工大学信息工程与自动化学院,云南昆明 650500昆明理工大学信息工程与自动化学院,云南昆明 650500
计算机与自动化
天鹰优化算法折射反向学习种内互助Bernoulli序列自适应权重柯西-高斯变异
aquila optimizationrefracted opposition-based learningintraspecific and mutual assistanceBernoulli sequenceadaptive weightCauchy-Gaussian mutation
《电子学报》 2023 (5)
基于问题联结关系的混合分布估计调度理论与方法研究
1245-1255,11
国家自然科学基金(No.51665025,No.61963022) National Natural Science Foundation of China(No.51665025,No.61963022)
评论