融合无迹sigma点变异和交叉反向的鹈鹕优化算法OA北大核心CSTPCD

针对鹈鹕优化算法(POA)在寻优过程中存在寻优速度慢、精度低以及易陷入局部最优等问题,提出了一种融合无迹sigma点变异和交叉学习的鹈鹕优化算法(MPOA)。使用随机反向学习策略对种群中劣势群体产生随机反向解,引入无迹sigma点对其反向解进行变异,增强算法在搜索域可见范围内精细开发,避免算法陷入局部最优;利用Levy飞行的随机性对交叉反向策略进行改进,动态探索丰富个体寻优过程,保持算法多样性,增强算法全局搜索能力;引入非线性收敛因子来平衡算法的开发和勘探能力,利用基于SPM的混沌序列扰动非线性收敛因子以增加解的多样性,避免算法在后期陷入局部最优,增强算法稳定性。利用12个基准测试函数、秩和检验和CEC2021函数进行实验仿真,对比分析寻优效果可知,改进算法具有更强的全局搜索能力和更快的寻优速度。将MPOA算法用于优化长短期记忆网络(LSTM)模型的参数,并应用于气候变化预测任务,与其他六种群智能算法优化的LSTM模型进行对比,结果表明,MPOA-LSTM模型具有更好的预测精度。