灰狼优化（GWO）算法是一种新兴的算法，它基于灰狼的社会等级以及它们的狩猎和合作策略。 该算法于2014年推出，已被许多研究人员和设计人员使用，因此对原始论文的引用次数超过了许多其他算法。 在Niu等人的最新研究中，介绍了该算法用于优化现实世界问题的主要缺点之一。 总之，他们表明，随着问题的最佳解决方案从0偏离，GWO的性能下降。
在Greedy Non-Herarchical Gray Wolf Optimizer（G-NHGWO）中，通过对原始GWO算法进行直接修改，即忽略其社会层次结构，我们能够在很大程度上消除此缺陷，并为将来的使用开辟了新视野。此算法。 通过将其应用于基准和实际工程问题，验证了所提方法的效率。
参考文件： http : //dx.doi.org/10.1049/ell2.12176
2021-12-08 21:39:58
521KB
1
为了克服狼群搜索算法（WSA）存在的不足，提出一种新的混合优化算法，称之为引入Nelder-Mead算子的改进狼群搜索算法。该算法使得每只狼在个体搜索中能够利用群体信息和个体记忆来指导其搜索猎物，以提高算法的全局搜索能力；让每只狼在个体搜索中可使用Nelder-Mead方法，以弥补WSA在局部搜索能力上的不足。选取六个基准函数，用来测试算法的优化性能。实验结果表明：该算法能够寻得更优的最优解，且鲁棒性更强，可应用于求解高维复杂优化问题。
2021-12-08 18:29:37
1.05MB
1
为更好发现数据中的复杂规律, 避免核函数选择的盲目性和局部最优等非线性优化问题, 本文提出一种基于改进灰狼算法优化多核支持向量回归机算法. 首先, 基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型; 其次, 利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化; 最后, 应用灰色关联分析理论确定采油速度影响因素集, 并作为多核支持向量回归机预测模型的输入. 与6种采油速度预测方法进行对比, 所提方法具有较好的全局寻优能力和较高的预测率的优点.
2021-12-02 20:36:05
1.2MB
1