针对进化规划的早熟收敛问题,借鉴免疫系统的应答机制,并结合进化规划与免疫机理,提出一种基于双变异算子的免疫规划算法(DMIP).该算法的核心在于采用全局柯西变异算子和局部高斯变异算子,通过保持种群的多样性和执行记忆保护以及弱小保护策略,保证了算法搜索的快速性和有效性.理论分析和仿真结果均表明,该方法能够有效地提高算法的全局及局部搜索能力,克服早熟现象.
2023-02-27 22:24:38
686KB
1
针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点，提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置，为算法全局搜索过程的种群多样性奠定基础；同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度；最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验，结果表明，与基本GWO算法、PSO算法、GA算法以及ACO算法相比，该算法具有更好的求解精度和更快的收敛速度。
2022-04-14 11:13:38
9.48MB
1
针对智能单粒子优化算法(ISPO)容易出现算法早熟、收敛精度低的现象, 提出一种基于高斯变异的智能单粒子算法(GISPO)。当粒子陷入局部最优值, 每一维速度会降到一定的阈值, 整个粒子进化处于缓慢阶段; 此时给予搜索到的历史最优极值一个自适应的高斯变异扰动, 会大大提高粒子的逃逸能力, 帮助粒子快速地跳出局部极值点, 不断地向全局最优解靠近。通过几个标准测试函数进行实验, 结果表明该算法的收敛速度、搜索精度和稳定性均优于ISPO算法。
2021-12-17 18:18:26
1.07MB
1