基于Cat混沌与高斯变异的改进灰狼优化算法

摘要：

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.

关键词：混沌cat映射、灰狼优化算法、函数优化、高斯变异、优胜劣汰选择

所属期刊栏目：53

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金61364007,61462006;广西自然科学基金2014GXNSFAA118391

在线出版日期：2017-03-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1-9,50