基于灰狼优化的反向学习粒子群算法

摘要：

针对粒子群算法(PSO)易早熟收敛、逃离局部最优能力差、精度低等缺点,提出一种基于灰狼优化的反向学习粒子群算法.该算法对最优粒子采用反向学习策略产生反向解,扩大种群的搜索范围,增强了算法的全局搜索能力;对其非最优粒子采用新型社会学习方式,提高其搜索效率和开采性能;同时,针对PSO收敛精度较低的问题,引入灰狼优化算法,并对其收敛因子产生扰动,平衡算法全局和局部搜索性能并提高其精度.在CEC2017测试函数上进行仿真实验,结果表明,在相同的实验条件下,改进后的粒子群算法在收敛精度和收敛速度上有显著提升,且其性能明显优于标准粒子群算法.

关键词：粒子群算法、反向学习、灰狼优化算法、贝塔分布

所属期刊栏目：56

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;武汉科技大学智能信息处理与实时工业系统湖北省重点实验室基金资助

在线出版日期：2020-04-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：48-56