灰狼优化与差分进化的混合算法及函数优化

摘要：

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优.差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足.为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法.首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题.对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题.

关键词：优化算法、混合优化算法、灰狼优化算法、差分进化、函数优化

所属期刊栏目：44

分类号：TP18(自动化基础理论)

资助基金：河南省重点科技攻关项目132102110209;河南省基础与前沿技术研究计划项目142300410295

在线出版日期：2017-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：93-98,124