融合对立学习的混合灰狼优化算法

摘要：

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法.该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体.对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高.

关键词：灰狼优化算法、Rosenbrock搜索、对立学习

所属期刊栏目：11

分类号：TP301.6(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No.61403046;the Science and Technology Projects of Hunan Province under Grant No.2014FJ3051

在线出版日期：2017-06-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：673-680