10.11772/j.issn.1001-9081.2021050839
基于布朗运动与梯度信息的交替优化算法
针对群智能优化算法在优化过程中容易陷入局部最优、种群多样性低以及高维函数优化困难的问题,提出一种基于布朗运动与梯度信息的交替优化算法(AOABG).首先,采用全局、局部搜索交替的寻优策略,即在有变优趋势的范围内切换为局部搜索,有变劣趋势的范围内切换为全局搜索;然后,局部搜索引入基于梯度信息的均匀分布概率的随机游走,全局搜索引入基于最优解位置的布朗运动的随机游走.将所提出的AOABG与近三年的哈里斯鹰优化算法(HHO)、麻雀搜索算法(SSA)、特种部队算法(SFA)在10个测试函数上对比.当测试函数维数为2、10时,AOABG在10个测试函数上的100次最终优化结果的均值与均方差均优于HHO、SSA与SFA.当测试函数为30维时,除了HHO在Levy函数上的表现优于AOABG(两者优化结果均值处于同一数量级)外,AOABG在其他9个测试函数上表现最好,与上述算法相比,优化结果均值提升了4.64%~94.89%.实验结果表明,AOABG在高维函数优化中收敛速度更快、稳定性更好、精度更高.
交替寻优策略、高维函数优化、收敛速度、布朗运动、梯度信息
42
TP301.6(计算技术、计算机技术)
陕西省科技攻关重点项目;西安石油大学研究生创新与实践能力培养计划
2022-08-01(万方平台首次上网日期,不代表论文的发表时间)
共7页
2139-2145