种群分段变异学习和S型权重变色龙群算法

摘要：

探索寻优能力强、良好的可靠性和稳定性是智能算法应用到具体领域中的最佳选择.针对变色龙群算法存在求解不稳定、收敛精度低下和搜索开发之间不平衡等缺陷,提出一种种群多样性分段变异学习和S型权重的变色龙群算法(RMSCSA).引入折射镜像学习(refraction mirror learning,RML)策略使变色龙更符合自然界中的观察,增强它的多样性;引入种群多样性分段变异使适应度较差的个体得到保留,并引导它向最优位置靠近;S型递减权重的引入让它进一步平衡算法的全局搜索和开发能力,通过收敛性分析得出S型递减权重因子的优势.利用经典函数集和CEC 2017函数集进行性能验证,结果表明3种策略比CSA具有更好寻优精度和效率.通过对独立运行30次的结果进行Wilcoxon秩和检验、Friedman's以及Holm后续检验统计分析,结果表明引入的3种策略与CSA相比都有更好的寻优能力.

关键词：变色龙群算法、折射镜像学习、多样性变异、S型递减权重、统计分析

所属期刊栏目：35

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;国家自然科学基金;贵州省科学技术基金;贵州省自然科学基金

在线出版日期：2023-02-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：11-26