针对正余弦算法(Sine Cosine Algorithm,SCA)在解决优化问题时存在收敛速度慢、计算精度低等缺陷,本文提出一种融合疯狂秃鹰搜索算法的混沌正余弦算法(Chaotic Sine Cosine Algorithm based on Crazy Bald-eagle Search,CSCA-CBS)。CSCA...针对正余弦算法(Sine Cosine Algorithm,SCA)在解决优化问题时存在收敛速度慢、计算精度低等缺陷,本文提出一种融合疯狂秃鹰搜索算法的混沌正余弦算法(Chaotic Sine Cosine Algorithm based on Crazy Bald-eagle Search,CSCA-CBS)。CSCA-CBS采用结合Logistic与Tent的混合混沌映射进行种群初始化,从而获得更加均匀和多样的初始种群;受秃鹰搜索算法所启发,CSCA-CBS采用带有疯狂算子的秃鹰搜索策略,该策略能够提升CSCA-CBS的全局探索能力;为了在迭代后期避免陷入局部最优区域,CSCA-CBS使用逐维反向柯西变异策略对种群进行有规律的扰动,极大地集成了反向学习和柯西变异的优势。在15个基准函数上进行的仿真实验结果表明,CSCA-CBS在计算代价和可靠性、解的质量分析以及收敛性能等方面优于多种先进的SCA变体和非SCA基准算法。此外,土壤水分特征曲线的参数反演实验进一步验证了CSCA-CBS的实用性和有效性。展开更多
电鳗觅食优化算法EEFO(Electric Eel Foraging Optimization)在迭代过程中会出现全局探索能力不足、容易陷入局部最优和收敛速度慢的问题。同时,算法的性能受到参数设置的影响,需要仔细调整和优化。对此,提出了一种多策略改进的电鳗觅...电鳗觅食优化算法EEFO(Electric Eel Foraging Optimization)在迭代过程中会出现全局探索能力不足、容易陷入局部最优和收敛速度慢的问题。同时,算法的性能受到参数设置的影响,需要仔细调整和优化。对此,提出了一种多策略改进的电鳗觅食优化算法(IEEFO)。首先,调整能量因子策略,引入了双曲正切能量因子,使算法在迭代过程中提前加入开发行为,从而快速发现最优种群,加快收敛速度;之后,改进扰动因子,扩大电鳗游走的位置范围,有利于种群的全局寻优;然后,在迁徙阶段加入正弦余弦策略,促进算法的局部开发;最后,在每次迭代之后,加入透镜成像反向学习的策略来扩大搜索空间,使得算法跳出局部最优并加速收敛到全局最优解。将IEEFO分别与6种基本算法、4种单策略改进的电鳗觅食优化算法进行对比,对13个基准函数进行仿真实验,对IEEFO算法进行性能评估。实验结果表明,IEEFO相比于对比算法收敛速度更快,全局寻优能力更强,算法总体性能有显著提升。此外,通过一个机械优化设计实验进行测试分析,进一步验证了IEEFO的有效性和适用性。展开更多
文摘针对正余弦算法(Sine Cosine Algorithm,SCA)在解决优化问题时存在收敛速度慢、计算精度低等缺陷,本文提出一种融合疯狂秃鹰搜索算法的混沌正余弦算法(Chaotic Sine Cosine Algorithm based on Crazy Bald-eagle Search,CSCA-CBS)。CSCA-CBS采用结合Logistic与Tent的混合混沌映射进行种群初始化,从而获得更加均匀和多样的初始种群;受秃鹰搜索算法所启发,CSCA-CBS采用带有疯狂算子的秃鹰搜索策略,该策略能够提升CSCA-CBS的全局探索能力;为了在迭代后期避免陷入局部最优区域,CSCA-CBS使用逐维反向柯西变异策略对种群进行有规律的扰动,极大地集成了反向学习和柯西变异的优势。在15个基准函数上进行的仿真实验结果表明,CSCA-CBS在计算代价和可靠性、解的质量分析以及收敛性能等方面优于多种先进的SCA变体和非SCA基准算法。此外,土壤水分特征曲线的参数反演实验进一步验证了CSCA-CBS的实用性和有效性。
文摘电鳗觅食优化算法EEFO(Electric Eel Foraging Optimization)在迭代过程中会出现全局探索能力不足、容易陷入局部最优和收敛速度慢的问题。同时,算法的性能受到参数设置的影响,需要仔细调整和优化。对此,提出了一种多策略改进的电鳗觅食优化算法(IEEFO)。首先,调整能量因子策略,引入了双曲正切能量因子,使算法在迭代过程中提前加入开发行为,从而快速发现最优种群,加快收敛速度;之后,改进扰动因子,扩大电鳗游走的位置范围,有利于种群的全局寻优;然后,在迁徙阶段加入正弦余弦策略,促进算法的局部开发;最后,在每次迭代之后,加入透镜成像反向学习的策略来扩大搜索空间,使得算法跳出局部最优并加速收敛到全局最优解。将IEEFO分别与6种基本算法、4种单策略改进的电鳗觅食优化算法进行对比,对13个基准函数进行仿真实验,对IEEFO算法进行性能评估。实验结果表明,IEEFO相比于对比算法收敛速度更快,全局寻优能力更强,算法总体性能有显著提升。此外,通过一个机械优化设计实验进行测试分析,进一步验证了IEEFO的有效性和适用性。
