针对金豺优化算法(golden jackal optimization,GJO)在求解复杂优化问题时存在收敛速度慢和易陷入局部最优等不足,提出一种混合策略改进的金豺优化算法(improved golden jackal optimization,IGJO)。在算法的最优解停滞更新时,引入柯西...针对金豺优化算法(golden jackal optimization,GJO)在求解复杂优化问题时存在收敛速度慢和易陷入局部最优等不足,提出一种混合策略改进的金豺优化算法(improved golden jackal optimization,IGJO)。在算法的最优解停滞更新时,引入柯西变异策略,增强种群多样性和提升算法陷入局部最优的逃逸能力;提出一种基于权重的决策策略,通过对金豺个体赋予不同权重进行种群位置更新的决策,加快算法的收敛速度。对8个基准测试函数以及部分CEC2017测试函数进行寻优实验,结果表明改进算法具有更好的优化性能和收敛速度;进一步地,将改进算法应用于支持向量回归(support vector regression,SVR)模型的参数优化,并在选取的5个UCI(University of California,Irvine)数据集上进行实验,验证了改进算法的有效性。展开更多
为了解决金豺优化算法种群多样性差、收敛速度慢、易陷入局部最优等问题,提出了一种多策略强化的金豺优化算法(strengthening golden jackal optimization,SGJO)。首先,采用混沌精英池策略生成精英种群以增强种群多样性并提高初始解质量...为了解决金豺优化算法种群多样性差、收敛速度慢、易陷入局部最优等问题,提出了一种多策略强化的金豺优化算法(strengthening golden jackal optimization,SGJO)。首先,采用混沌精英池策略生成精英种群以增强种群多样性并提高初始解质量;然后利用自适应扰动因子更新个体位置以扩大算法的寻优范围;最后,基于种群内个体差异引入柯西高斯突变策略,以解决算法易陷入局部最优的难题且有效提高了收敛速度。通过在基准测试函数与CEC2021测试函数上进行策略有效性实验,并与其他群智能优化算法对比实验来验证SGJO算法的寻优性能,通过Wilcoxon秩和检验与汽车侧面碰撞优化问题来验证SGJO算法的稳健性和有效性。实验结果表明,多策略强化的金豺优化算法有效增强了算法的寻优能力及收敛速度,与其他算法相比具有一定的优越性。展开更多
文摘针对金豺优化算法(golden jackal optimization,GJO)在求解复杂优化问题时存在收敛速度慢和易陷入局部最优等不足,提出一种混合策略改进的金豺优化算法(improved golden jackal optimization,IGJO)。在算法的最优解停滞更新时,引入柯西变异策略,增强种群多样性和提升算法陷入局部最优的逃逸能力;提出一种基于权重的决策策略,通过对金豺个体赋予不同权重进行种群位置更新的决策,加快算法的收敛速度。对8个基准测试函数以及部分CEC2017测试函数进行寻优实验,结果表明改进算法具有更好的优化性能和收敛速度;进一步地,将改进算法应用于支持向量回归(support vector regression,SVR)模型的参数优化,并在选取的5个UCI(University of California,Irvine)数据集上进行实验,验证了改进算法的有效性。
文摘为了解决金豺优化算法种群多样性差、收敛速度慢、易陷入局部最优等问题,提出了一种多策略强化的金豺优化算法(strengthening golden jackal optimization,SGJO)。首先,采用混沌精英池策略生成精英种群以增强种群多样性并提高初始解质量;然后利用自适应扰动因子更新个体位置以扩大算法的寻优范围;最后,基于种群内个体差异引入柯西高斯突变策略,以解决算法易陷入局部最优的难题且有效提高了收敛速度。通过在基准测试函数与CEC2021测试函数上进行策略有效性实验,并与其他群智能优化算法对比实验来验证SGJO算法的寻优性能,通过Wilcoxon秩和检验与汽车侧面碰撞优化问题来验证SGJO算法的稳健性和有效性。实验结果表明,多策略强化的金豺优化算法有效增强了算法的寻优能力及收敛速度,与其他算法相比具有一定的优越性。
