排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
灰狼优化算法在优化后期易陷入局部最优,在求解高维函数时因其复杂度更高,陷入局部最优概率更大,针对上述问题提出基于醉汉漫步和反向学习的混合灰狼优化算法(DGWO)。在迭代过程中对每代种群中优势狼与最差狼进行反向学习并进行比较、重新排序后保留前3的狼,同时将采用醉汉漫步机制更新领导狼,参数A和C采用系数标量而不是GWO原始算法中的系数向量。通过10个标准测试函数(100维、500维和1 000维)以及10维的CEC2013测试函数验证了算法的性能,并与PSO、GWO-CS和GWO算法进行了比较,
结果表明,该混合灰狼优化算法
在精度和收敛速度上都具有优势。此外,将改进的灰狼优化算法应用于两级运算放大器参数设计,以开环低频增益最大化为目标,验证该算法的实用性。 相似文献
2.
3.
离散交通信号控制模型在自适应粒子群算法中引入变异算子,以更新粒子群算法的个体极值点和全局极值点.在此模型基础上,应用四种自适应变异粒子群算法优化城市交通信号控制配时方案,同时比较分析各变异算子的优劣.然后选出最优的自适应变异粒子群算法对不同的交通流进行连续优化控制.仿真表明该混合算法可解决易陷入局部收敛的缺陷并能够有效实现交通信号优化控制. 相似文献
4.
1