| 灰狼优化与差分进化的混合算法及函数优化 |
| |
| 引用本文： | 张新明,涂强,康强,程金凤.灰狼优化与差分进化的混合算法及函数优化[J].计算机科学,2017,44(9):93-98, 124. |
| |
| 作者姓名： | 张新明 涂强 康强 程金凤 |
| |
| 作者单位： | 河南师范大学计算机与信息工程学院 新乡453007;河南省高校计算智能与数据挖掘工程技术研究中心 新乡453007,河南师范大学计算机与信息工程学院 新乡453007,河南师范大学计算机与信息工程学院 新乡453007,河南师范大学计算机与信息工程学院 新乡453007 |
| |
| 基金项目： | 本文受河南省重点科技攻关项目(132102110209),河南省基础与前沿技术研究计划项目(142300410295)资助 |
| |
| 摘 要： | 灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度；然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。
|
| 关 键 词： | 优化算法 混合优化算法 灰狼优化算法 差分进化 函数优化 |
| 收稿时间： | 2016/7/2 0:00:00 |
| 修稿时间： | 2016/11/13 0:00:00 |
Hybrid Optimization Algorithm Based on Grey Wolf Optimization and Differential Evolution for Function Optimization |
| |
| ZHANG Xin-ming,TU Qiang,KANG Qiang and CHENG Jin-feng.Hybrid Optimization Algorithm Based on Grey Wolf Optimization and Differential Evolution for Function Optimization[J].Computer Science,2017,44(9):93-98, 124. |
| |
| Authors: | ZHANG Xin-ming TU Qiang KANG Qiang and CHENG Jin-feng |
| |
| Affiliation: | College of Computer and Information Engineering,Henan Normal University,Xinxiang 453007,China;Engineering Technology Research Center for Computing Intelligence & Data Mining of Henan Province,Xinxiang 453007,China,College of Computer and Information Engineering,Henan Normal University,Xinxiang 453007,China,College of Computer and Information Engineering,Henan Normal University,Xinxiang 453007,China and College of Computer and Information Engineering,Henan Normal University,Xinxiang 453007,China |
| |
| Abstract: | |
| |
| Keywords: | Optimization algorithm Hybrid optimization algorithm Grey wolf optimization algorithm Differential evolution Function optimization |
|
|
点击此处可从《计算机科学》下载全文 |
|
