重选精英个体的非线性收敛灰狼优化算法

针对灰狼优化算法（GWO）存在的求解精度较低、后期收敛速度较慢、易陷入局部最优的缺点,提出一种改进灰狼优化算法（EGWO）。该算法引进两种改进策略：用以平衡算法全局搜索性和局部开发性的非线性收敛因子调整策略和用以降低陷入局部最优风险的精英个体重选策略。通过在9个基准测试函数上的实验与标准GWO算法,以及文献提出的5种改进灰狼算法和4种其他算法进行对比,从算法寻优的精确性和鲁棒性两个方面验证两种算法改进策略的有效性。实验结果表明,两种改进策略都能提升算法性能,综合使用两种策略的EGWO在收敛速度和求解精度都明显优于其他比较算法。     

引入莱维飞行与动态权重的改进灰狼算法

针对求解复杂优化问题时,灰狼（GWO）算法存在全局搜索能力不足、容易陷入局部最优值等问题,提出一种引入莱维飞行与动态权重策略的改进灰狼算法（LGWO）。基于Singer混沌映射初始化灰狼个体位置,增加种群多样性;收敛因子采用新的非线性更新策略,在种群迭代全期平衡全局搜索与局部搜索能力;在种群位置更新公式引入莱维飞行与动态权重策略,增加种群跳出局部最优值的概率,提升寻优准确度。通过8个基准函数的测试,并与其他优化算法和改进算法进行对比,LGWO取得了最优的收敛速度与预测精度,并验证了LGWO算法优化高维复杂问题的有效性。     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

采用动态权重和概率扰动策略改进的灰狼优化算法

针对基本灰狼优化（GWO）算法存在易陷入局部最优,进而导致搜索精度偏低的问题,提出了一种改进的GWO （IGWO）算法。一方面,通过引入由GWO算法系数向量构成的权值因子,动态调整算法的位置向量更新方程;另一方面,通过采用概率扰动策略,增强算法迭代后期的种群多样性,从而提升算法跳出局部最优的能力。对多个基准测试函数进行仿真实验,实验结果表明,相对于GWO算法、混合GWO （HGWO）算法、引力搜索算法（GSA）和差分进化（DE）算法,所提IGWO算法有效摆脱了局部收敛,在搜索精度、算法稳定性以及收敛速度上具有明显优势。     

基于杂交策略的自适应灰狼优化算法

针对灰狼优化算法(GWO)存在较为严重的收敛性缺陷问题,提出了一种基于杂交策略的自适应灰狼优化算法(AGWO)。首先引入非线性收敛因子,以平衡算法的全局搜索性和局部开发性;其次引进遗传杂交策略,对灰狼群体以一定概率两两杂交以产生新个体,从而有效增强灰狼群体的多样性;同时为避免算法后期陷入局部最优解,受蝠鲼觅食策略的启发,引入蝠鲼觅食策略并加入了动态自适应调节因子以调节群体的多样性,有效提升算法的收敛精度及全局寻优性能。通过选取CEC2014中11个基准测试函数进行实验,与其他相关算法横纵向对比分析,多方位验证了AGWO算法的综合寻优性能。实验结果表明,在相同参数设置下,AGWO算法的收敛速度及综合寻优性能明显优于其他比较算法。     

基于正弦因子和量子局部搜索的灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时,存在依赖初始种群、过早收敛和易陷入局部最优等缺点,提出一种融合正弦控制因子和量子局部搜索的灰狼优化算法（QGWO）。通过对灰狼算法中的控制因子按照具有正弦变化的曲线变化,使改进后的算法在迭代前期加快收敛速度以快速完成全局搜索,并且在迭代后期减缓收敛速度以提高算法精度。引入量子局部搜索降低算法陷入局部最优的概率。选用12个标准测试函数对QGWO算法性能进行验证,分别从单峰、多峰和固定维测试函数对比分析。实验结果表明,与GWO、WOA、SCA和CGWO相比,QGWO对测试函数的求解有更高的精度和稳定性。通过工程实例优化KELM进行分类实验验证,QGWO表现出更好的寻优性能。     

一种新型非线性收敛因子的灰狼优化算法*

针对标准灰狼优化算法在求解复杂工程优化问题时存在求解精度不高和易陷入局部最优的缺点,提出一种新型灰狼优化算法用于求解无约束连续函数优化问题。该算法首先利用反向学习策略产生初始种群个体,为算法全局搜索奠定基础;受粒子群优化算法的启发,提出一种非线性递减收敛因子更新公式,其动态调整以平衡算法的全局搜索能力和局部搜索能力;为避免算法陷入局部最优,对当前最优灰狼个体进行变异操作。对10个测试函数进行仿真实验,结果表明,与标准灰狼优化算法相比,改进灰狼优化算法具有更好的求解精度和更快的收敛速度。     

双收敛因子策略下的改进灰狼优化算法

针对标准灰狼优化算法（GWO）的收敛速度慢、易陷入局部最优等缺点,提出一种在非线性双收敛因子策略下基于双头狼引领的改进灰狼优化（GWO-THW）算法。首先,利用混沌Cubic映射初始化种群,提升种群分布的均匀性和多样性,并通过平均适应度值将狼群分为捕猎狼和侦察狼,两类狼群采用不同的收敛因子,在各自的头狼带领下寻找和围捕猎物;其次,为提升搜索速度和精度,设计了一种位置更新的自适应权重因子;同时,为跳出局部最优,当一定时间内未发现猎物时,狼群采用莱维（Levy）飞行策略随机更新位置。在10个常用的基准测试函数上验证GWO-THW的有效性。实验结果表明,与标准GWO及相关变体相比,GWO-THW在8个基准测试函数上都取得了较高的寻优精度和收敛速度,尤其在多峰函数上,200次迭代内就能收敛到理想最优值,从而验证了GWO-THW具有更好的寻优性能。     

采用动态双子群策略改进的灰狼算法及其在心电信号识别中的应用

针对基本灰狼优化算法(GWO)易陷入局部最优的缺点,将双子群策略引入灰狼算法,提出一种采用动态双子群策略改进的灰狼算法(DDGWO).该算法动态的将灰狼种群划分为较优子群和较差子群,较优子群与较差子群采用不同的非线性收敛因子,在进行全局搜索时,能够有效避免陷入局部最优.本文将DDGWO应用于SVM参数优化,并建立DDGWO-SVM模型进行心电信号识别实验,并与其他算法进行性能测试对比.结果表明,DDGWO具有更好的寻优特性,所建立的DDGWO-SVM模型获得了更高的心电分类识别精度.     

具有自适应调整策略的混沌灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是新型启元优化算法,相比于其他群体智能优化算法,该算法同样存在收敛速度较慢、不稳定、易陷入局部最优等问题。针对上述问题,根据GWO算法的结构特点,提出了一种自适应调整策略的混沌灰狼优化算法(Chaotic Local Search GWO),利用自适应调整策略来提高GWO算法的收敛速度,通过混沌局部搜索策略增加种群的多样性,使搜索过程避免陷入局部最优。最后利用6个测试函数对算法进行仿真验证,并结合其他4种算法进行了横向比较。实验结果证明,所提出的改进算法在收敛速度、精度以及稳定性方面具有明显的优势。     

基于Cat混沌与高斯变异的改进灰狼优化算法

针对基本灰狼优化算法在求解复杂问题时同样存在依赖初始种群、过早收敛、易陷入局部最优等缺点,提出一种改进的灰狼优化算法应用于求解函数优化问题中。该算法首先利用混沌Cat映射产生灰狼种群的初始位置,为算法全局搜索过程的种群多样性奠定基础;同时引入粒子群算法中的个体记忆功能以便增强算法的局部搜索能力和加快其收敛速度;最后采用高斯变异扰动和优胜劣汰选择规则对当前最优解进行变异操作以避免算法陷入局部最优。对13个基准测试函数进行仿真实验,结果表明,与基本GWO算法、PSO算法、GA算法以及ACO算法相比,该算法具有更好的求解精度和更快的收敛速度。     

用于函数优化和特征选择的翻筋斗觅食海鸥优化算法

针对基本海鸥优化算法（SOA）在处理复杂优化问题中存在低精度、慢收敛和易陷入局部最优的不足,提出了一种基于翻筋斗觅食策略的SOA算法（SFSOA）。该算法首先采用基于倒S型函数的控制参数A非线性递减策略更新海鸥个体的位置,以改善个体的质量和加快收敛速度;引入一种基于翻筋斗觅食策略的学习机制以增加海鸥个体位置的多样性,避免算法在搜索后期陷入局部最优值。选取八个基准函数优化问题进行数值实验,并与基本SOA、灰狼优化算法和改进SOA进行比较,结果表明,所提算法具有较高的解精度、较快的收敛速度和较强的全局搜索能力,能有效地处理复杂函数优化问题。最后,将SFSOA用于求解特征选择问题,获得了满意的结果。     

基于Cubic映射的灰狼优化算法及应用

针对标准的灰狼优化算法GWO对于复杂优化问题的求解易陷入局部最优的缺点,从混沌初始化和非线性控制策略2个角度,提出一种基于Cubic映射和反向学习的灰狼优化算法COGWO。首先,利用Cubic映射和反向学习策略对种群进行初始化,并通过非线性参数控制策略来调节寻优过程中的参数;然后,对6种基准测试函数进行寻优实验,实验结果表明,COGWO算法具有更好的收敛精度、收敛速度和稳定性;最后,将COGWO算法应用到了实际的工程优化问题中。     

具有自适应搜索策略的灰狼优化算法

灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。     

Multi-strategy ensemble grey wolf optimizer and its application to feature selection

To overcome the limitation of single search strategy of grey wolf optimizer (GWO) in solving various function optimization problems, we propose a multi-strategy ensemble GWO (MEGWO) in this paper. The proposed MEGWO incorporates three different search strategies to update the solutions. Firstly, the enhanced global-best lead strategy can improve the local search ability of GWO by fully exploiting the search space around the current best solution. Secondly, the adaptable cooperative strategy embeds one-dimensional update operation into the framework of GWO to provide a higher population diversity and promote the global search ability. Thirdly, the disperse foraging strategy forces a part of search agents to explore a promising area based on a self-adjusting parameter, which contributes to the balance between the exploitation and exploration. We conducted numerical experiments based on various functions form CEC2014. The obtained results are compared with other three modified GWO and seven state-of-the-art algorithms. Furthermore, feature selection is employed to investigate the effectiveness of MEGWO on real-world applications. The experimental results show that the proposed algorithm which integrate multiple improved search strategies, outperforms other variants of GWO and other algorithms in terms of accuracy and convergence speed. It is validated that MEGWO is an efficient and reliable algorithm not only for optimization of functions with different characteristics but also for real-world optimization problems.