嵌入邻域变异策略的量子灰狼优化算法

针对灰狼优化算法寻优过程中易陷入局部最优、种群资源利用不充分等不足,提出一种嵌入邻域变异策略的量子灰狼优化算法(Neighborhood Mutation Quantum Grey Wolf Optimizer, NMQGWO).首先,利用量子旋转门更新机制提升灰狼种群的初代多样性.其次,引入非线性惯性权值以提升算法寻优收敛速度并保障算法对全局最优值的搜索能力.最后,嵌入邻域变异策略防止因种群多样性逐步贫化而造成算法陷入局部极小的现象.将NMQGWO算法与其他4种算法针对6种标准测试函数进行仿真对比实验,结果表明,NMQGWO算法的收敛精度和收敛速度优于其他算法,验证了改进策略的有效性.