混合策略改进的野马优化算法

针对野马优化算法存在种群多样性低、收敛速度慢和易陷入局部最优等问题,提出一种混合策略改进的野马优化算法(IWHO)。在马驹位置公式中引入基于饥饿游戏的Tent惯性权重,更好平衡算法的全局搜索与局部搜索能力;在放牧阶段引入折射镜像学习策略,利用折射镜像学习生成可行解的反向解,加快算法的求解速度;利用混合黄金正弦与飞蛾扑火算子,使算法跳出局部最优。将改进后的算法(IWHO)和其它算法在10个基准函数上对比测试,并通过Wilcoxon秩和检验和拉/压弹簧设计问题验证算法性能。仿真结果表明,IWHO在收敛速度和寻优精度上有明显改进。     

全局扰动和互利因子作用的飞蛾扑火优化算法

为解决飞蛾扑火优化(moth-flame optimization, MFO)算法收敛速度慢、容易陷入局部最优等问题，提出一种飞蛾扑火优化(DBMFO)算法。使用Bernoulli混沌映射，提高初始种群的多样性；引入全局扰动因子，提高算法的全局搜索能力；使用互利因子对全局扰动后的位置再次进行更新，避免新的算法陷入局部最优，使得算法更快收敛。通过对10个基准函数进行仿真实验，确定迭代系数的取值，通过Wilcoxon秩和检验来验证算法性能，其结果表明，改进的DBMFO算法在求解的精确度以及收敛速度上均有明显提升。