購物車(0)
改進的灰狼優(yōu)化算法及其高維函數和FCM優(yōu)化
關鍵詞：智能優(yōu)化算法 灰狼優(yōu)化算法 反向學習 差分變異 高維函數優(yōu)化
摘要：灰狼優(yōu)化算法(GWO)具有較強的局部搜索能力和較快的收斂速度,但在解決高維和復雜的優(yōu)化問題時存在全局搜索能力不足的問題.對此,提出一種改進的GWO,即新型反向學習和差分變異的GWO(ODGWO).首先,提出一種最優(yōu)最差反向學習策略和一種動態(tài)隨機差分變異算子,并將它們融入GWO中,以便增強全局搜索能力;然后,為了很好地平衡探索與開采能力以提升整體的優(yōu)化性能,對算法前、后半搜索階段分別采用單維操作和全維操作形成ODGWO;最后,將ODGWO用于高維函數和模糊C均值(FCM)聚類優(yōu)化.實驗結果表明,在許多高維Benchmark函數(30維、50維和1 000維)優(yōu)化上, ODGWO的搜索能力大幅度領先于GWO,與state-of-the-art優(yōu)化算法相比, ODGWO具有更好的優(yōu)化性能.在7個標準數據集的FCM聚類優(yōu)化上,與GWO、GWOepd和LGWO相比, ODGWO表現出了更好的聚類優(yōu)化性能,可應用在更多的實際優(yōu)化問題上.
控制與決策雜志要求:
{1}注釋及參考文獻格式參照GB/T7714-2015《信息與文獻參考文獻著錄規(guī)則》。
{2}請勿一稿兩投；請遵循學術規(guī)范，如出現剽竊，文責自負。
{3}投稿方式：將電子版（Word 文檔）發(fā)送至編委會郵箱，并以“ 作者單位+ 作者姓名+ 文章標題” 為郵件名稱。
{4}屬于課題或基金項目的論文，請詳細注明類別、名稱及編號等內容。
{5}用第一、第二……或首先、其次……時，如每段文字不長可在同一自然段內接排，如每段文字均較長，可另起一自然段。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
