融合对立学习的混合灰狼优化算法

• 作者: 唐明珠 王敏
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 灰狼优化算法 Rosenbrock搜索 对立学习
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 理论与算法
• 页码范围: 673-680
• 页数: 8页
• 分类号: TP301.6
• 字数: 5794字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1509052

摘要

针对标准灰狼优化(grey wolf optimization,GWO)算法存在后期收敛速度慢,求解精度不高,易出现早熟收敛现象等问题,提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化(hybrid GWO,HGWO)算法.该算法首先采用对立学习策略取代随机初始化生成初始种群,以保证群体的多样性;然后对当前群体中最优个体进行Rosenbrock局部搜索,以增强局部搜索能力和加快收敛速度;最后为了避免算法出现早熟收敛现象,利用精英对立学习方法产生精英对立个体.对6个标准测试函数进行仿真实验,并与其他算法进行比较,结果表明,HGWO算法收敛速度快,求解精度高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王敏	湖南机电职业技术学院信息工程学院	26	118	5.0	10.0
5	唐明珠	长沙理工大学能源与动力工程学院	14	127	4.0	11.0