DGS-SCSO:通过动态针孔成像和金色正弦算法增强沙猫群优化,以提高数值优化性能
Oluwatayomi Rereloluwa Adegboye1, Afi Kekeli Feda2, Oluwaseun Racheal Ojekemi3
1Management Information System Department, University of Mediterranean Karpasia, Mersin-10, Turkey.
Scientific reports
|January 17, 2024
概括
本研究介绍了DGS-SCSO,这是一个增强的优化器,通过集成动态针孔成像和金色正弦算法来改进沙猫群优化 (SCSO). DGS-SCSO有效地解决了融合问题,并在优化任务中表现出卓越的表现.
科学领域:
- 计算智能是一种计算智能.
- 优化算法 优化算法
- 超启发式计算 超启发式计算
背景情况:
- 原始沙猫群优化 (SCSO) 面临着局部最佳陷和过早收等局限性.
- 需要加强优化技术,以提高全球勘探和开发能力.
研究的目的:
- 介绍DGS-SCSO,这是一个新的优化器,增强SCSO.
- 缓解融合问题,改善复杂优化问题的性能.
主要方法:
- 集成动态针孔成像用于增强全球勘探.
- 整合黄金神经算法,以改善利用和融合.
- 对基准函数和工程问题进行系统性绩效评估.
主要成果:
- DGS-SCSO显示出与原来的SCSO算法相比的显著优势.
- 在优化函数上实现了高效率率 (30D中的59.66%,50-100D中的76.92%).
- 在实践工程问题上的竞争结果,通过统计测试验证.
结论:
- DGS-SCSO有效地克服了原来的SCSO算法的局限性.
- 拟议的优化器显示出强大的性能和显著提高效率和融合.
- 通过Wilcoxon Rank Sum和弗里德曼测试验证实了效率和显著改进.
