多策略改进的虫优化算法及其应用
Mingjun Ye1, Heng Zhou2, Haoyu Yang3
1School of Information Science and Technology, Yunnan Normal University, Kunming 650500, China.
Biomimetics (Basel, Switzerland)
|May 24, 2024
概括
多策略改进的虫优化 (MDBO) 算法增强了对复杂问题的群体智能. MDBO显示出优越的优化准确性和更快的融合,超过现有方法.
科学领域:
- 计算智能是一种计算智能.
- 群集情报 群集情报 群集情报
- 优化算法 优化算法
背景情况:
- 标准的虫优化 (DBO) 算法虽然有效,但在复杂的场景中与低种群多样性和局部最佳情况作斗争.
- 现有的元启发算法在平衡探索和利用以实现强大的优化方面经常面临挑战.
- 解决这些局限性对于推进群众智能应用程序至关重要.
研究的目的:
- 提出和评估一种新的多策略改进的甲虫优化算法 (MDBO).
- 为了增强 DBO 算法的群体多样性,局部最佳避免和融合速度.
- 为了验证MDBO算法的性能在基准函数和现实世界的工程问题.
主要方法:
- 实施拉丁超立方体采样,以改善最初的人口分布.
- 引入了一个"平均差异变化"策略,以增强局部最佳规避.
- 集成的镜头成像反向学习与维度对维度的优化,以获得最佳解决方案.
- 测试MDBO与CEC2017和CEC2020的基准函数进行了测试.
- 将MDBO应用于工程设计问题:弹,减速器和接梁.
主要成果:
- 与经典的元启发学相比,MDBO表现出明显优化的优化准确性,稳定性和融合速度.
- 在标准基准测试套件 (CEC2017,CEC2020) 中验证了性能改进.
- MDBO有效地解决了复杂的工程设计问题,展示了其实际适用性.
结论:
- 拟议的MDBO算法比标准的DBO提供了强大的增强.
- MDBO有效地解决了低人口多样性和局部最佳陷的局限性.
- 该算法显示出在理论和实践工程领域解决复杂的优化任务的巨大潜力.
