实施一个增强的鱼优化算法
Yi Zhang1, Pengtao Liu1, Yanhong Li2
1College of Electrical and Computer Science, Jilin Jianzhu University, Changchun 130000, China.
Biomimetics (Basel, Switzerland)
|June 26, 2024
概括
这项研究介绍了一种增强的鱼优化算法 (ECOA),用于提高性能的新策略. 在工程优化任务中,ECOA表现出卓越的融合,稳定性和局部最佳规避.
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:
- 鱼优化算法 (COA) 是一种由鱼行为启发的元启发算法.
- 现有的COA变体可能会遭受缓慢的融合和过早的局部最佳捕获.
- 提高COA对于提高其在复杂优化问题中的效率至关重要.
研究的目的:
- 引入一个增强的鱼优化算法 (ECOA) 与四个新的改进策略.
- 使用IEEE CEC2019测试套件评估ECOA与其他流行的算法的性能.
- 为了验证ECOA对现实世界工程优化问题的适用性.
主要方法:
- 使用哈尔顿序列进行人口初始化改进.
- 几乎基于对立的学习,以提高可搜索性.
- 在掠食阶段的精英因素指导.
- 鱼类聚合装置的效果,改善了局部最佳逃生.
主要成果:
- 与其他算法相比,ECOA表现出更快的融合速度.
- 在各种测试功能中,ECOA表现出卓越的性能稳定性.
- 经合组织 (ECOA) 显示出越来越强大的逃离局部优化的能力.
- 在解决现实世界工程优化问题的过程中,ECOA 已被证明是有效的.
结论:
- 拟议的ECOA显著提高了原来的COA的性能.
- 对于复杂的优化挑战,ECOA提供了强大而高效的解决方案.
- 新策略的整合使 ECOA 在优化算法领域成为一个有竞争力的替代方案.
