改进了多策略的人工子优化,用于解决全球优化问题
Ruitong Wang1, Shuishan Zhang2, Bo Jin3
1Leicester Institution, Dalian University of Technology, Dalian, 124221, China. 1160827774@mail.dlut.edu.cn.
Scientific reports
|August 7, 2024
概括
这项研究引入了一种改进的人工子优化 (ARO) 算法,称为IMARO,以提高其利用能力和种群多样性. IMARO有效地解决了局部最佳问题,并在基准函数和现实工程问题上表现出卓越的性能.
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:
- 2022年提出的人工子优化 (ARO) 算法表现出有前途的性能,但存在一些局限性,包括利用弱,易受局部优化和减少人口多样性.
- 解决这些缺陷对于推进元启发式优化技术至关重要.
研究的目的:
- 通过引入多战略方法来增强人工子优化 (ARO) 算法.
- 提高ARO算法的利用能力,全球搜索能力和人口多样性.
- 为了验证提议的改进算法 (IMARO) 在标准测试函数和现实工程问题上的有效性.
主要方法:
- 开发IMARO,结合一个轮盘健身距离平衡的隐藏策略,以改善位置查找.
- 实施一种改进的非断性搜索策略,使用高斯式和考西式运算符来逃避局部最佳.
- 整合一个协差重启策略,以保持人口多样性并提高趋同的准确性和速度.
主要成果:
- 在CEC2014,CEC2017,CEC2022基准测试套件中,IMARO与原来的ARO和其他七个改进的算法相比,展示了优越的开发和勘探能力.
- 拟议的算法有效地避免了局部最佳值,实现了更好的收精度和速度.
- IMARO为六个现实工程问题提供了最佳解决方案,证实了其实际应用.
结论:
- 改进的IMARO算法大大克服了原来的ARO的局限性,特别是在利用和维护多样性方面.
- IMARO在逃避局部最佳并实现复杂优化任务的高质量解决方案方面表现出强的性能.
- 该研究证实了IMARO在理论优化基准和实际工程应用方面的有效性和效率.
