针对全球优化问题的增强多策略粘泥模具算法
Yuncheng Dong1, Ruichen Tang2, Xinyu Cai3
1School of Highway and Construction Engineering, Yunnan Communications Vocational and Technical College, Kunming 650500, China.
Biomimetics (Basel, Switzerland)
|August 28, 2024
概括
增强的多策略模算法 (EMSMA) 通过结合领导者协差学习,增强的非断搜索和随机重启机制来提高优化. 在现有的Slime Mould算法变体中,EMSMA表现出优越的性能.
科学领域:
- 计算智能是一种计算智能.
- 超启发式优化优化
- 群集情报 群集情报 群集情报
背景情况:
- 模算法 (Slime Mould Algorithm,简称SMA) 是一种生物启发的元启发算法,以其在优化问题中的有效性而闻名.
- 现有的SMA变种在融合速度,勘探开发平衡和逃避局部最佳状态方面存在局限性.
研究的目的:
- 引入增强的多策略粘土模具算法 (EMSMA),以克服原始SMA的局限性.
- 增强粘土模具算法的勘探和开发能力.
- 改进算法的能力,以逃脱当地的最佳状态,并保持人口多样性.
主要方法:
- 纳入领导者协变学习策略,以指导代理进化.
- 通过改进的非断搜索机制,对最佳代理进行修改.
- 开发一种随机差异重启机制,以解决停滞状态并增强多样性.
主要成果:
- 在CEC2017和CEC2022测试套件中对EMSMA进行了评估.
- 数字和统计分析证实了EMSMA的卓越表现.
- 在收准确度,速度和稳定性方面,EMSMA的表现优于几个SMA变体 (DTSMA,ISMA,AOSMA,LSMA,ESMA,MSMA).
结论:
- 拟议的EMSMA有效地提高了粘土模具算法的性能.
- 综合战略显著提高了优化能力,包括融合和稳定性.
- 对于复杂的优化任务,EMSMA代表了现有的SMA变体的优质替代方案.
