电动鱼优化算法的改进,用于停机标签,并与征收飞行战略相结合

科学领域:

• 计算智能是一种计算智能.
• 进行元启发式优化 (Meta-heuristic Optimization).
• 灵感来自大自然的算法

背景情况:

• 电动鱼优化 (EFO) 算法,灵感来自电动鱼,提供了强度和全球搜索功能.
• 然而,在复杂的环境中,EFO面临着挑战,包括过早的融合和局部最佳停滞.
• 被动电场局部化问题也阻碍了它的有效性.

研究的目的:

• 引入一个增强的元启发算法,即基于静止标签和水平飞行 (SLLF-EFO) 的自适应电鱼优化算法.
• 在复杂的优化场景中解决标准EFO算法的局限性.
• 为了提高算法的适应性,搜索速度和优化准确度.

主要方法:

• EFO与金色正弦算法和良好的点集合理论的混合.
• 实施一个可变阶段大小的Levy飞行策略来解决电场局部化停滞.
• 整合一个暂停标签战略,以防止与当地最佳的趋同.

主要成果:

• 拟议的SLLF-EFO算法在复杂设置中的基准函数上表现出卓越的性能.
• 与标准EFO相比,在搜索速度和优化准确度方面观察到显著的改进.
• 改进的算法显示出更强大的稳定性和可靠性.

结论:

• 该SLLF-EFO框架有效地克服了传统的EFO算法的局限性.
• 这种混合方法为复杂的优化问题提供了更好的适应性.
• 这项研究为先进的元启发式算法的未来应用提供了宝贵的见解.