一个增强的虫优化器,具有多种策略用于机器人路径规划
Scientific reports
|February 7, 2025
概括
本研究介绍了一种增强的甲虫优化算法 (SSTDBO),以克服多样性和全球勘探的局限性. 改进的算法在基准测试和现实世界机器人路径规划中表现出卓越的性能.
科学领域:
- 计算智能是一种计算智能.
- 优化算法 优化算法
- 群集情报 群集情报 群集情报
背景情况:
- 原始的虫优化算法受到了低种群多样性,有限的全球勘探和对局部优化的敏感性.
- 现有的算法在复杂问题空间中难以实现对汇率的准确性和稳定性.
研究的目的:
- 为了提出一种新的,混合多策略改进的虫优化算法 (SSTDBO).
- 为了增强人口多样性,全球勘探和趋同准确性.
- 为了验证算法的有效性在基准函数和现实世界的工程问题.
主要方法:
- 使用立方混沌映射初始化,以改善人口多样性和搜索范围.
- 整合一个合作搜索算法,以加强在寻找食物期间的个人间和团体间的沟通.
- 整合T分布突变和差异性进化变异,以增强种群多样性和避免局部最佳情况.
- 使用29个CEC2017基准函数对多个已建立的优化算法 (GODBO,QHDBO,DBO,KOA,NOA,WOA,HHO) 的比较分析.
主要成果:
- 与现有方法相比,拟议的SSTDBO算法具有显著增强的稳定性和优化能力.
- 在CEC2017的29个基准测试函数中表现出卓越的性能.
- 对现实世界机器人路径规划问题的有效应用,证实了实际实用性.
结论:
- 混合多策略方法大大提高了甲虫优化算法的性能.
- 对于复杂的优化任务,SSTDBO提供了卓越和强大的解决方案,包括工程应用,如机器人路径规划.
