采用Morlet波段突变的Chameleon群算法,用于优化性能,以获得更好的优化性能

科学领域:

• 计算智能是一种计算智能.
• 优化算法 优化算法
• 超听证学是一种超听证学.

背景情况:

• 超启发式算法对于解决硬件和计算所限制的现实世界问题至关重要.
• 驼群算法 (CSA) 是最近的一种灵感来自驼行为的元启证.
• 现有的算法在为复杂的计算任务找到最佳解决方案方面面临局限性.

研究的目的:

• 为了增强驼群算法 (CSA) 的功能.
• 开发一种修改后的CSA (mCSAMWL),包括Morlet波波变异和Lévy飞行.
• 评估拟议的算法在基准函数和现实世界的工程问题上的性能.

主要方法:

• 这项研究提出了一个修改后的驼群算法 (mCSAMWL),集成Morlet波波变异和Lévy飞行.
• 该算法的有效性在97个基准函数和三个工程设计问题上进行了测试.
• 性能与既有算法进行了比较,例如引力搜索算法和地球优化.

主要成果:

• 使用Morlet波波变异和Lévy飞行 (mCSAMWL) 修改的Chameleon Swarm算法在单模和多模函数上表现出优于现有的算法.
• 弗里德曼的平均等级测试证实了拟议的算法的有效性.
• 在模拟中,mCSAMWL与ASO,PSO-GWO,BES,AVOA和CSA相比显著降低了平均和总能耗.

结论:

• 经过修改的Chameleon Swarm算法 (mCSAMWL) 与现有的元启发算法相比,提供了更高的优化能力.
• 拟议的mCSAMWL有效地解决了优化任务中的计算和硬件限制.
• 这种增强的算法对各种应用领域显著有前途,特别是提高能源效率.