斑马优化算法结合了基于对立的学习和动态精英聚合策略及其应用程序
Tengfei Ma1,2, Guangda Lu1,2, Zhuanping Qin1,2
1School of Automation and Electrical Engineering, Tianjin University of Technology and Education, Tianjin, China.
PloS one
|August 5, 2025
概括
本研究介绍了一种增强的斑马优化算法 (OP-ZOA),可以提高搜索能力和融合速度. 在优化问题中,OP-ZOA有效地解决了局部最佳问题,在实验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
- 超启发式计算 超启发式计算
背景情况:
- 斑马优化算法 (ZOA) 在后期优化,局部最佳避免,融合速度和探索方面面临局限性.
- 现有的元启发算法经常因过早的融合和不足的全球搜索能力而扎.
研究的目的:
- 通过整合基于对立的学习和动态的精英聚合策略来增强斑马优化算法 (ZOA),创建OP-ZOA.
- 为了提高ZOA的后期优化,局部最佳逃脱,融合速度和探索能力.
主要方法:
- 实施基于对立的学习来实现人口初始化,以增加多样性并逃避当地最佳.
- 引入了最佳 (Xbest) 和最差 (Xworse) 个体之间的实时信息同步机制,以增强全球搜索.
- 开发了一个动态的精英组合策略,使用三个健身因素来更新最佳个体的位置,提高健壮性.
主要成果:
- 在CEC2017测试函数上,OP-ZOA与其他七个元启发算法相比表现优越.
- 显著提高了优化人工潜力场 (APF) 方法的效率,减少了局部最佳融合问题.
- 实现更快的代速度和平均减少7.55175m (16.291%) 在逃脱当地的最佳后计划的路径长度.
结论:
- OP-ZOA提供了增强的优化功能,显著提高了从局部最佳的逃脱效率和解决方案可靠性.
- 与现有方法相比,拟议的算法为复杂的优化问题提供了更强大,更有效的方法.


