基于改进自组织临界优化的元启发式灰狼优化算法

被引：14

作者：

徐达宇 ^{[1
,2
]}

LIU Renping ^{[2
]}

机构：

[1] 浙江省林业智能监测与信息技术研究重点实验室(浙江农林大学)

[2] 澳大利亚联邦科学与工业研究组织计算机与通信技术研究中心

来源：

计算机应用 | 2016年 / 36卷 / 06期

关键词：

元启发式算法; 灰狼优化算法; 自组织临界; 全局最优化;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对新型元启发式算法灰狼优化(GWO)算法在寻优过程中易陷入局部最优这一问题,提升该算法获取全局最优解的能力。介绍了该算法的基本原理和建模过程,并在此基础上,结合自组织临界性理论的优点,提出了改进的极值优化(IEO)算法,将IEO融入到GWO模型中,构建基于自组织临界(SOC)优化的改进GWO算法(IEOGWO)。通过与传统优化算法对于23个基准测试函数在寻优性能上的综合比较,验证了IEO-GWO模型在获取全局最优解性能上的优越性。

引用

页码：1588 / 1593

页数：6

共 5 条

[1]

A novel real-coded population-based extremal optimization algorithm with polynomial mutation: A non-parametric statistical study on continuous optimization problems.[J].Li-Min Li;Kang-Di Lu;Guo-Qiang Zeng;Lie Wu;Min-Rong Chen.Neurocomputing.2016,

[2]

Design of multivariable PID controllers using real-coded population-based extremal optimization.[J].Guo-Qiang Zeng;Jie Chen;Min-Rong Chen;Yu-Xing Dai;Li-Min Li;Kang-Di Lu;Chong-Wei Zheng.Neurocomputing.2015,

[3]

Extremal Optimization applied to load balancing in execution of distributed programs.[J].Ivanoe De Falco;Eryk Laskowski;Richard Olejnik;Umberto Scafuri;Ernesto Tarantino;Marek Tudruj.Applied Soft Computing Journal.2015,

[4]

Grey Wolf Optimizer.[J].Seyedali Mirjalili;Seyed Mohammad Mirjalili;Andrew Lewis.Advances in Engineering Software.2014,

[5]

Differential evolution - A simple and efficient heuristic for global optimization over continuous spaces [J].

Storn, R ;

Price, K .

JOURNAL OF GLOBAL OPTIMIZATION, 1997, 11 (04) :341-359

← 1 →