基于自适应权重和模拟退火的鲸鱼优化算法
Whale Optimization Algorithm Based on Adaptive Weight and Simulated Annealing
查看参考文献22篇
|
文摘
|
针对鲸鱼优化算法容易陷入局部极值和收敛速度慢的问题,提出了一种结合自适应权重和模拟退火的鲸鱼优化算法.通过改进的自适应权重策略来调整算法的收敛速度,通过模拟退火增强鲸鱼优化算法的全局寻优能力.仿真实验中计算了18个测试函数,对比了粒子群算法、海豚回声定位算法和标准鲸鱼算法并进行统计分析,同时比较了单独结合自适应权重和模拟退火对鲸鱼优化的影响,结果表明,改进的算法在测试函数的极值计算中,计算精度和收敛速度方面都有了明显提升,验证了改进算法的有效性. |
|
其他语种文摘
|
Aiming at the problem that whale optimization algorithm is easy to fall into local extreme value and slow convergence speed, this paper proposes a whale optimization algorithm based on adaptive weight and simulated annealing. The improved convergence weight strategy is used to adjust the convergence speed of the algorithm, and the global optimization ability of the whale optimization algorithm is enhanced by simulated annealing. In the simulation experiment,18 test functions were calculated and the genetic algorithm, the particle swarm optimization algorithm and the standard whale algorithm were compared and statistically analyzed. At the same time, the influence of the adaptive weight and simulated annealing on the whale optimization is compared. The results show that the improved algorithm has a significant improvement in the calculation of the extremum of the test function, and the effectiveness of the improved algorithm is verified. |
|
来源
|
电子学报
,2019,47(5):992-999 【核心库】
|
|
DOI
|
10.3969/j.issn.0372-2112.2019.05.003
|
|
关键词
|
智能优化算法
;
鲸鱼优化算法
;
自适应权重
;
模拟退火算法
|
|
地址
|
国防科技大学电子对抗学院,61477部队, 安徽, 合肥, 230037
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
0372-2112 |
|
学科
|
自动化技术、计算机技术 |
|
基金
|
国家自然科学基金
;
安徽省自然科学基金
|
|
文献收藏号
|
CSCD:6668517
|
参考文献 共
22
共2页
|
|
1.
Coit D. Genetic algorithms and engineering design.
Engineering Economist,1998,43(4):379-381
|
CSCD被引
4
次
|
|
|
|
|
2.
Eberhart R. A new optimizer using particle swarm theory.
MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science,2002:39-43
|
CSCD被引
7
次
|
|
|
|
|
3.
王磊. 免疫算法.
电子学报,2000,28(7):96-101
|
CSCD被引
2
次
|
|
|
|
|
4.
Dorigo M. Ant system: optimization by a colony of cooperating agents.
IEEE Transactions on Systems Man & Cybernetics Part B Cybernetics A,1996,26(1):29
|
CSCD被引
1178
次
|
|
|
|
|
5.
李晓磊.
一种新型的智能优化方法-人工鱼群算法,2003
|
CSCD被引
72
次
|
|
|
|
|
6.
任子晖. 马尔科夫链的粒子群优化算法全局收敛性分析.
控制理论与应用,2011,28(4):462-466
|
CSCD被引
19
次
|
|
|
|
|
7.
陈侃松. 区域分割的自适应变异粒子群算法.
电子学报,2017,45(8):1849-1855
|
CSCD被引
7
次
|
|
|
|
|
8.
申元霞. 并行协作骨干粒子群优化算法.
电子学报,2016,44(7):1643-1648
|
CSCD被引
6
次
|
|
|
|
|
9.
Mirjalili S. The whale optimization algorithm.
Advances in Engineering Software,2016,95:51-67
|
CSCD被引
624
次
|
|
|
|
|
10.
龙文. 求解大规模优化问题的改进鲸鱼优化算法.
系统工程理论与实践,2017,37(11):2983-2994
|
CSCD被引
59
次
|
|
|
|
|
11.
郭振洲. 基于自适应权重和柯西变异的鲸鱼优化算法.
微电子学与计算机,2017,34(9):20-25
|
CSCD被引
27
次
|
|
|
|
|
12.
赵志刚. 基于随机惯性权重的简化粒子群优化算法.
计算机应用研究,2014,31(2):361-363
|
CSCD被引
29
次
|
|
|
|
|
13.
杜晓昕. 基于柯西-高斯动态消减变异的果蝇优化算法研究.
计算机工程与科学,2016,38(6):1171-1176
|
CSCD被引
8
次
|
|
|
|
|
14.
Kaveh A. A new optimization method: Dolphin echolocation.
Advances in Engineering Software,2013,59(5):53-70
|
CSCD被引
7
次
|
|
|
|
|
15.
Ardizzon G. Adaptive acceleration coefficients for a new search diversification strategy in particle swarm optimization algorithms.
Information Sciences,2015,299:337-378
|
CSCD被引
10
次
|
|
|
|
|
16.
Shi Y. Modified particle swarm optimizer.
Proc of IEEE ICEC Conference,1998:69-73
|
CSCD被引
1
次
|
|
|
|
|
17.
赵志刚. 基于自适应惯性权重的均值粒子群优化算法.
计算机工程与科学,2016,38(3):501-506
|
CSCD被引
22
次
|
|
|
|
|
18.
Huang X. Faster particle swarm optimization with random inertia weight.
Computer Engineering & Design,2009,30(3):647-432
|
CSCD被引
2
次
|
|
|
|
|
19.
高尚. 模拟退火算法中的退火策略研究.
航空计算技术,2002,32(4):20-22
|
CSCD被引
12
次
|
|
|
|
|
20.
Dasgupta S.
Algorithms,2009:15-18
|
CSCD被引
1
次
|
|
|
|
|
了解气象卫星更多信息，请访问