×
邢燕珍;王东辉;王磊

一种新的基于动态广义对立的灰狼优化算法。 （英语） Zbl 1461.90197号

算法（巴塞尔） 11，第4号，第47号论文，28页（2018年）.
摘要：为了提高灰狼优化算法（GWO）的收敛速度和计算精度，提出了一种基于动态广义对立的灰狼优化方法（DOGWO）。动态广义对立学习策略增强了搜索群体的多样性，增加了寻找更好解的潜力，从而加快了收敛速度，提高了计算精度，并在一定程度上避免了局部最优。此外，还使用了23个基准函数来评估DOGWO算法。实验结果表明，所提出的DOGWO算法与其他分析算法相比具有很强的竞争力，具有更快的收敛速度、更高的计算精度和更强的稳定性。

MSC公司：

90 C59 数学规划中的近似方法和启发式
90立方 非线性规划

关键词：

灰狼优化器;广义对立学习;功能优化;启发式算法;超神经主义者

软件：

GSA公司;基础知识;ALO公司;WOA公司;全球野生动物组织
PDF格式BibTeX公司 XML格式引用
\textit{Y.Xing}等人，《算法（巴塞尔）》11，第4期，第47号论文，28页（2018；Zbl 1461.90197）
全文： DOI程序
OA许可证

参考文献：

[1] 布鲁姆，C。；Aguilera，M.J.B。；罗利，A。；样品，M；混合元启发式，一种新兴的优化方法：德国柏林，2008·Zbl 1143.90001号
[2] Raidl，G.R。；Puchinger，J；将（整数）线性规划技术和元启发式结合用于组合优化：柏林/海德堡，德国2008，31-62. ·Zbl 1415.90054号
[3] 布鲁姆，C。；科塔，C。；A.J.费尔南德斯。；加拉多，J.E。；Mastrolli，M；元启发式与分支与边界衍生的混合：柏林/海德堡，德国2008，85-116. ·Zbl 1415.90149号
[4] D’Andreagiovanni，F。；利用遗传算法提高大规模无线网络设计问题的求解能力；进化计算的应用。EvoApplications。计算机科学讲稿：柏林/海德堡，德国2011；第6625卷，11-20页。
[5] D’Andreagiovanni，F。；Krolikowski，J。；Pulaj，J。；一种快速混合原始启发式算法用于多时段多频带鲁棒容量受限网络设计；申请。柔软。计算：2015; 第26卷，497-507。
[6] Egea，J.A。；Banga，J.R。；非凸混合整数非线性规划的扩展蚁群算法；计算。操作。决议：2009年；第36卷，2217-2229·Zbl 1158.90391号
[7] Bianchi，L。；多里戈，M。；甘巴德拉，L.M。；W.J.Gutjahr。；随机组合优化的优化元启发式研究综述；自然计算：2009; 第8卷，239-287·Zbl 1162.90591号
[8] Cornuéjols，G。；混合整数线性规划的有效不等式；数学。程序：2008; 第112卷，第3-44页·Zbl 1278.90266号
[9] Murty，K.G；非线性规划理论与算法：非线性规划理论和算法：纽约，纽约，美国1979年·Zbl 0476.90035号
[10] Goldberg，D.E；搜索、优化和机器学习中的遗传算法：波士顿，马萨诸塞州，美国1989年，2104-2116. ·Zbl 0721.68056号
[11] 西蒙，D。；基于生物地理学的优化；IEEE传输。进化。计算：2008; 第12卷，702-713。
[12] 斯托恩，R。；价格，K。；差分进化——一种简单有效的连续空间全局优化启发式算法；J.全球。最佳方案：1997; 第11卷，341-359·Zbl 0888.90135号
[13] 波瓦普，D。；Woz´niak，M。；北极熊优化算法：具有快速种群运动和动态生灭机制的元神经算法；对称性：2017年；第9卷。
[14] Bertsimas博士。；齐齐克利斯，J。；模拟退火；统计科学：1993; 第8卷，10-15·Zbl 0764.60073号
[15] Rashedi，E。；内扎马巴迪，P.H。；Saryazdi，S。；GSA：一种引力搜索算法；智力。信息管理：2012; 第4卷，390-395·Zbl 1177.90378号
[16] 法拉曼迪安，M。；Hatamlou，A。；用黑洞算法求解优化问题；J.计算。科学。技术：2015; 第4卷，68-74。
[17] Kaveh，A。；卡亚塔扎德，M。；一种新的元神经方法：射线优化法；计算。结构。：2012; 第112-113卷，第283-294页。
[18] 肯尼迪，J。；埃伯哈特，R。；粒子群算法；IEEE神经网络国际会议论文集：；第4卷，1942-1948年。
[19] 多里戈，M。；比拉塔里，M。；Stutzle，T。；蚁群算法；IEEE计算。智力。杂志：2007；第1卷，28-39。
[20] 卡拉博加，D。；巴斯特克，B。；一种高效高效的数值函数优化算法：人工蜂群算法；J.全球。最佳方案：2007; 第39卷，459-471·Zbl 1149.90186号
[21] 杨，X.S。；多模式优化的萤火虫算法；数学：2010年；第5792卷，169-178页·Zbl 1260.90164号
[22] 杨，X.S。；一种新的元启发式蝙蝠启发算法；计算。知识。技术：2010; 第284卷，第65-74页·Zbl 1197.90348号
[23] 杨，X.S。；Deb，S。；通过利维航班进行布谷鸟搜索；世界自然与生物启发计算大会（NaBIC）会议记录：，210-214.
[24] Cuevas，E。；西恩富戈斯，M。；扎尔迪瓦尔，D。；受社交蜘蛛行为启发的群优化算法；专家系统。申请：2014; 第40卷，6374-6384。
[25] 米尔贾利，S。；米尔贾利利，S.M。；刘易斯，A。；灰狼优化器；高级工程师软件：2014; 第69卷，第46-61页。
[26] 米尔贾利，S。；蜻蜓算法：一种新的元神经优化技术，用于解决单目标、离散和多目标问题；神经计算。申请：2016; 第27卷，1053-1073。
[27] 米尔贾利，S。；蚁狮优化器；高级工程师软件：2015; 第83卷，80-98。
[28] 米尔贾利，S。；火焰优化算法：一种新的自然启发启发式范式；知识-基于系统：2015; 第89卷，228-249。
[29] 米尔贾利，S。；刘易斯，A。；鲸鱼优化算法；高级工程师软件：2016; 第95卷，第51-67页。
[30] 沙耶吉，H。；阿塞菲，S。；Younesi，A。；应用GWO算法，利用不同的性能指标对不同的电力系统稳定器进行调节和比较；国际工程科学综合竞赛会议记录：。
[31] 莫汉蒂，S。；Subudhi，B。；雷，P.K。；光伏系统的灰色沃尔夫辅助扰动观测MPPT算法；IEEE传输。能源转换：2017年；第32卷，340-347。
[32] I.A.哈米德。；再见，R.T。；Osen，O.L。；用于自动化海上起重机设计的灰狼优化程序（GWO）；IEEE计算智能（SSCI）系列研讨会论文集：。
[33] Siavash，M。；Pfeifer，C。；拉希米内贾德，A。；基于GWO算法的可再生DG智能配电网重构；IOP配置序列。地球环境。科学：2017; 第83卷，012003。
[34] Emary，E。；H.M.Zawbaa。；Grosan，C。；基于强化学习和神经网络的经验灰狼优化算法；IEEE传输。神经网络。学习。：2018; 第29卷，681-694。
[35] H.M.Zawbaa。；Emary，E。；Grosan，C。；斯奈塞尔，V。；大维度小实例集特征选择：一种混合生物启发启发式方法；蜂群。进化。计算：2018; .
[36] 法里斯，H。；一、阿尔贾拉。；Al-Betar，文学硕士。；灰狼优化器：最新变体和应用综述；神经计算。申请：2017; 第22卷，1-23。
[37] 罗德里格斯，L。；O.卡斯蒂略。；索里亚，J。；灰太狼优化算法中的模糊层次算子；申请。软计算：2017; 第57卷，315-328页。
[38] Emary，E。；H.M.Zawbaa。；哈萨尼恩（A.E.Hassanien）。；特征选择的二元灰狼优化方法；神经计算：2016年；第172卷，第371-381页。
[39] Emary，E。；H.M.Zawbaa。；混沌函数对现代群优化算法的影响；《公共科学图书馆·综合》：2016年；第11卷。
[40] 科尔里，M。；Arora，S。；约束优化问题的混沌灰狼优化算法；J.计算。设计。工程：2017，1-15.
[41] M.R.S.马利克。；Mohideen，E.R。；阿里·L。；全局优化问题的加权距离灰狼优化算法；第18届IEEE/ACIS软件工程、人工智能、网络和并行/分布式计算（SNPD）国际会议论文集：，1-6.
[42] 海达里，A.A。；Pahlavani，P。；一种高效的改进型Lévy飞行灰狼优化算法；申请。软计算：2017; 第60卷，第115-134页。
[43] 米塔尔，N。；索希，B.S。；索希，B.S。；用于全局工程优化的改进型灰狼优化算法；申请。计算。智力。软计算：2016; 第4598卷，第1-16页。
[44] 穆罗，C。；Escobedo，R。；Spector，L。；狼群（Canis lupus）狩猎策略源于计算模拟中的简单规则；行为。流程2011; 第88卷，192-197年。
[45] 蒂卓什，H.R。；基于对立的学习：一种新的机器智能方案；建模控制自动化计算智能国际会议和智能代理国际会议论文集，网络技术，互联网商务：，695-701.
[46] 拉赫纳马扬，S。；蒂佐什，H.R。；萨拉马，文学硕士。；基于对立的差分进化算法；IEEE进化计算大会会议记录：，2010-2017.
[47] 拉赫纳马扬，S。；蒂佐什，H.R。；萨拉马，文学硕士。；基于对立的微分进化算法在噪声问题优化中的应用；IEEE进化计算大会会议记录：，1865-1872.
[48] Wang，H。；李，H。；刘，Y。；李，C。；曾S。；基于对立面的Cauchy变异粒子群算法；IEEE进化计算大会会议记录：，4750-4756.
[49] 拉赫纳马扬，S。；蒂佐什，H.R。；萨拉马，文学硕士。；基于对立的差异进化；IEEE传输。进化。计算：2008; 第2卷，64-79。
[50] 海平，M。；谢勇，R。；宝根，J。；对立蚁群优化算法及其在故障监测中的应用；第29届中国控制会议记录：，3895-3903.
[51] Lin，Z.Y。；Wang，L.L。；一种新的基于对立的波动紧致遗传算法；J.计算。信息系统：2010; 第6卷，897-904。
[52] B·肖。；穆克吉，V。；Ghoshal，S.P.公司。；针对电力系统的经济调度和排放调度问题，提出了一种新的基于对立的引力搜索算法；国际电工杂志。电力能源系统：2012; 第35卷，21-33页。
[53] Wang，S.W。；丁，L.X。；谢长伟。；郭，Z.L。；胡Y.R。；基于精英对立学习的混合差异进化；武汉大学学报（自然科学版）：2013；第59卷，第111-116页·Zbl 1299.68080号
[54] 赵，R.X。；罗，Q.F。；周永强。；基于精英对立的全局函数优化社交蜘蛛算法；算法：2017年；第10卷·Zbl 1461.90203号
[55] Wang，H。；吴，Z。；刘，Y。；空间变换搜索：一种新的进化技术；第一届ACM/SIGEVO遗传和进化计算峰会会议记录：，537-544.
[56] Wang，H。；吴，Z。；拉赫纳马扬，S。；基于广义对立学习的粒子群优化算法；信息科学：2011; 第181卷，4699-4714。
[57] Wang，H。；Rahnamay，S。；吴，Z。；基于自适应控制参数和广义对立学习的并行微分进化算法求解高维优化问题；J.平行分布计算：2013; 第73卷，第62-73页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。