×
龙，文;焦建军;梁西明;唐明珠

启发灰狼优化器解决大规模函数优化问题。 （英语） Zbl 1480.90252号

申请。数学。建模 60, 112-126 (2018).
摘要：灰狼优化算法是最近提出的一种新的启发式搜索算法，在群智能优化技术中的实值和二进制编码优化问题中取得了令人满意的结果。该算法比粒子群算法、差分进化算法和引力搜索算法等传统的基于种群的算法更有效。研究人员开发了一些灰狼优化程序变体，以改进基本灰狼优化算法的性能。本研究受粒子群优化算法的启发，研究了一种新算法Inspired grey wolf optimizer的性能，该算法通过添加两个特征，即控制参数的非线性调整策略，以及基于个人历史最佳位置和全球最佳位置的修正位置更新方程。对四个经典的高维基准函数、IEEE进化计算大会2005年特别会议上提出的四个测试函数、三个著名的工程设计问题和一个真实世界问题进行了实验。结果表明，与其他比较技术相比，该算法能够找到更精确的解，具有更高的收敛速度和更少的适应度函数求值次数。

引用于三文件

MSC公司：

90 C59 数学规划中的近似方法和启发式

关键词：

灰狼优化器;大规模全局优化;工程设计优化;电力负荷预测

软件：

全球野生动物组织;中国电子05;全球标准协会
PDF格式BibTeX公司 XML格式引用
\textit{W.Long}等人，应用。数学。模型60，112-126（2018；Zbl 1480.90252）
全文： 内政部

参考文献：

[1] 米尔贾利利，S。；米尔贾利利，S.M。；Lewis，A.，灰狼优化器，高级工程师软件。，69, 3, 46-61 (2014)
[2] 萨雷米，S。；米尔贾利利，S.Z。；Mirjalili，S.M.，进化种群动力学和灰狼优化器，神经计算。申请。，26, 5, 1257-1263 (2015)
[3] Kamboj，V.K.，机组组合问题的一种新的混合PSO-GWO方法，Nerual Comput。申请。，1643-1655年6月27日（2016年）
[4] 朱，A。；徐，C。；李，Z。；吴杰。；Liu，Z.，将灰色狼优化与差分进化相结合，用于3D堆叠SoC的全局优化和测试调度，J.Syst。工程电气。，26, 2, 317-328 (2015)
[5] 张，S。；周，Y.，基于鲍威尔局部优化方法的灰狼优化算法，用于聚类分析，Disc。动态。《国家社会》，1-7（2015）
[6] 基于非线性调整控制参数的Long，W.，Grey wolf优化器。In:第四届传感器、机电一体化和自动化国际会议（ICSMA 2016），智能系统研究进展，136（2016）
[7] 米塔尔，N。；美国辛格。；Sohi，B.S.，用于全球工程优化的改良灰狼优化器，应用。计算。智力。软计算，2016，1-16（2016）
[8] Emary，E。；Zawbaa，H.M。；Grosan，C.，《通过强化学习和神经网络进行经验灰狼优化》，IEEE Trans。神经网络。学习系统，PP，99，1-14（2017）
[9] 罗德里格斯，L。；O.卡斯蒂略。；Soria，J。；梅林，P。；瓦尔迪兹，F。；冈萨雷斯，C.I。；马丁内斯，G.E。；Soto，J.，灰色狼优化算法中的模糊层次运算符，应用。软计算。，57, 315-328 (2017)
[10] 库马尔，V。；Kumar，D.，一种受天体物理学启发的数值优化灰色狼算法及其在工程设计问题中的应用，高级工程师软件，112231-254（2017）
[11] Heidari，A.A。；Pahlavani，P.，一种高效的改进型灰狼优化程序，用于优化任务，应用。软计算。，60, 115-134 (2017)
[12] 高，W。；Liu，S.，一种改进的人工蜂群算法，计算。操作。Res，39，3，687-697（2012年）·Zbl 1251.90006号
[13] 肯尼迪，J。；Eberhart，R.，粒子群优化（IEEE神经网络国际会议论文集，4（1995）），1942-1948
[14] 彭，Y。；Lu，B.，一种基于拉丁采样的模因算法的分层粒子群优化算法，用于数值优化，应用。软计算。，13, 5, 2823-2836 (2013)
[15] 查特吉，A。；Siarry，P.，粒子群优化中动态自适应的非线性惯性权重变化，计算。操作。研究，33，3，859-871（2006）·兹比尔1114.90159
[16] Jensi，R。；Wisenlin Jiji，G.，用于全局优化的带征费飞行的增强粒子群优化，应用。软计算。，43, 248-261 (2016)
[17] Liang，J.J。；秦，A.K。；Suganthan，P.N。；Baskar，S.，用于多模态函数全局优化的综合学习粒子群优化器，IEEE Trans。进化。Comput出版社，102028-295（2006）
[18] 加西亚·马丁内斯，C。；Lozano，M。；Herrera，F。；莫利纳，D。；Sanchez，A.M.，《基于以父母为中心的交叉算子的全局和局部实数编码遗传算法》，Eur.J.Oper。第185、3、1088-1113号决议（2008年）·Zbl 1146.90532号
[19] 汉森，N。；Ostermier，A.，《进化策略中的完全错乱的自我适应》，Evol。计算。，9, 2, 159-195 (2001)
[20] 王，Y。；蔡，Z.X。；Zhang，Q.F.，带复合试验向量生成策略和控制参数的差分进化，IEEE Trans。进化。计算，15，1，55-66（2011）
[21] Suganthan，P.N。；汉森，N。；Liang，J.J。；Deb，K。；陈永平。；Auger，A。；Tiwari，S.，《2005年CEC实时参数优化特别会议的问题定义和评估标准》（2005年），IIT坎普尔，南洋理工大学。大学：印度理工学院坎普尔分校、南洋理工学院。新加坡大学
[22] Sandgren，E.，《机械设计优化中的非线性整数和离散规划》，J.Mech。设计。，112, 2, 223-229 (1990)
[23] Belegundu，A.D.，《结构优化的数学规划方法研究》，（博士论文）（1982年），爱荷华州大学土木与环境工程系：爱荷华州大学土木和环境工程系
[24] Belegundu，A.D。；Arora，J.S.，《结构优化数学规划方法研究》，《国际数值》。方法工程，211583-1599（1985）·兹伯利0585.73159
[25] Deb，K.，遗传算法的一种有效约束处理方法，计算。方法应用。机械。工程，186，311-338（2000）·Zbl 1028.90533号
[26] Coello，C.A.C.，工程优化问题的自适应惩罚方法的使用，计算。印度，41，113-127（2000）
[27] 蒙特斯，E.M。；Coello，C.A.C.，解决约束优化问题的简单多成员进化策略，IEEE Trans。进化。计算，9，1，1-17（2005）
[28] Becerra，R。；Coello，C.A.C.，约束优化的文化差异进化，计算。方法应用。机械。工程，1954303-4322（2006）·Zbl 1123.74039号
[29] 何，Q。；Wang，L.，约束工程设计问题的有效协同进化粒子群优化，工程应用。Artif公司。智力。，20, 1, 89-99 (2007)
[30] Coelho，L.D.S.，约束工程设计问题的高斯量子粒子群优化方法，专家系统。申请。，37, 1676-1683 (2010)
[31] Baykasoólu，A.，混沌嵌入大洪水算法的设计优化，应用。软计算。，12, 1055-1067 (2012)
[32] 甘多米，A.H。；Yang，X.先生。；Alavi，A.H。；Talatahari，S.，约束优化任务的Bat算法，神经计算。申请。，22, 6, 1239-1255 (2013)
[33] Baykasoğlu，A。；Ozsoydan，F.B.，机械设计优化问题的混沌自适应萤火虫算法，应用。软计算。，36152-164（2015年）
[34] Askarzadeh，A.，解决约束工程优化问题的新型元神经方法：Crow搜索算法，计算。结构。，169, 1-12 (2016)
[35] Kaveh，A。；Dadras，A.，《一种新的元神经优化算法：热交换优化》，高级工程软件。，110, 69-84 (2017)
[36] 蒙特斯，M.E。；Coello，C.A.C.，《通过使用基于优势的比赛选择在遗传算法中进行约束处理》，高级工程信息，第16期，193-203页（2002年）
[37] 雷·T。；Liew，K.M.，《社会与文明：基于社会行为模拟的优化算法》，IEEE Trans。进化。计算。，7, 4, 386-396 (2003)
[38] 张，M。；罗，W。；Wang，X.，带动态随机选择的约束优化微分进化，信息科学。，178, 233-243 (2008)
[39] 王，Y。；蔡，Z。；周，Y.，使用收缩空间技术加速约束进化优化的自适应权衡模型，Int.J.Numer。方法优化。，77, 11, 1501-1534 (2009) ·Zbl 1158.74442号
[40] Rashedi，E。；Nezamabadi-pour，H。；Saryzdi，S.，GSA:引力搜索算法，《科学基础》，179，13，2232-2248（2009）·Zbl 1177.90378号
[41] 蒙特斯，M.E。；Coello，C.A.C.，《关于进化策略对解决约束优化问题有用性的实证研究》，《国际遗传系统》。，37, 4, 443-473 (2008) ·Zbl 1219.90129号
[42] 陈，Y。；Yang，Y。；刘，C。；李，C。；Li，L.，基于支持向量机和人工智能的混合应用算法：电力负荷预测示例，应用。数学。型号。，39, 2617-2632 (2015) ·Zbl 1443.91217号
[43] 苏肯斯，J.A.K。；Vandewalle，J.，最小二乘支持向量机分类器，神经过程。莱特。，9, 3, 293-300 (1999)
[44] 黄，G.B。；周，H。；丁，X。；Zhang，R.，回归和多类分类的极端学习机，IEEE Trans。系统。《网络人》，42，2，513-529（2012）
[45] 廖，R。；郑华，基于粒子群优化-最小二乘支持向量回归的充油变压器溶解气体预测模型，电子杂志。电力系统。研究，81，12，2074-2080（2011）
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。