文献类型：期刊文章

作　　者：武泽权[1] 牟永敏[2]

Wu Zequan;Mu Yongmin(Beijing Key Laboratory of Internet Culture&Digital Dissemination Research,Beijing Information Science&Technology University,Beijing 100101,China;School of Computer Science,Beijing Information Science&Technology University,Beijing 100101,China)

机构地区：[1]北京信息科技大学网络文化与数字传播北京市重点实验室,北京100101 [2]北京信息科技大学计算机学院,北京100101

出　　处：《计算机应用研究》

基　　金：北京市自然科学基金资助项目(Z160002);网络文化与数字传播北京市重点实验室开放课题资助项目(5221935409)。

年　　份：2020

卷　　号：37

期　　号：12

起止页码：3618-3621

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对鲸鱼优化算法(whale optimization algorithm,WOA)容易陷入局部最优和收敛精度低的问题进行了研究,提出一种改进的鲸鱼优化算法(IWOA)。该算法通过准反向学习方法来初始化种群,提高种群的多样性;然后将线性收敛因子修改为非线性收敛因子,有利于平衡全局搜索和局部开发能力;另外,通过增加自适应权重改进鲸鱼优化算法的局部搜索能力,提高收敛精度;最后,通过随机差分变异策略及时调整鲸鱼优化算法,避免陷入局部最优。实验选取九个基准函数,所有算法均迭代30次,结果表明:改进的鲸鱼优化与原鲸鱼优化算法以及五种改进的鲸鱼优化算法相比,其均值和标准差均优于其他算法,收敛曲线也优于其他大多数算法。说明改进的鲸鱼优化算法收敛精度和算法稳定性最佳,收敛速度较其他大多数改进的鲸鱼优化算法明显加快。

关 键 词：鲸鱼优化算法  准反向学习  非线性收敛因子  自适应权重 随机差分变异  

分 类 号：TP301.6]