摘要
鲸鱼优化算法(WOA)是一种模拟鲸鱼捕食猎物而提出的元启发式算法,具有操作简单、调节参数少等优点.但由于WOA在迭代中后期探索和开发能力不足,导致算法求解精度低,易于陷入局部最优.针对WOA收敛速度慢、精度低、全局探索能力不足且易于陷入局部最优等缺点,提出了一种改进的鲸鱼优化算法(GFWOA).通过引入反向学习策略,对初始种群生成反向解,提高了初始种群质量,进一步加快了算法的收敛速度.通过引入高斯随机游走策略到鲸鱼优化算法局部寻优阶段,提高了算法的开发能力,增强了算法全局探索的能力和跳出局部最优的能力.并分别在单峰测试函数、多峰测试函数、低维多峰测试函数上进行仿真实验,通过平均值、标准差与最优值作为衡量算法性能的标准.结果表明,GFWOA在收敛精度、收敛速度和稳定性方面均较对比算法有明显提升.最后通过假设检验方法将GFWOA与其他算法进行比较,得出GFWOA在性能方面更具优势.
基金项目
甘肃农业大学青年导师基金(GAU-QDFC-2019-02)
甘肃省高等学校创新能力提升项目(2019A-056)
国家科技期刊平台
NSTL
维普
万方数据