解决无优化问题的一种改进猫群算法

发布时间：2024-04-06 22:18

　　猫群算法是解决无优化问题,寻找全局最优解的一种新的群体智能算法,由于猫群算法时间复杂性较大,单纯的利用它求解无优化问题,收敛时间会很长,不能得到精确的结果。为了解决这个问题并提高精确度和缩短算法收敛时间,提出了一种改进的猫群算法,称为自适应动态猫群算法。首先,在速度方程中增加一个自适应惯性权重,再使用一个自适应加速系数。其次,通过使用先前维数的信息和一个新的因子,得到了由平均位置和速度信息构成的一个新的位置更新方程。最后通过实验验证了新的猫群算法的有效性,能够消耗很少的收敛时间和在最少的迭代次数下得到最优解。

【文章页数】：5 页

【部分图文】：

图1Rastrigin函数适应度比较值

《电子设计工程》2019年第11期从表3可知，新的猫群算法运行时间比原始猫群算法更快，除了Griewank函数。图1~6显示了每个函数使用这两种算法的适应度函数值（CSO代表原始猫群算法，ICSO代表改进的猫群算法）。由图说明了改进的猫群算法不仅收敛时间较快，而且在最快的迭代次数....

图2Griewank函数适应度比较值

《电子设计工程》2019年第11期从表3可知，新的猫群算法运行时间比原始猫群算法更快，除了Griewank函数。图1~6显示了每个函数使用这两种算法的适应度函数值（CSO代表原始猫群算法，ICSO代表改进的猫群算法）。由图说明了改进的猫群算法不仅收敛时间较快，而且在最快的迭代次数....

图3Ackley函数适应度比较值

《电子设计工程》2019年第11期从表3可知，新的猫群算法运行时间比原始猫群算法更快，除了Griewank函数。图1~6显示了每个函数使用这两种算法的适应度函数值（CSO代表原始猫群算法，ICSO代表改进的猫群算法）。由图说明了改进的猫群算法不仅收敛时间较快，而且在最快的迭代次数....

图4Sphere函数适应度比较值

《电子设计工程》2019年第11期从表3可知，新的猫群算法运行时间比原始猫群算法更快，除了Griewank函数。图1~6显示了每个函数使用这两种算法的适应度函数值（CSO代表原始猫群算法，ICSO代表改进的猫群算法）。由图说明了改进的猫群算法不仅收敛时间较快，而且在最快的迭代次数....

本文编号：3947244