科研之友
微信
新浪微博
Facebook
分享链接
摘要
饥饿游戏搜索算法相较于传统的群智能优化算法，具有较好的鲁棒性和寻优能力，但仍存在易陷入局部最优、收敛速度慢等缺陷。为进一步提高饥饿游戏搜索算法的寻优性能，提出精英反向学习t分布饥饿游戏搜索算法（Elite Opposition-Based Learning andt-Distribution Hunger Games Search Algorithm，EtHGS）。利用精英反向学习策略提高初始化种群多样性并且提高收敛速度，同时引入动态概率t分布自适应策略来平衡算法的全局探索和局部开发的能力。通过与饥饿游戏搜索算法（Hunger Games Search Algorithm，HGS）、哈里斯鹰算法（Harris Hawks Optimization，HHO）、黏菌算法（Slime Mould Algorithm，SMA）、精英反向黄金正弦鲸鱼算法（Elite Opposition-Based Golden-Sine Whale Optimization Algorithm，EGoldenSWOA）在多个单模态、多模态和高维测试函数之间进行寻优对比实验，结果表明，所提出的EtHGS算法具有较快收敛速度、较高求解精度以及较强的全局收敛能力。
- 单位
