科研之友
微信
新浪微博
Facebook
分享链接
摘要
帝国主义竞争算法作为一种基于子种群进化的群智能优化算法,具有较强的局部搜索能力,加快算法的收敛速度,同时,过度的局部学习和帝国合并倒塌都将导致种群的多样性丢失,算法容易陷入局部最优。受"国家之间不但可以相互学习,同时也可以依赖自身发展"这一现象的启发,提出基于高斯变异因子、柯西变异因子、Lateral变异因子和Baldwinian变异因子的帝国主义竞争算法,即在同化过程中,将具有不同的动力学搜索特性的变异因子进行融合,前两个变异因子,仅仅在当前解上加一个扰动,即认为是个体自身的发展,可以使陷入局部最优的个体跳出局部最优;而后两个变异因子,认为是个体之间的相互学习,加快算法收敛,该机制的融合,在一定程度上克服了算法"早熟"现象。将基于四个变异机制的帝国主义竞争算法应用在23个基准函数上,分别与未改进的帝国主义竞争算法和现存的优秀算法进行比较,实现结果表明,改进后的算法在全局寻优能力上得到明显的改善。
- 单位
