基于非线性和遗传变异的灰狼优化算法

王 伟, 何东之

(北京工业大学 信息学部,北京 100124)

随着科技的发展与计算领域的深入研究,生活中出现了许多复杂的优化问题。受一些生物种群活动的启发,研究人员提出了一系列群智能算法,为解决复杂的优化问题提供了新的解决方案[1]。这些算法因其具有计算方法简单、运算速度快,并且可用于解决各类优化问题而受到人们的关注,目前已提出的群智能算法包括:蚁群优化(ant colony optimization, ACO)算法[2]、粒子群优化(particle swarm optimization,PSO)算法[3]、差分进化(differential evolution,DE)算法[4]和人工蜂群(artificial bee colnony,ABC)算法[5]等。

文献[6]提出了灰狼优化(grey wolf optimization,GWO)算法。GWO模拟了灰狼的种群活动,具有与其他群智能算法相同的特点,如原理简单、算法参数少、局部搜索能力强等。但与其他群智能算法不同的是,该算法考虑了种群中的社会阶层,更大程度上模仿了生物种群所具有的特性。目前,GWO已成功应用于经济调度[7]、组合优化[8]、特征选择[9]、分类[10]、聚类[11]等领域的优化问题。此外,GWO的多目标优化[12]及其应用[13-14]也取得了一定的研究成果。

但是,基本的GWO算法除了具有许多优点外,还存在收敛速度慢、局部停滞不前的缺点。文献[15]为提高GWO算法在解决多峰值的高维度问题时的搜索精度和收敛速度, 引入了随机调整的收敛因子;文献[16]发现GWO算法对搜索空间中的坐标原点具有倾向性,提出了一种对坐标原点不敏感、可以动态调整的增强型灰狼优化算法;文献[17]提出锦标赛法、比例法和普遍抽样法等5种改进的选择策略来优化GWO算法。

针对算法容易陷入局部最优和后……