基于正弦因子和量子局部搜索的灰狼优化算法

徐辰华，骆珠光，吴冠宏，刘 斌

1.广西大学 电气工程学院，南宁530004

2.广东技术师范大学 自动化学院，广州510630

灰狼优化算法（Grey Wolf Optimization algorithm，GWO）是由Mirjalili等人[1]在2014年从灰狼阶级层次的特点的启发下提出来的。该算法通过模仿灰狼群体捕食行为来寻找目标问题的最优解。与现有启发式算法相比，GWO操作简单，调整的参数少，且由于它的最优个体及运动方式依概率更新，具有更大的随机性和更快的收敛速度，并在工程实践的初步应用中取得了良好的效果。

灰狼算法在求解一些复杂问题时，表现出了良好的性能，如求解柔性车间调度问题[2]、神经网络的优化[3]、支持向量机的优化[4]等。目前国内外一些学者针对GWO进行了研究，文献[5]为解决复杂的高维函数问题，将混沌理论和精英反向学习策略引入灰狼算法。文献[6]提出一种自适应递减的收敛因子和基于惯性权重的步长更新公式改进的灰狼算法，提高了算法的搜索能力。文献[7]对灰狼算法的位置更新，用最优-最差正交反向学习策略来改进，用于优化多核极限学习机中的加权系数等参数。文献[8]提出一种混合灰狼算法，将DE的交叉、变异因子引入算法中，提高了算法的性能。文献[9]在GWO算法的基础上引入Tent映射和正态云模型，分别从狼群初始分布和位置更新策略上改善算法寻优性能。上述改进方法虽然提高了GWO某一方面的性能，但是在算法收敛速度和寻优精度上难以达到很好的平衡。

针对上述的问题，本文提出一种基于正弦控制因子和量子局部搜索的灰狼优化算法（Quantum Gray Wolf Optimization algorithm，QGWO）。……