个体扰动的混沌对立学习与差分进化灰狼算法

崔建弘，林海霞，吕晓华，张卫娟

(河北工程技术学院 人工智能与大数据学院，河北 石家庄 050000)

0 引 言

受灰狼捕食行为的启发，学者Mirjalili提出一种新型群体智能算法：灰狼优化算法GWO[1]。灰狼优化算法参数依赖性更小、模型更简单，寻优性能更好。研究表明，该算法比粒子群算法PSO、差分进化算法DE、引力搜索算法GSA具有更好的求解精度和稳定性，已广泛应用于特征子集选取[2]、电力系统优化[3]、作业车间调度[4]、WSN节点部署[5]、机器人路径规划[6]和图像分割[7]等研究领域。然而，GWO算法的不足在于其性能受多个因素的影响，如：初始种群选取不当可能导致无法收敛至最优解；全局搜索与局部开发会影响算法收敛速度，过多全局搜索可能导致无法找到最优解，过多开发又可能使算法效率变低、陷入局部最优。此外，种群多样性是影响GWO性能的另一因素，若多样性较差，表明个体会在小范围内密集汇聚，可能导致局部收敛；若多样性较好，则表明个体在广阔区域内较为分散，又会导致算法收敛速度变慢。因此，该算法的优化问题需要综合考虑多因素影响。

相关研究中，文献[8]利用莱维飞行策略对GWO进行改进，增强了全局搜索能力。文献[9]利用指数衰减函数设计了改进算法MGWO，利用协同参数估计GWO的最优参数值。文献[10]引入非线性调节模块控制GWO的参数，并利用对立学习进行种群初始化，但算法在高维度情形下无法收敛。文献[11]设计了结合混沌与对立学习的混合GWO算法，分别利用混沌进行种群初始化，利用对立学习增强全局搜索。……