罗仕杭,何 庆,2
1.贵州大学 大数据与信息工程学院,贵阳 550025
2.贵州大学 贵州省公共大数据重点实验室,贵阳 550025
在工程应用和科学研究中存在大量高维度、非线性以及目标函数不可导的全局优化问题,传统的优化方法很难在合理的时间内找到这些问题的全局最优解。元启发式算法具有原理简单、易操作、参数少等优点,为复杂全局优化问题提供了一种新的解决途径。因此,近年来元启发式发算法在避障[1]、自动控制[2]、调度问题[3]、图像演化[4]、路径规划[5]等领域得到广泛应用与研究。
阿基米德优化算法(Archimedes optimization algorithm,AOA)是2021年Hashim等[6]基于阿基米德原理提出的新型元启发式优化算法,AOA的种群个体是浸入流体中的物体,当浸入流体中的物体之间发生碰撞时,碰撞程度随时间不断减弱,适应度值优的个体加速度大,引导其他个体逐渐收敛到最优位置,达到寻优的目的。
AOA具有模型简单、易于扩充、设置参数少等优点。然而,AOA与其他群智能优化算法相似,存在全局搜索能力弱、寻优精度低、易陷入局部最优等缺陷。
为改善群智能算法存在全局搜索能力弱、寻优精度低、易陷入局部最优等问题,许多学者提出改进:王坚浩等[7]针对鲸鱼优化算法(whale optimization algorithm,WOA)收敛精度低的问题,添加惯性权重对种群位置进行非线性扰动更新,提高了算法的收敛精度;龙文等[8]提出非线性变化的收敛因子,达到平衡WOA的全局探索和局部开发能力;李守玉等[9]将变异反向学习策略引入蝴蝶优化算法(butterfly optimization algorithm,BOA),提高算法的寻优精度;……