文章 "群体优化算法：抵抗陷入局部极值（第二部分）"

新评论
 

新文章 群体优化算法：抵抗陷入局部极值（第二部分）已发布：

我们将继续我们的实验，它的目标是研究群体优化算法在群体多样性较低时有效摆脱局部最小值并达到全局最大值的能力。提供了研究的结果。

灰狼优化器（GWO）

C_AO_GWO:50;10
=============================
5 Hilly's; Func runs:10000; result：0.5385541648909985
25 Hilly's；Func runs：10000; result：0.33060651191769963
500 Hilly's；Func runs：10000; result：0.25796885816873344
=============================
5 Forest's; Func runs：10000; result：0.33256641908450685
25 Forest's; Func runs：10000; result：0.2040563379483599
500 Forest's; Func runs：10000; result：0.15278428644972566
=============================
5 Megacity's; Func runs:10000; result：0.2784615384615384
25 Megacity's; Func runs:10000; result：0.1587692307692308
500 Megacity's；Func runs：10000; result：0.133153846153847
=============================
All score:2.38692

一群 GWO 算法的狼群在广袤的虚拟世界中奔腾，在各种测试函数上迅速向四面八方扩散。这一特性可以在初始迭代中得到有效利用，尤其是当算法与另一种方法配对使用时，可以对找到的解进行改进和补充。它们出色的研究能力说明了它们的潜力，但遗憾的是，识别区域的准确性仍然是它们的弱项。有趣的是，该算法显示出的结果甚至优于在代理均匀分布情况下进行的传统测试。

作者：Andrey Dik

新评论