為提高對多種不同類型問題的優(yōu)化性能,提出了一種基于和聲搜索和教與學(xué)優(yōu)化的混合優(yōu)化算法(HHSTL)。在不同的進(jìn)化階段,HHSTL算法依據(jù)種群活躍率及種群最優(yōu)個體更新率動態(tài)地確定和聲算法或教與學(xué)算法作為下一周期種群更新方式的比例,并在標(biāo)準(zhǔn)教與學(xué)算法中增加了"自學(xué)"策略來提高算法的全局尋優(yōu)能力。對16個不同類型的Benchmark函數(shù)進(jìn)行仿真,并與七種優(yōu)秀算法進(jìn)行結(jié)果比較及Wilcoxon秩和檢驗分析,結(jié)果表明HHSTL算法汲取了和聲搜索和教與學(xué)優(yōu)化算法的優(yōu)點(diǎn),具有求解精度高、穩(wěn)定性好等特點(diǎn),能夠求解更多的較為復(fù)雜的優(yōu)化問題。

【文章頁數(shù)】：6 頁

【文章目錄】：
1 和聲搜索算法
    1.1 標(biāo)準(zhǔn)和聲搜索算法
    1.2 改進(jìn)的和聲算法
2 教與學(xué)優(yōu)化算法
    2.1 標(biāo)準(zhǔn)的教與學(xué)優(yōu)化算法
    2.2 教與學(xué)優(yōu)化算法的改進(jìn)
3 和聲—教與學(xué)混合優(yōu)化算法
    3.1 動態(tài)選擇策略
    3.2 算法流程
4 實驗仿真測試
    4.1 實驗環(huán)境與參數(shù)設(shè)置
    4.2 實驗結(jié)果與分析
    4.3 選擇周期T的分析
    4.4 動態(tài)選擇策略分析
5 結(jié)束語



本文編號：3980912