求解约束优化问题的改进灰狼优化算法improvedgrey-计算机应用.pdfVIP

下载本文档

33
0
约4.42万字
约 7页
2017-08-19 发布于天津
举报
版权申诉

求解约束优化问题的改进灰狼优化算法improvedgrey-计算机应用.pdf

1、本文档共7页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

计算机应用文章编号求解约束优化问题的改进灰狼优化算法龙文赵东泉徐松金贵州省经济系统仿真重点实验室贵州财经大学贵阳枣庄科技职业学院机械工程系山东滕州铜仁学院数学科学学院贵州铜仁通信作者电子邮箱摘要针对基本灰狼优化算法存在求解精度低收敛速度慢局部搜索能力差的问题提出一种改进灰狼优化算法用于求解约束优化问题该算法采用非固定多段映射罚函数法处理约束条件将原约束优化问题转化为无约束优化问题然后利用算法对转换后的无约束优化问题进行求解在算法中引入佳点集理论生成初始种群为算法全局搜索奠定基础为了提高局部搜索能

JournalofComputerApplications ISSN1001-9081 2015- 【-10 ,2015, ( ): - CODENJYIIDU 计算机应用【【【【 :1001-9081(2015) -0000-00 doi:10.11772/j.issn.1001-9081.2015. .0000 文章编号【【求解约束优化问题的改进灰狼优化算法 1* 2 3 龙文，赵东泉，徐松金 (1. 贵州省经济系统仿真重点实验室（贵州财经大学），贵阳 550004； 2. 枣庄科技职业学院机械工程系，山东滕州 277500； 3. 铜仁学院数学科学学院，贵州铜仁 554300) (*通信作者电子邮箱：lw770457@163.com) 摘要针对基本灰狼优化: (GWO)算法存在求解精度低、收敛速度慢、局部搜索能力差的问题，提出一种改进灰狼优化 (IGWO)算法用于求解约束优化问题。该算法采用非固定多段映射罚函数法处理约束条件，将原约束优化问题转化为无约束优化问题，然后利用IGW 算法对转换后的无约束优化问题进行求解。在IGW 算法中，引入佳点集理论生成初始种群，为算法全局搜索奠定基础；为了提高局部搜索能力和加快收敛速度，对当前最优灰狼个体执行Powell局部搜索。采用几个标准束优化测试问题进行仿真实验，结果表明该算法不仅克服了基本GW 的缺点，而且性能优于差分进化和粒子群优化算法。关键词: 灰狼优化算法；约束优化；非固定多段映射罚函数法；佳点集中图分类号: TP301.6 文献标志码:A Improvedgreywolfoptimizationalgorithmforconstrained optimizationproblem 1* 2 3 LONGWen ,ZHA Dongquan ,XUSongjin (1.GuizhouKeyLaboratoryofEconomicsSystemSimulation(GuizhouUniversityofFinanceEconomics),Guiyang550004,China; 2.DepartmentofMechanicalEngineering,ZaozhuangVacationalCollegeofScienceTechnology,TengzhouShandong277500,China; 3.CollegeofMathematicalScience,TongrenUniversity,TongrenGuizhou554300,China) Abstract: The standard grey wolf optimization (GWO) algorithm has a few disadvantages of low solving precision, slow convergence, and bad local