基于局部参数及种群多样性改进的灰狼优化算法研究.pdfVIP

摘要

群体智能优化算法凭借其种群的遍历性、随机性、自适应性等特点，为非线

性、高维度、多约束的非凸复杂系统的优化求解提供了新的思路。灰狼优化算法

是一类具有结构简单、搜索灵活等特点的元启发式算法，但其在高维度复杂系统

优化过程中仍存在陷入局部最优以及收敛精度低等问题。因此，本文在保留灰狼

算法收敛速度快、参数灵活可调、结构简单等优点的基础上进一步改进。本文主

要研究内容如下:

1.为强化标准灰狼优化算法中局部参数对优化性能的作用，提高灰狼优化算法

的普适性、收敛精度以及收敛速度，本文提出了两种改进策略：

(1)针对单一收敛策略存在无法在多种优化问题中均表现较佳的不足，提出

了一种带有非线性调节因子的分段式非线性收敛策略，并验证了该策略

具有较好的普适性以及较高的收敛精度。

(2)针对原有位置更新策略存在无法突出精英狼领导能力强弱的不足，提出

了一种基于随机对立学习方法的精英狼位置更新策略，并验证了该策略

有助于提高局部搜索能力。

2.为提高标准灰狼优化算法中狼群在迭代全过程的种群多样性，提升灰狼优化

算法的收敛速度、全局收敛能力以及鲁棒性，本文提出了两种改进策略：

(1)针对随机分布的初始种群存在无法较好表征搜索空间特征的不足，提出

了一种基于改进型佳点集理论的初始种群分布方法，提高了初始种群的

多样性，并验证了该策略有助于提高算法收敛速度。

(2)针对迭代过程中存在种群多样性流失的缺陷，提出了一种采用优胜劣汰

法则来动态进化种群的融合策略，并验证了其具有更强的全局收敛能力，

同时在约束优化问题求解中表现出较强的竞争力和较高的可靠性。

关键词：灰狼优化算法，对立学习，动态进化，约束优化

ABSTRACT

Swarmintelligenceoptimizationalgorithmsprovidenewideasforoptimization

problemsofnon-convexandcomplexsystemswithnon-linear,highdimensionalityand

multipleconstraintsbyvirtueoftheirpopulationsergodicity,randomness,and

adaptability.Asanemergingmeta-heuristicalgorithm,greywolfoptimization

algorithmhasthecharacteristicsofsimplestructureandflexiblesearch.However,there

areproblemssuchasfallingintolocaloptimalityandlowconvergenceaccuracyinthe

optimizationprocessofhigh-dimensionalcomplexsystems.Therefore,thisthesiswill

furtherimprovethegreywolfalgorithmbasedonitsadvantagesoffastconvergence,

flexibleandadjustableparameters,andsimplestructure.Themainresearchcontentsof

thisthesisareasfollows:

1.Inordertostrengthentheeffectoflocalparametersinthestandardgreywolf

optimizationalgorithm,andimproveuniversality,convergenceaccuracyand

convergencespeedofthegreywol