作者:吴聪聪; 贺毅朝; 赵建立; 李宁杂草算法自适应标准差精英反向学习阶段性变异
摘要:提出了基于精英反向学习的阶段性变异杂草算法(Elite opposition-based learning mutil-stage mutated invasive weed optimization,EOMMIWO).该算法将正态分布的标准差初始值和终止值由固定设置转化为根据问题自适应产生;在杂草进化过程中让精英个体反向学习,提高了算法的勘探能力;另外,在算法进化的不同阶段对杂草实施不同变异,增强个体交流,提高算法的开发能力.通过8个经典的Benchmark函数测试,结果表明该算法提高了杂草算法的求解精度和收敛速度,具有很强的鲁棒性.
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社