遗传算子嵌入的灰狼优化算法改进

"嵌入遗传算子的改进灰狼优化算法" 本文主要探讨了一种针对基本灰狼优化算法（GWO）存在的问题而提出的改进策略，即“嵌入遗传算子的改进灰狼优化算法（IGWO）”。GWO算法是一种生物启发式优化算法，灵感来源于灰狼社会的狩猎行为，但在解决无约束优化问题时，可能会遇到求解精度低、后期收敛速度慢以及易于陷入局部最优的挑战。 作者徐松金和龙暋文首先介绍了问题背景，并指出通过引入遗传算子可以提升算法性能。他们提出的新算法IGWO首先利用佳点集理论来初始化种群，这一举措旨在增加初始种群的多样性，从而有利于全局搜索。在算法运行过程中，IGWO算法在决策层之外的群体中随机选取三个个体与决策层个体进行算术交叉操作，这样的设计有助于引导群体向决策层区域聚集，增强算法的局部搜索能力，加快收敛速度。 此外，为了防止算法过早收敛或陷入局部最优，IGWO算法还对决策层的个体实施多样性变异操作。这种变异策略能够在保持算法搜索活力的同时，避免算法陷入局部极值，提高求解精度。 为了验证算法的有效性，研究人员使用了几个标准测试函数进行了仿真实验，其中包括高维度问题（D=30或D=50）。实验结果显示，IGWO算法在高维优化问题上的性能优于基本的GWO算法，表现为更快的收敛速度和更高的求解精度。 嵌入遗传算子的改进灰狼优化算法（IGWO）通过结合遗传算法的算术交叉和变异操作，成功地解决了基本GWO算法的一些局限性，提高了无约束优化问题的求解质量和效率。这一方法对于解决复杂优化问题，特别是在高维度空间中的优化，具有重要的应用价值，为优化算法的研究提供了新的思路和策略。同时，这种改进策略也为其他类似的生物启发式算法提供了一种可能的优化途径，为未来的算法设计和优化问题的解决提供了参考。