.png){kind=icon}
返回
A hybrid Mountain Gazelle particle swarm-based algorithm for constrained optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s12530-024-09654-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受自然启发的技术在解决复杂、非线性及非凸优化问题方面至关重要。结合两种或多种技术有助于提高解决复杂问题的准确性、适应性和效率，以有效应对不确定性和非线性。在本文中，我们介绍了一种名为“Mountain Gazelle Particle Swarm Optimization (MGPSO)”的混合方法，该方法将粒子群优化（PSO）与Mountain Gazelle优化（MGO）相结合，以提高问题求解能力。PSO在探索方面存在一定局限性，但在开发方面能力较强，而MGO通过实现更多样化、更广泛的搜索空间，具有强大的探索能力。考虑到这一点，我们将PSO与MGO算法相结合，以发挥两种算法的优势，从而提高解决复杂优化问题的性能。所提出的混合算法的性能已在23个复杂度不同的基准函数、结构设计问题以及12个IEEE CEC22（IEEE进化和计算大会2022）函数上进行了测试。计算结果与现有若干领先文献进行了比较。实验结果表明，所提出的MGPSO算法显著优于其他现有算法。在23个基准函数中，MGPSO在16个函数上取得了更优结果；对于12个CEC22函数，所提出的算法在10个函数上表现更优。此外，MGPSO的结果通过统计分析测试进行了验证。
Keyword:
Mountain Gazelle optimization
Particle swarm optimization
Benchmark functions
Hybrid algorithms
CEC functions
Design problems
期刊
IF:
2.7
论文数:
240
被引数:
1.2K
机构
暂无机构信息
引用论文
Joint Fairness and Efficiency Optimization for CSMA/CA-Based Multi-User MIMO UAV Ad Hoc NetworksCSMA/CA基础的多用户MIMO无人机自组织网络中联合公平性与效率优化
.png){kind=icon}
PREAI
分享收藏
Improving Bus Passenger Flow Prediction Using Bi-LSTM Fusion Model and SMO Algorithm基于Bi-LSTM融合模型和SMO算法的公交客流预测改进
PREAI
分享收藏
查看更多内容