.png){kind=icon}
返回
A Lagrange interpolation-based optimization algorithm for numerical optimization and spacecraft trajectory problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s00500-026-11215-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于隐喻的优化算法的快速普及已受到研究人员对其新颖性和贡献的批评。许多这类伪新颖元启发式算法在模仿动物和其他生物的觅食行为时，存在性能低效、验证系统偏差以及建模过度相似的问题。本研究引入了一种基于群体的无隐喻优化算法，采用广为人知且高效的拉格朗日插值公式来解决这些担忧。所提出的算法称为基于拉格朗日插值的优化（LIBO），用于数值优化和解决实际优化问题。采用二阶拉格朗日插值公式构建算法，其中多项式通过三个给定随机点，从而呈现抛物线结构。在更新算法时，每个试验解考虑三个随机选择的解并获取最小点。为在探索与开发之间取得适当平衡并避免陷入局部最优，所提出的LIBO算法在其搜索机制中纳入了特定措施。其有效性通过IEEE CEC 2017和IEEE CEC 2019基准函数、三个实际工程问题以及高度非线性的多引力辅助航天器轨迹问题进行评估。比较分析表明，在CEC 2017函数中，所提出的LIBO在100%情况下优于基本算法，且比差分进化变体效率高85%以上；在CEC 2019套件中，其在超过80%的实例中优于竞争对手。统计分析、探索-开发分析以及计算复杂度评估证实了LIBO算法有前景且具有竞争力的性能。在性能指标、探索-开发倾向以及避免局部最优方面，其表现出更优性能。无隐喻的LIBO算法在优化工程问题和多引力辅助航天器轨迹问题中展现出其主导性。
Keyword:
Metaheuristics
Lagrange interpolation
LIBO algorithm
Exploration–exploitation
Spacecraft trajectory problem
期刊
IF:
2.5
论文数:
1.0W
被引数:
2.1W
机构
查看更多机构
引用论文
.png){kind=icon}
A novel improved whale optimization algorithm to solve numerical optimization and real-world applications一种新的改进鲸鱼优化算法，用于解决数值优化和实际应用
PREAI
分享收藏Comprehensive Taxonomies of Nature- and Bio-inspired Optimization: Inspiration Versus Algorithmic Behavior, Critical Analysis Recommendations自然和生物启发优化的综合分类: 灵感与算法行为，批判性分析建议
OAAI
OAAI分享收藏分享收藏 没有更多内容