.png){kind=icon}
返回
A multi-strategy improved electric eel foraging optimization algorithm: continuous and binary variants for solving optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02609-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电鳗觅食优化（EEFO）算法是一种受电鳗社会捕食行为启发的元启发式算法。它通过整合交互、休息、迁徙和捕猎活动来提升搜索效率。尽管EEFO在优化任务中有效，但其特点是在某些情况下收敛速度较慢且易陷入局部最优。为克服这些局限性，本文提出了一种多策略改进电鳗觅食优化算法（MIEEFO），该算法整合了三种关键策略：自适应帐篷混沌映射、差分进化（DE）变异策略以及基于斐波那契搜索技术（FSM）的增强解技术。首先，MIEEFO采用自适应帐篷混沌映射策略，用于初始化均匀分布的高质量种群，以有效探索搜索空间。其次，引入一种新颖的DE-based变异策略，以平衡探索与开发阶段。此外，为提升解质量并降低陷入局部最优的风险，应用基于FSM的改进解技术对当前最优解进行优化。为全面评估MIEEFO的全局优化能力，采用CEC'22测试套件中的标准数值挑战进行测试。MIEEFO与现代多种增强算法进行对比分析，采用Wilcoxon符号秩检验和Friedman检验整合比较结果。结果表明，MIEEFO凭借其卓越的优化能力脱颖而出，其Friedman平均排名最低为1.37。在大多数测试场景中，MIEEFO持续优于其他算法，提供更精确可靠的解。此外，通过五个实际约束工程设计问题展示了MIEEFO的应用，证明其工程实用性。这些结果突显了MIEEFO强大的优化能力及其广泛应用潜力。此外，通过17个数据集的测试，结合十种标准分类技术和两种先进分类方法，验证了MIEEFO在离散特征选择任务中的表现。结果显示，MIEEFO在数据集上实现了平均72.59%的特征选择缩减，同时相较于竞争方法将分类准确率提高了最高7.2%。
Keyword:
Electric eel foraging optimization (EEFO)
Differential evolution (DE)
Optimization
Metaheuristic
Real-world optimization problems
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm蛾焰优化算法: 一种新的自然启发启发式范式
.png){kind=icon}
PREAI
分享收藏Fick?s Law Algorithm: A physical law-based algorithm for numerical optimization菲克定律算法: 基于物理定律的数值优化算法
PREAI
分享收藏Electric eel foraging optimization: A new bio-inspired optimizer for engineering applications电鳗鱼觅食优化: 一种用于工程应用的新型生物启发优化器
PREAI
分享收藏INFO: An efficient optimization algorithm based on weighted mean of vectorsINFO: 一种基于向量加权均值的高效优化算法
PREAI
分享收藏Multi-Verse Optimizer: a nature-inspired algorithm for global optimization多宇宙优化器: 一种自然启发的全局优化算法
PREAI
分享收藏Solving numerical and engineering optimization problems using a dynamic dual-population differential evolution algorithm使用动态双种群差分进化算法求解数值和工程优化问题
PREAI
分享收藏Cervical cancerous cell classification: opposition-based harmony search for deep feature selection宫颈癌细胞分类: 基于对立和声搜索的深度特征选择
PREAI
分享收藏
查看更多内容