.png){kind=icon}
返回
Adaptive Gazelle optimization algorithm: a novel solution for complex optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-024-05046-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代工程和科学优化问题的复杂性揭示了传统元启发式算法的局限性，包括收敛速度慢、易陷入局部最优以及在高维任务中适应性差。为应对这些挑战，本研究提出了自适应羚羊优化算法（AGOA），该算法结合了多变量增强对数混沌初始化、自适应布朗运动进行参数调整，以及自适应莱维飞行以平衡探索与开发。捕食者积累效应进一步提升了全局搜索和收敛性能。在CEC-2017和CEC-2022基准测试上的实验表明，AGOA的性能有所提升，其收敛速度比原始算法及其他算法快16.11%，解精度提高了20.79%。在三维轨迹规划中，与其它算法相比，AGOA减少了约17.70%的路径长度。AGOA在结构优化、PID调谐和无线传感器网络布局等应用中也展现了适应性和有效性，凸显了其在工程和科学领域的鲁棒性。
Keyword:
Gazelle optimization algorithm
Adaptive
Trajectory planning
PID parameter optimization
Wireless sensor network layout
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
HWMWOA: A Hybrid WMA–WOA Algorithm with Adaptive Cauchy Mutation for Global Optimization and Data ClassificationHWMWOA: 具有自适应柯西变异的混合wma-woa算法，用于全局优化和数据分类
PREAI
分享收藏On Wilcoxon rank sum test for condition monitoring and fault detection of wind turbinesWilcoxon秩和检验在风力发电机状态监测和故障检测中的应用.png)
APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏Elevating Survivability in Next-Gen IoT-Fog-Cloud Networks: Scheduling Optimization With the Metaheuristic Mountain Gazelle Algorithm提升下一代物联网雾云网络的生存能力: 使用元启发式山瞪羚算法进行调度优化
PREAI
分享收藏分享收藏
查看更多内容