.png){kind=icon}
返回
An improved FOX optimization algorithm using adaptive exploration and exploitation for global optimization
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0331965.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
优化算法对于解决许多现实世界问题至关重要。然而，陷入局部最优和有效平衡探索与开发等挑战常常限制其性能。本文介绍了一种FOX优化算法（FOX）的改进变体，称为改进FOX（IFOX），该算法采用一种新的自适应方法，利用动态缩放步长参数，根据当前解的适应度值来平衡探索与开发。所提出的IFOX还通过移除四个参数（C1、C2、a、Mint）减少了超参数的数量，并优化了FOX的主要方程。为评估其性能，IFOX在20个经典基准函数、进化计算大会（CEC）中的61个基准测试函数以及十个现实世界问题上进行了测试。实验结果表明，与原始FOX相比，IFOX在总体性能指标上实现了40%的改进。此外，在所有涉及函数和问题上，与16种优化算法相比，IFOX取得了880次获胜、228次平局和348次失败。进一步地，非参数统计检验，包括Friedman检验和Wilcoxon符号秩检验，证实了其与近期及最先进的优化算法（如LSHADE和NRO）的竞争力，在17种算法中平均排名第5.92。这些发现突显了IFOX在解决多样化优化问题方面的巨大潜力，确立了其作为竞争力和有效性强的优化算法的地位。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
暂无机构信息
引用论文
Manta ray foraging optimization: An effective bio-inspired optimizer for engineering applications
PREAI
分享收藏Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithm.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏A survey of contextual optimization methods for decision-making under uncertainty不确定条件下决策的情境优化方法综述OAAI
OAAI分享收藏
查看更多内容