.png){kind=icon}
返回
An improved swarm optimization algorithm using exploration and evolutionary game theory for efficient exploitation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07007-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统元启发式方法通常依赖随机探索和开发机制，由于缺乏指导，可能导致低效的搜索过程。本文介绍了一种新型元启发式算法，通过两种专门的探索和开发机制克服了这些局限性。种群被划分为探索者和开发者代理，各自采用不同的策略。类似群体的探索者代理遵循通过拉丁超立方采样生成的轨迹，以高效探索搜索空间。开发者利用进化博弈理论，其中较弱的代理采用较强代理的策略，确保高效开发。这种全局信息的整合增强了多样性，提高了解的质量，并降低了计算成本。在与基准函数的对比验证中，所提出的算法取得了更优的结果，实现了更快的收敛速度和更高质量的解。
Keyword:
Metaheuristic algorithms
Latin hypercube path-tracing
Swarm-guided
Evolutionary game theory
期刊
IF:
2.7
论文数:
1.2K
被引数:
1.0W
机构
引用论文
分享收藏The Role of Random Walk-Based Techniques in Enhancing Metaheuristic Optimization Algorithms-A Systematic and Comprehensive Review基于随机游走的技术在增强元启发式优化算法中的作用-系统而全面的评论.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Differential Evolution Search Strategy Enhancement Through Evolutionary Game Theory通过进化博弈理论增强差分进化搜索策略
PREAI
分享收藏
查看更多内容