.png){kind=icon}
返回
BMJAYA: a parameter-free multi-strategy enhanced JAYA algorithm for global optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08791-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
元启发式优化算法被广泛用于解决复杂的工程优化问题，特别是涉及高维性、非线性耦合和多模态搜索空间的问题。然而，许多现有算法仍面临多样性迅速丧失、早熟收敛和复杂搜索空间中鲁棒性有限等挑战。本文提出了一种增强型JAYA算法，称为BMJAYA，旨在提高原始框架的搜索鲁棒性，同时保留算法无特定行为控制参数的特点。所提出的方法整合了三种互补策略：一种条件触发的最佳-均值-随机（BMR）增强机制用于停滞修复，一种多群体协同进化框架用于结构化探索，以及一种全局精英共享机制用于子群体间的信息交换。BMJAYA的有效性在CEC-2022基准测试套件上进行了评估，并通过50维CEC-2017实验和XGBoost超参数优化在腐蚀行为预测中的工程应用进行了进一步检验。结果表明，BMJAYA显著提升了原始JAYA算法，并在相同评估预算下在经典和近期优化器中取得了有竞争力的整体性能。特别是在CEC-2022基准测试中，BMJAYA获得了比近期DOA算法更好的整体排名，在所有三个腐蚀预测任务中提供的RMSE值均低于DOA-XGBoost。这些结果证明，BMJAYA提供了一种实用的基于JAYA的优化框架，在优化精度、结构简洁性和经验计算成本之间达到了良好的平衡。
Keyword:
Global optimization
JAYA algorithm
Multipopulation evolution
Parameter-free optimization
XGBoost hyperparameter tuning
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
分享收藏Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance在评估平均模型性能时，平均绝对误差 (MAE) 相对于均方根误差 (RMSE) 的优势
OAAI
OAAI分享收藏Secretary bird optimization algorithm: a new metaheuristic for solving global optimization problems秘书鸟优化算法: 解决全局优化问题的一种新的元启发式算法
OAAI
OAAI分享收藏Performance evaluation of hybrid woa-xgboost, gwo-xgboost and bo-xgboost models to predict blast-induced ground vibration混合WOA-XGBoost、GWO-XGBoost和BO-XGBoost模型在预测爆破诱发的地面振动中的性能评估.png)
IF0
PREAI
分享收藏An intensive and comprehensive overview of jaya algorithm, its versions and applications对Jaya算法、其版本及应用进行的深入而全面的综述
IF0
PREAI
分享收藏
查看更多内容