Boosting aquila optimizer by marine predators algorithm for combinatorial optimization

doi:10.1093/jcde/qwae004

Boosting aquila optimizer by marine predators algorithm for combinatorial optimization

2024-01-17

0

OA

AI

DOI：10.1093/jcde/qwae004

原文链接

原文求助

摘要

En 中文

摘要本研究通过使用海洋捕食者算法（MPA）开发了一种改进的鹰隼优化器（AO）版本，即EHAOMPA。MPA是一种新颖且性能良好的优化器，具有独特的内存节省和鱼群聚集设备机制。但同时，它存在多种缺陷，如全局搜索不足、收敛速度缓慢以及局部最优停滞等问题。然而，AO具备稳健的全局探索能力、快速的收敛速度和高搜索效率。因此，所提出的EHAOMPA旨在弥补AO和MPA的不足，并引入新特性。具体而言，将基于代表个体的狩猎技术融入探索阶段，以增强种群多样性。同时，在开发阶段引入随机对立学习，以防止优化器陷入局部最优。本研究测试了EHAOMPA在23个标准数学基准函数、CEC2017测试套件中的29个复杂测试函数、6个受约束的工业工程设计问题以及卷积神经网络超参数（CNN-hyperparameter）优化（针对2019冠状病毒病（COVID-19）计算机断层扫描图像检测问题）上的性能。EHAOMPA与四种现有优化算法类型进行比较，在数值和实际问题上均表现最佳。与其他方法相比，测试函数结果表明EHAOMPA展现出更强的全局搜索能力、更高的收敛速率、更高的精度以及更强的避免局部最优的能力。实际问题的优异实验结果表明，开发的EHAOMPA在解决现实优化问题方面具有巨大潜力。多种策略的结合能够有效提升算法性能。EHAOMPA的源代码可在https://github.com/WangShuang92/EHAOMPA上公开获取。

Boosting aquila optimizer by marine predators algorithm for combinatorial optimization

摘要

期刊

机构

引用论文