.png){kind=icon}
返回
Dynamic multi-strategy Grey Wolf optimizer and its applications
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-026-54428-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决灰狼优化器（GWO）在解精度、收敛速度和搜索能力方面的不足，本文提出了一种动态多策略灰狼优化器（DMSGWO）。基于GWO，DMSGWO引入了四种改进策略。首先，采用非线性收敛因子策略以更好地平衡全局探索与局部开发。其次，采用种群动态分组策略以在迭代过程中动态调整探索和开发组的种群规模。第三，将随机位置更新策略应用于探索组以增强全局探索能力。最后，将自适应扰动位置更新策略应用于开发组以提高局部开发能力。为全面评估DMSGWO的性能，将其与GWO、四种其他群智能优化算法和四种其他改进的GWO算法在23个基准测试函数和CEC2022测试套件上进行比较。比较结果表明，DMSGWO表现出优异的解精度、稳定性和收敛速度。进一步的Friedman排名检验和Wilcoxon符号秩检验证实，DMSGWO在整体性能上排名第一。测试结果显示，在大多数测试函数上与其他算法存在统计学上显著的性能差异，并进一步验证了DMSGWO的优越性能。为验证DMSGWO的实际应用价值，将其应用于两个典型工程设计优化问题和WSN覆盖优化问题，并与比较算法一同进行。结果表明，DMSGWO能够有效处理约束并实现最佳目标值。因此，这些结果证明了DMSGWO在解决实际复杂应用问题中的有效性和实用性。
Keyword:
Grey Wolf Optimizer
Dynamic Multi-Strategy
Convergence Speed
Solution Accuracy
Engineering Optimization
