.png){kind=icon}
返回
Enhanced crayfish optimization algorithm for global optimization and real-world applications
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05241-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
螯虾优化算法（COA）是受螯虾觅食、越夏和竞争行为模式启发而提出的。然而，当面对解空间中的多个局部最优解时，该算法可能会收敛缓慢或过早陷入局部最优。为解决此问题，我们提出了一种增强型螯虾优化算法（ECOA）。在ECOA中，引入了基于正弦函数的非线性控制参数。此外，提出了一种分层更新机制以防止算法陷入局部最优。同时，引入了一种新的边界调整策略，即逐维质心边界控制，以有效利用种群信息。最后，融入了动态质心对立学习以提升收敛速度和种群多样性。采用CEC2017测试套件评估ECOA的优化性能。ECOA与13种知名算法进行了比较，包括GSA、WOA、MFO、AGWO、HPHHO、CPSOGSA、HEOA、DMOA、WO、KOA、SMO、SFOA和COA。实验结果表明，ECOA在稳定性、精度和收敛速度方面显著优于其他算法。最后，通过四个工程问题，优化了洪水预测和3D无人机路径规划中的KELM超参数，进一步验证了ECOA解决实际问题的有效性。从统计结果可以看出，在CEC2017的10、30、50和100维情况下，ECOA的Friedman平均排名分别为3.73、3.06、2.94和2.62。除10维情况下排名第二外，ECOA在其他所有情况下均排名第一。此外，在所有三个实际应用中，ECOA均取得了最佳结果。
Keyword:
Crayfish optimization algorithm
Metaheuristic algorithm
Global optimization
Engineering problem
Flood prediction
3D UAV path planning
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm蛾焰优化算法: 一种新的自然启发启发式范式
PREAI
分享收藏The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problemsSailfish优化器: 一种新颖的自然启发的元启发式算法，用于解决约束工程优化问题
PREAI
分享收藏
A Neighborhood Regression Optimization Algorithm for Computationally Expensive Optimization Problems
PREAI
分享收藏Modified LSHADE-SPACMA with new mutation strategy and external archive mechanism for numerical optimization and point cloud registration改进的LSHADE-SPACMA算法，结合新的变异策略和外部档案机制，用于数值优化和点云配准
OAAI
OAAI分享收藏A venture to analyse stable feature selection employing augmented marine predator algorithm based on opposition-based learning基于反向学习的增强海洋捕食者算法分析稳定特征选择的风险.png)
EXPERT SYSTEMS
EXPERT SYSTEMSIF2.3
PREAI
分享收藏分享收藏分享收藏
查看更多内容