.png){kind=icon}
返回
Multi-strategy driven crow search algorithm for global optimization and engineering problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06543-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鸦群搜索算法（CSA）是一种受乌鸦觅食习性启发并模仿其觅食行为形成的群体智能方法。尽管CSA具有强大的空间搜索策略，但其探索阶段使用随机个体和随机概率以及搜索模式的简单性，使其在解决复杂问题时难以找到全局最优解。本文提出了一种多策略驱动的CSA算法以克服标准CSA方法的不足，该算法命名为MSD-CSA。提出了一种新的混合更新策略，包含水母搜索优化器的引导策略和基于折射的学习方法，以改进CSA的探索阶段。此外，基于螺旋运动策略增强了开发阶段的效率。通过将该算法与原始CSA、六种其他原始算法（即PSO、GWO、MFO、WOA、MVO和TLBO）以及三种改进算法（即eKGSA、EJAYA和CCSA）在11个单峰和9个多峰基准函数上的比较，验证了所提算法的有效性。为分析所提方法在测试函数上的性能，进行了一系列统计测试，并分析了收敛曲线以考察其在不同特征问题上的行为。此外，通过考虑不同维度的问题测试了该方法鲁棒性。该方法在齿轮传动设计、多盘离合器制动器设计、气体输送系统设计和反应器网络设计等四个工程设计问题上与其他优化方法进行了性能分析。实验结果表明，MSD-CSA方法优于其他方法，在63%的单峰和89%的多峰基准函数应用中达到了最佳结果。此外，基于所提MSD-CSA方法设计了一种四旋翼飞行器高度控制的鲁棒控制模型。在分析中，MSD-CSA方法在短时间内达到参考高度，实现了0.0489的超调量和6.05e-04的误差率。对不同问题的分析表明，MSD-CSA方法在探索和开发阶段之间提供了良好的平衡，使其在局部和全局搜索中均表现出有效性。
Keyword:
Crow Search Algorithm
Spiral-based Strategy
Refraction-Based Learning
Multi-strategy-driven Crow Search Algorithm
Quadcopter control
Engineering design optimization
期刊
C
IF:
4.1
论文数:
5.1K
被引数:
7.5K
机构
暂无机构信息
引用论文
Chaotic vegetation evolution: leveraging multiple seeding strategies and a mutation module for global optimization problems混沌植被演化：利用多种播种策略和一个突变模块解决全局优化问题
.png){kind=icon}
PREAI
分享收藏Binary dragonfly optimization for feature selection using time-varying transfer functions使用时变传递函数进行特征选择的二进制蜻蜓优化
OAAI
OAAI分享收藏An improved arithmetic optimization algorithm based on reinforcement learning for global optimization and engineering design problems基于强化学习的改进型算术优化算法，用于全局优化和工程设计问题
PREAI
分享收藏Multi-Verse Optimizer: a nature-inspired algorithm for global optimization多宇宙优化器: 一种自然启发的全局优化算法
PREAI
分享收藏Optimizing flexible job shop scheduling with automated guided vehicles using a multi-strategy-driven genetic algorithm使用多策略驱动的遗传算法优化自动引导车辆的柔性作业车间调度OAAI
OAAI分享收藏
查看更多内容