.png){kind=icon}
返回
Multi-Strategy Honey Badger Algorithm for Global Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/biomimetics10090581.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
蜜獾算法（HBA）是一种近期提出的元启发式优化算法，其灵感来源于蜜獾的觅食行为。该算法的搜索机制分为两个阶段：挖掘阶段和寻蜜阶段，有效模拟了搜索空间内的探索与开发过程。尽管其方法具有创新性，但蜜獾算法（HBA）仍面临收敛速度慢、探索与开发失衡以及易陷入局部最优等挑战。为解决这些问题，我们提出了一种改进的蜜獾算法（HBA）版本，即多策略蜜獾算法（MSHBA），该算法在种群初始化中引入了立方混沌映射机制。这种集成旨在增强初始种群分布的均匀性和多样性。在挖掘和寻蜜阶段，蜜獾的位置根据种群中的最优适应度值进行更新。这一策略可能导致因种群聚集于最优个体而引发早熟收敛。为对抗这一趋势并提升算法的全局优化能力，我们引入了随机搜索策略。此外，当种群连续三次迭代未检测到新的最优值时，采用精英切向搜索和差分变异策略，从而增强算法的有效性。通过在一系列标准基准函数上的全面性能评估发现，MSHBA在29个IEEE CEC 2017基准测试中的26个中表现优异。随后的统计分析进一步证实了MSHBA的优越性能。此外，MSHBA已成功应用于四个工程设计问题，凸显了其在处理约束工程设计挑战方面的能力，并在该领域超越了其他优化算法。
Keyword:
Honey Badger Algorithm
metaheuristic optimization
chaotic mapping
global optimization
engineering design problems
期刊
B
IF:
3.9
论文数:
3.2K
被引数:
5.1K
机构
引用论文
Manta ray foraging optimization: An effective bio-inspired optimizer for engineering applications
PREAI
分享收藏
A dynamic metaheuristic optimization model inspired by biological nervous systems: Neural network algorithm受生物神经系统启发的动态元启发式优化模型: 神经网络算法
PREAI
分享收藏分享收藏EJS: Multi-Strategy Enhanced Jellyfish Search Algorithm for Engineering Applications.png)
MathematicsOAAI
MathematicsIF0
OAAI分享收藏
查看更多内容