返回
Multi-strategy improved dung beetle optimization algorithm: a swarm intelligence-based metaheuristic algorithm for solving engineering design problems
DOI:10.1007/s10586-026-06247-x.png)
摘要
En 中文
蜣螂优化算法(DBO)在优化中表现出强大的性能,但存在全局探索能力有限和易陷入局部最优的缺陷。为解决这些问题,我们提出了一种改进算法,称为Weibull差异自适应t-高斯蜣螂优化算法(WDTDBO),该算法通过整合伯努利混沌映射和透镜对立学习进行种群初始化以增加种群多样性,采用Weibull动态飞行策略增强全局搜索,并应用均值差异扰动与自适应t-高斯扰动来跳出局部最优。实验结果表明,在CEC2017基准测试中,WDTDBO在30维时稳定性与收敛精度分别提升了75.72%和47.20%,在100维时分别提升了60.84%和60.98%。在20维的CEC2022基准测试中,改进幅度达到77.65%和27.70%。在30D/100D CEC2017和20D CEC2022上的平均排名分别为1.17、1.21和1.50,表明相比DBO和其他算法,WDTDBO在精度、收敛效率和鲁棒性方面具有显著优势。此外,针对复杂工程问题的实验进一步证实了WDTDBO相比竞争算法的实用优势。
Keyword:
Dung Beetle Optimization Algorithm
Chaotic Mapping
Lens Opposition-based Learning
Weibull Flight Strategy
Mean Difference Perturbation
Adaptive t-Gaussian Perturbation
期刊
C
IF:
4.1
论文数:
5.2K
被引数:
9.7K
机构
引用论文
Fick?s Law Algorithm: A physical law-based algorithm for numerical optimization菲克定律算法: 基于物理定律的数值优化算法
Polar lights optimizer: Algorithm and applications in image segmentation and feature selection极光优化器: 算法及其在图像分割和特征选择中的应用
NEUROCOMPUTING
IF6.5
Somersault Foraging and Elite Opposition-Based Learning Dung Beetle Optimization Algorithm后空翻觅食与基于精英对立学习的蜣螂优化算法
A dual-optimization wind speed forecasting model based on deep learning and improved dung beetle optimization algorithm
ENERGY
IF9.4

