.png){kind=icon}
返回
Multi-strategy improved gazelle optimization algorithm for numerical optimization and UAV path planning
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-98112-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
羚羊优化算法（GOA）是一种最近提出并被广泛认可的元启发式算法。然而，在解决实际问题时，它存在收敛速度慢、精度低以及易于陷入局部最优的缺点。为解决这些局限性，我们提出了一种多策略改进的羚羊优化算法（MIGOA）。关键改进包括基于最优点集的种群初始化、切向飞行搜索策略、自适应步长因子以及新颖的探索策略。这些改进共同增强了GOA的探索能力、收敛速度和精度，有效防止其陷入局部最优。我们使用CEC2017和CEC2020基准测试集评估了MIGOA，并将其与GOA和其他八种算法进行比较。经Wilcoxon秩和检验和Friedman平均秩检验验证的结果表明，MIGOA在CEC2017（Dim = 30/50/100）和CEC2020（Dim = 20）上分别取得了1.80、2.03、2.03和2.70的平均排名，优于标准GOA和其他高性能优化器。此外，将MIGOA应用于三维无人机（UAV）路径规划问题和2个工程优化设计问题，进一步验证了其在解决约束优化问题方面的潜力。实验结果一致表明，MIGOA表现出良好的可扩展性和实际应用性。
Keyword:
Gazelle optimization algorithm
Metaheuristic algorithm
Global optimization
UAV path planning
Numerical optimization
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
分享收藏On Wilcoxon rank sum test for condition monitoring and fault detection of wind turbinesWilcoxon秩和检验在风力发电机状态监测和故障检测中的应用.png)
APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI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
查看更多内容