.png){kind=icon}
.png){kind=icon}
返回
Q-Learning American Zebra Optimization Algorithm for Global Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s44196-026-01359-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
元启发式优化算法已被广泛应用于复杂的数值优化问题；然而，许多当前方法存在适应性有限以及探索与开发之间的不平衡，特别是在复杂的基准景观上。为解决这些问题，本研究专注于改进新提出的基于斑马群行为的美国斑马优化算法方法（AZOA）。尽管AZOA展现出强大的探索潜力，但它存在特定缺陷，包括开发不足和陷入局部最优的可能性，尤其是在应对复杂的优化任务时。为解决这些问题，本研究旨在通过引入基于Q学习的自适应决策机制来改进AZOA，形成一种增强学习的变体，即QLAZOA。这一新颖机制使每只斑马能够从先前行动中学习并根据奖励反馈选择合适的移动策略，有效改善开发与探索之间的平衡。建议的QLAZOA通过经典基准函数（CEC2005）、最新测试套件（CEC2019）和实际工程设计案例研究进行测试。此外，进行了包括t检验在内的统计验证，以检验结果的重要性和可靠性。实验结果表明，QLAZOA在CEC2005基准套件中表现出强劲且具有竞争力的排名，包括23个函数的全集和涉及顶尖优化器的13个函数子集，其性能优于几种经典和群智能算法。在更具挑战性的CEC2019基准套件中，QLAZOA表现出基准依赖的性能，与多种群智能优化器保持竞争力。总体而言，结果表明QLAZOA提供了一种增强学习的优化框架，在经典和中等复杂景观上具有明显优势。这些发现为强化学习在元启发式优化中的作用提供了见解，并提示了多种工程应用。
Keyword:
American Zebra-optimization algorithm
Meta-heuristics
Q-Learning
Reinforcement Learning
Benchmark functions
期刊
IF:
3
论文数:
346
被引数:
2.7K