.png){kind=icon}
返回
Somersault Foraging and Elite Opposition-Based Learning Dung Beetle Optimization Algorithm
.png){kind=icon}
OA
AI
DOI：10.3390/app14198624.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为解决蜣螂优化算法（DBO Algorithm）存在的收敛速度慢、探索与开发不平衡以及易陷入局部最优等不足，提出了一种基于翻筋斗觅食和精英对立学习策略的蜣螂优化算法（SFEDBO Algorithm）。该算法采用精英对立学习策略生成初始种群，从而获得更加多样化的初始种群。为解决算法中探索与开发的不平衡问题，引入自适应策略动态调整每次迭代中蜣螂和卵的数量。受蝠鲼觅食优化算法（MRFO）启发，利用其翻筋斗觅食策略扰动最优个体的位置，以增强算法跳出局部最优的能力。为验证所提改进的有效性，采用SFEDBO算法优化23个基准测试函数。结果表明，SFEDBO算法在解的精度和稳定性方面表现更优，在测试函数的优化结果上优于DBO算法。最后，将SFEDBO算法应用于压力容器设计、拉伸弹簧设计和三维无人机（UAV）路径规划等实际应用问题，并获得了更优的优化结果。研究表明，本文提出的SFEDBO算法适用于实际优化问题，且性能更优。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息