.png){kind=icon}
返回
Symmetry-Enhanced, Improved Pathfinder Algorithm-Based Multi-Strategy Fusion for Engineering Optimization Problems
.png){kind=icon}
OA
AI
DOI：10.3390/sym16030324.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
路径发现算法（PFA）首先从随机搜索初始种群开始，随后将其仅划分为路径发现阶段和跟随阶段。这种方法通常会导致PFA出现解精度差、收敛速度慢以及易陷入局部最优等问题。为解决这些挑战，在对称增强、改进路径发现算法基础上的多策略融合方法（IPFA）被提出用于函数优化问题。首先，引入精英对立学习机制以提高种群多样性和种群质量，进而增强算法的解精度；其次，为提升算法收敛速度，将逃逸能量因子嵌入GWO算法的捕食狩猎阶段，并替换PFA中的跟随阶段，这增加了算法的多样性并提高了搜索效率；最后，为解决易陷入局部最优的问题，采用t分布的逐维变异方法扰动最优个体位置，帮助个体快速跳出局部最优并向其他区域前进。IPFA在16个经典基准测试函数和29个复杂CEC2017函数集上进行了测试。压力容器优化中，PFA和IPFA的最终优化结果分别为5984.8222和5948.3597；在拉伸弹簧优化中，结果分别为0.012719和0.012699，与原算法及其他算法相当。原算法与其他算法的比较表明，IPFA在解精度方面得到显著提升，而更低的工程成本进一步验证了IPFA算法的鲁棒性。
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