论文部分内容阅读
针对传统灰狼算法存在局部开发能力弱、早熟收敛以及初始种群分布不均匀等缺点,优化了传统灰狼算法:采用Cat混沌映射和反向学习初始化种群,增加初始种群的多样性和均匀性;在灰狼位置更新方面结合了粒子群算法的个体位置更新策略的优势,降低了算法陷入局部最优的风险;引入非线性控制参数,平衡算法的全局搜索能力和局部开发能力;最后利用Levy飞行对α狼进行全局搜索,防止算法后期狼群丧失多样性和算法收敛早熟。利用优化后的灰狼算法对6个标准测试函数进行理论仿真,结果表明,优化后的灰狼算法与传统灰狼算法、粒子群算法和蚁群算法相比,在标准函数求解精度和算法稳定性方面均有显著提高。