一种基于多策略的改进浣熊优化算法制造技术

本发明专利技术公开了一种基于多策略的改进浣熊优化算法，旨在处理某些高维复杂优化问题时，会出现收敛速度慢、易陷入局部最优等问题。基于传统的浣熊算法，本发明专利技术提出的多策略的改进浣熊优化算法，通过引入混沌序列机制对位置初始化、勘探阶段引入自适应非线性惯性权重因子、开发阶段引入自适应t分布变异和麻雀警戒者机制等方法，有效地提高算法的全局搜索能力和收敛速度。本发明专利技术基于多策略的改进浣熊优化算法为函数优化、工程设计优化、机器学习参数优化等复杂性问题提供了一种有效的优化方案。

【技术实现步骤摘要】

本专利技术涉及计算机科学和人工智能领域，具体来说涉及一种基于多策略的改进浣熊优化算法。

技术介绍

1、浣熊优化算法(coa)是一种基于动物行为模拟的智能优化算法，灵感来源于浣熊的觅食行为。浣熊在觅食过程中，展示了高度的灵活性和智能性，使得这一算法在解决复杂优化问题时表现出色。尽管coa在解决一些复杂优化问题上表现出色，但其仍存在一定的缺点和局限性。coa的收敛速度相对较慢，在高维搜索空间中，算法需要较多的迭代次数才能接近全局最优解，从而增加了计算成本和时间消耗；coa容易陷入局部最优解，当面对多峰值优化问题时，算法可能会过早地集中在局部区域，导致寻找全局最优解困难；coa对参数设置高度敏感，不同的问题需要不同的参数调节，这增加了算法的复杂性和使用难度；coa在动态环境中的适应性较差，其主要设计是基于静态环境，难以快速响应环境的变化，使其在实时优化问题中表现不佳。

技术实现思路

1、针对现有技术中存在的缺陷，提供一种基于动物行为模拟的智能优化算法，为了实现上述目的，本专利技术提供如下技术方案：

2、本文档来自技高网...

【技术保护点】

1.一种基于多策略的改进浣熊优化算法，其特征在于包括以下步骤：

2.根据权利要求1所述的一种基于多策略的改进浣熊优化算法，其特征在于，步骤(1)中，混沌映射为Tent映射，公式为：

3.根据权利要求1所述的一种基于多策略的改进浣熊优化算法，其特征在于，步骤(4)中，自适应非线性惯性权重因子公式为：

4.根据权利要求1所述的一种基于多策略的改进浣熊优化算法，其特征在于，步骤(5)中，自适应t分布变异策略中自由度为：

5.根据权利要求1所述的一种基于多策略的改进浣熊优化算法，其特征在于，步骤(5)中，引入麻雀警戒者机制，其公式为：

【技术特征摘要】

1.一种基于多策略的改进浣熊优化算法，其特征在于包括以下步骤：

2.根据权利要求1所述的一种基于多策略的改进浣熊优化算法，其特征在于，步骤(1)中，混沌映射为tent映射，公式为：

3.根据权利要求1所述的一种基于多策略的改进浣熊优化算法，其特征在于，步骤(4)中，...

【专利技术属性】
技术研发人员：刘吉庆，王艳，曹辉，段洪辉，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：