基于自适应权重和模拟退火的鲸鱼优化算法

褚鼎立; 陈红; 王旭光

doi:10.3969/j.issn.0372-2112.2019.05.003

您当前的位置：

首页 >

文章列表页 >

基于自适应权重和模拟退火的鲸鱼优化算法

学术论文 | 更新时间：2025-07-16

- 基于自适应权重和模拟退火的鲸鱼优化算法
- Whale Optimization Algorithm Based on Adaptive Weight and Simulated Annealing
- 电子学报 2019年47卷第5期页码：992-999
- 作者机构：
  
  国防科技大学电子对抗学院, 61477部队,安徽,合肥,230037
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61571446）;安徽省自然科学基金 (No.KY13C152）
- DOI：10.3969/j.issn.0372-2112.2019.05.003
  中图分类号： TP301.6
- 网络出版：2019-05-25，
  
  纸质出版：2019
- 稿件说明：
移动端阅览
褚鼎立, 陈红, 王旭光. 基于自适应权重和模拟退火的鲸鱼优化算法[J]. 电子学报, 2019,47(5):992-999.

CHU Ding-li, CHEN Hong, WANG Xu-guang. Whale Optimization Algorithm Based on Adaptive Weight and Simulated Annealing[J]. Acta Electronica Sinica, 2019, 47(5): 992-999.
褚鼎立, 陈红, 王旭光. 基于自适应权重和模拟退火的鲸鱼优化算法[J]. 电子学报, 2019,47(5):992-999. DOI： 10.3969/j.issn.0372-2112.2019.05.003.

CHU Ding-li, CHEN Hong, WANG Xu-guang. Whale Optimization Algorithm Based on Adaptive Weight and Simulated Annealing[J]. Acta Electronica Sinica, 2019, 47(5): 992-999. DOI： 10.3969/j.issn.0372-2112.2019.05.003.

摘要

针对鲸鱼优化算法容易陷入局部极值和收敛速度慢的问题，提出了一种结合自适应权重和模拟退火的鲸鱼优化算法.通过改进的自适应权重策略来调整算法的收敛速度，通过模拟退火增强鲸鱼优化算法的全局寻优能力.仿真实验中计算了18个测试函数，对比了粒子群算法、海豚回声定位算法和标准鲸鱼算法并进行统计分析，同时比较了单独结合自适应权重和模拟退火对鲸鱼优化的影响，结果表明，改进的算法在测试函数的极值计算中，计算精度和收敛速度方面都有了明显提升，验证了改进算法的有效性.

Abstract

Aiming at the problem that whale optimization algorithm is easy to fall into local extreme value and slow convergence speed

this paper proposes a whale optimization algorithm based on adaptive weight and simulated annealing.The improved convergence weight strategy is used to adjust the convergence speed of the algorithm

and the global optimization ability of the whale optimization algorithm is enhanced by simulated annealing.In the simulation experiment

18 test functions were calculated and the genetic algorithm

the particle swarm optimization algorithm and the standard whale algorithm were compared and statistically analyzed.At the same time

the influence of the adaptive weight and simulated annealing on the whale optimization is compared.The results show that the improved algorithm has a significant improvement in the calculation of the extremum of the test function

and the effectiveness of the improved algorithm is verified.

关键词

Keywords

references

浏览量

507

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

多策略融合的改进天鹰优化算法

GWO与ABC的混合优化算法及其聚类优化

一种基于隐式多项式曲线的形状自适应描述方法

大型阵列降维-和差多波束形成的联合优化算法

一种基于多样性信息和收敛度的多目标粒子群优化算法