基于差分进化的改进狼群算法研究
《差分进化算法的优化及其应用研究》范文
《差分进化算法的优化及其应用研究》篇一摘要随着优化问题在科学、工程和技术领域的重要性日益增强，差分进化算法（DEA，Differential Evolution Algorithm）以其高效的优化能力和出色的适应性，在众多领域中得到了广泛的应用。
本文旨在探讨差分进化算法的优化方法，以及其在不同领域的应用研究。
首先，我们将对差分进化算法的基本原理进行介绍；其次，分析其优化策略；最后，探讨其在不同领域的应用及其研究进展。
一、差分进化算法的基本原理差分进化算法是一种基于进化计算的优化算法，通过模拟自然选择和遗传学原理进行搜索和优化。
该算法的核心思想是利用个体之间的差异进行选择和演化，从而达到优化目标的目的。
基本原理包括种群初始化、差分操作、变异操作、交叉操作和选择操作等步骤。
在解决复杂问题时，该算法可以自动寻找全局最优解，且具有较好的收敛性能和稳定性。
二、差分进化算法的优化策略为了进一步提高差分进化算法的性能，学者们提出了多种优化策略。
首先，针对算法的参数设置，通过自适应调整参数值，使算法在不同阶段能够更好地适应问题需求。
其次，引入多种变异策略和交叉策略，以增强算法的搜索能力和全局寻优能力。
此外，结合其他优化算法如遗传算法、粒子群算法等，形成混合优化算法，进一步提高优化效果。
三、差分进化算法的应用研究差分进化算法在众多领域得到了广泛的应用研究。
在函数优化领域，该算法可以有效地解决高维、非线性、多峰值的复杂函数优化问题。
在机器学习领域，差分进化算法可以用于神经网络的权值优化、支持向量机的参数选择等问题。
此外，在控制工程、生产调度、图像处理等领域也得到了广泛的应用。
以函数优化为例，差分进化算法可以自动寻找全局最优解，有效避免陷入局部最优解的问题。
在机器学习领域，差分进化算法可以根据问题的特点进行定制化优化，提高模型的性能和泛化能力。
在控制工程中，该算法可以用于系统控制参数的优化和调整，提高系统的稳定性和性能。
基于改进搜索策略的狼群算法
汇报人：文小库 2023-11-25
目 录
• 引言 • 狼群算法原理与实现 • 基于改进搜索策略的狼群算法设计 • 实验与结果分析 • 结论与展望 • 参考文献
01
引言
研究背景与意义
01
自然界中狼的捕猎行为启发算法设计思路
02
狼群算法作为一种优化搜索算法，具有高效、并行、鲁棒性好
改进搜索策略的具体实现方法
精英策略
在每次迭代过程中，保留当前最优解，并将其加入到搜索空间中，使得算法在搜索过程中能够保持对 最优解的跟踪，避免陷入局部最优解。
动态调整搜索空间
根据当前最优解的质量，动态调整搜索空间的大小和形状，使得算法在搜索过程中能够更加灵活地探 索搜索空间，提高搜索效率。
算法流程与时间复杂度分析
的特点
在解决复杂优化问题中具有优势
03
研究现状与问题
01
狼群算法研究处于初级阶段，仍需进一步探索和完善
02 针对特定问题的定制化设计，缺乏普适性
03
算法性能评估缺乏统一标准，难以比较优劣
研究内容与方法
研究狼群算法的原理与 特点
针对特定问题，设计改 进的狼群算法源自010203
分析现有狼群算法的优 缺点及适用范围
好地平衡搜索精度和速度。
参数优化与讨论
要点一
参数优化
在提出的算法中，有几个重要的参数需要优化，包括狼群 的规模、搜索范围、迭代次数等。我们通过实验尝试了不 同的参数组合，发现这些参数对于算法性能的影响是相互 关联的，需要根据具体情况进行权衡和选择。
要点二
讨论
虽然提出的算法在实验中表现出了良好的性能，但仍然存 在一些问题需要进一步研究和探讨。例如，如何更有效地 处理大规模数据集、如何进一步提高算法的鲁棒性以及如 何与其他智能优化算法相结合等问题。此外，我们还需要 在实际应用场景中进一步验证算法的可行性和有效性。
改进灰狼优化算法的研究
2020.16科学技术创新改进灰狼优化算法的研究凌颖杨春燕黎新宾冬梅余通（广西电网有限责任公司电力科学研究院，广西南宁530023）1概述灰狼优化算法（GWO ）[1]是由澳大利亚学者Mirjalili 提出的一种模仿大自然中灰狼群体捕食行为的群智能优化算法。
基本的灰狼优化算法中，灰狼分为4个不同的种群：α，β，δ和ω。
其中种群ω将跟随着另外三个种群更新自身的位置。
通过寻找猎物，包围猎物和攻击猎物的三个主要步骤来实现优化搜索目的。
算法的提出者证明，与其他最新的群智能优化算法相比，GWO 具有非常有竞争力的性能。
但是，GWO 仍存在收敛速度慢、收敛精度低的缺陷。
为了提高GWO 的性能，已有不同的学者提出各种改进版本的GWO 算法用于提高其性能。
例如，张悦等人于2017年提出具有自适应调整策略的混沌灰狼优化算法[2]。
朱海波等于2018年提出了基于差分进化与优胜劣汰策略的灰狼优化算法[3]。
裴丁彦等于2019年提出了基于修正灰狼算法的水火电系统优化调度研究[4]。
这些研究表明，GWO 算法的性能可以进一步改进及提高。
L évy 飞行策略[5]可以增强算法种群多样性、具有很强全局搜索能力并能避免算法陷入局部最优。
因此，本文通过引用L évy 飞行策略嵌入基本的灰狼优化算法中，提出了基于L évy 飞行的灰狼优化算法（LGWO ）。
通过将LGWO 应用于8个标准测试函数并与基本灰狼优化算法（GWO ）及粒子群-引力搜索算法（PSOGSA ）进行对比，实验仿真表明，GWO 算法收敛速度更快且寻优精度更高。
2基本灰狼优化算法2014年澳大利亚学者Mirjalili 模仿狼群种群围攻、捕获猎物的过程提出了灰狼优化算法[1]。
同其他群智能优化算法相似，灰狼优化算法在设定上下边界的基础上进行种群初始化。
在每一次迭代的过程中，取得最优解的三只狼的位置为α，β，δ。
其余的狼的位置则设定为ω跟随着三只头狼α，β，δ的位置进行更新，其位置更新公式如下[1]：（1）（2）其中，t 表示当前的迭代，C ⭢=2·r ⭢2，A ⭢=2a ⭢·r ⭢1-a ⭢，X ⭢p 表示猎物的位置，X ⭢表示狼的位置。
基于改进搜索策略的狼群算法
基于改进搜索策略的狼群算法基于改进搜索策略的狼群算法随着计算机技术的不断发展，人工智能逐渐渗透到各个领域中。
作为人工智能领域中的一项重要技术，优化算法在实际问题中受到了广泛的关注和研究。
其中狼群算法是一种基于自然界中狼群寻找猎物的行为模式而被提出的一种优化算法。
本文将介绍一种改进搜索策略的狼群算法，并且针对其在优化问题中的应用进行讨论。
一、狼群算法概述狼群算法是一种模拟狼群寻找猎物的行为模式来进行全局搜索的优化算法。
在狼群算法中，将候选解看做狼群中的一只狼，每只狼会根据自身的适应度来决定自己在群体中的排名。
在每次迭代中，只有排名靠前的狼才能够进行狩猎，而排名靠后的狼则需要学习和适应更有效的狩猎策略。
狼群算法通过模拟这种生物行为的方式来进行全局最优解的搜索。
二、改进搜索策略的狼群算法尽管狼群算法在实际应用中表现良好，但是其搜索过程中存在着两个主要的问题：收敛速度较慢和容易陷入局部最优解。
为了解决这些问题，学者们对狼群算法进行了一系列的改进。
其中，改进搜索策略的狼群算法是一种通过增强搜索策略来提高算法性能的一种方法。
具体来说，在改进搜索策略的狼群算法中，将搜索过程中的每个解看做一个粒子，每个粒子都包含了一组参数，可以看做是一只虚拟的狼。
在狼群中，每只狼会根据自己的适应度来更新自己的位置，并且将自己的位置和适应度信息通过一种信息传递的机制来与其他狼进行交流。
这种信息传递机制可以通过局部搜索和全局搜索两种方式来实现。
局部搜索是将具有较好适应度的狼的信息传递给周围的狼，以帮助它们在局部搜索空间中更快地找到最优解。
全局搜索则是将最好的狼的信息传递给其他狼，以帮助它们在全局搜索空间中更加高效地找到最优解。
三、狼群算法在优化问题中的应用狼群算法在优化问题中具有很广泛的应用，例如在电力系统调度优化、机器学习、物联网智能优化和图像处理等领域中都可以看到狼群算法的身影。
举个例子，在电力系统调度优化中，狼群算法可以被用来解决各种优化问题，例如最小化功率损失、最小化发电成本、最小化排放问题等等。
改进灰狼优化算法及其数值仿真研究
0引言
灰狼优化（GWO）算法是一种新型群智能算法 [1]，模拟 了自然界中具有严格等级制度的灰狼群的捕食行为。GWO 算法原理简单，依赖参数少，全局搜索能力较强，已经广泛 应用在仓库作业优化调度 [2]、移动机器人路径规划 [3]、传感 网络节点定位 [4]、电力负荷控制 [5] 中。研究表明，GWO 算 法的收敛速度、寻优精度明显要优于粒子群优化（PSO）算 法、差分进化（DE）算法及引力搜索算法（GSA）。但传统 GWO 算法具有与其它群体智能算法一样的不足，即：当函 数维数增加到一定位置时，GWO 算法会逐渐出现寻优解精 度低、收敛速度慢、易于陷入局部最优等问题。为此，研究 人员给出了各自的解决方案。文献 [6] 利用柯西变异和混沌 改进 GWO 算法的初始种群结构和个体寻优能力，能有效跳 离局部最优，提升寻优精度。文献 [7] 则对 GWO 算法的收 敛系数进行了改进，将线性调整为非线性，可以在局部开发 和全局搜索之间更好地协调。文献 [8] 提出利用针对精英个 体的对立学习结合混沌扰动机制，改进灰狼寻优能力。然 而，已有改进工作总体来看还是比较局部和片面的，在综合 性能上仍有性能提升空间。
关键词：灰狼优化算法；收敛因子；Logistic 映射
中图分类号：TP18
文献标识码：A
文章编号：2096-4706（2020）20-0138-04
Ｉｍｐｒｏｖｅｄ Ｇｒｅｙ Ｗｏｌｆ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ａｎｄ Ｉｔｓ Ｎｕｍｅｒｉｃａｌ Ｓｉｍｕｌａｔｉｏｎ Ｒｅｓｅａｒｃｈ
步骤 5：按式（2）、（7）、（9）更新参数 a、A、C。
差分进化算法的改进研究
差分进化算法的改进研究作者：何佳欢王向东来源：《科技视界》2016年第01期【摘要】本文提出了一种改进的差分进化算法，算法采用一种新的突变方式，同时在选择操作之前引入扰动机制以增强算法的全局搜索能力。
之后对改进算法进行了Benchmark函数实验，得到的仿真结果证明了算法的有效性。
【关键词】差分进化算法；Benchmark函数；扰动【Abstract】The paper proposes a new modified Differential Evolution Algorithm， a new mutation operation is introduced in this algorithm， besides， a random disturbance mechanism is used before selection operation in order to enhance the global search ability. The modified algorithm is used to solve Benchmark functions， the effectiveness of the algorithm is demonstrated via the simulation results.【Key words】Differential Evolution Algorithm； Benchmark Function； Disturbance0 引言差分进化算法是1995年由Storn和Price提出来的一种基于种群的随机性搜索算法，差分进化算法在求解各式样的优化问题中表现出了良好的全局寻优能力[1]，同时其结构简单、操作容易，具有很多优点，但不可避免的是其容易陷入局部最优导致无法快速准确的收敛到全局最优值。
不同学者也提出了很多对差分进化算法的改进，主要有对控制参数的改进以及对突异策略的改进等[2-4]。
《2024年差分进化算法的优化及其应用研究》范文
《差分进化算法的优化及其应用研究》篇一一、引言差分进化算法（Differential Evolution Algorithm，简称DEA）是一种全局优化算法，其通过模拟自然进化过程，以种群为基础进行迭代搜索，具有强大的全局寻优能力和较快的收敛速度。
该算法被广泛应用于各类复杂的优化问题中，包括但不限于工程优化、函数优化以及智能控制等。
本文将首先简要介绍差分进化算法的原理及特性，随后对其优化方法和应用进行深入的研究探讨。
二、差分进化算法的基本原理与特性差分进化算法基于差分算子和突变、交叉、选择等进化思想，是一种典型的自适应搜索算法。
它利用群体搜索的策略来搜索多维空间，可以灵活地处理离散或连续的问题。
在寻优过程中，通过引入多种不同的进化操作和随机策略，使算法具有较强的全局搜索能力和局部寻优能力。
三、差分进化算法的优化方法（一）参数优化差分进化算法的参数设置对算法性能具有重要影响。
为了获得更好的优化效果，通常需要根据问题的特性进行参数优化。
比如根据问题的规模、搜索空间的性质和复杂性来选择适当的变异系数（F）和交叉概率（Cr）等。
这些参数的设置决定了种群中的个体变异和遗传的概率大小，直接影响着算法的寻优效率和性能。
（二）策略改进在策略上，我们可以通过多种改进方法提升差分进化算法的搜索能力。
如采用自适应参数策略，使得参数可以根据算法的执行情况进行动态调整；或者在搜索过程中引入新的策略和思路，如并行计算策略等。
这些策略改进可以提高算法在处理复杂问题时的效率，使算法在解决不同问题上更具通用性和适应性。
四、差分进化算法的应用研究（一）工程优化在工程领域，差分进化算法广泛应用于机械设计、电力系统的调度优化等问题中。
通过引入差分进化算法的优化策略，可以在设计过程中实现最优化的设计方案，从而提高工程的性能和效率。
（二）函数优化在函数优化问题中，差分进化算法具有较好的全局搜索能力和收敛速度。
通过引入不同的变异策略和交叉策略，可以有效地解决多模态函数和复杂函数的优化问题。
基于随机收敛因子和差分变异的改进灰狼优化算法
基于随机收敛因子和差分变异的改进灰狼优化算法
徐松金;龙文
【期刊名称】《科学技术与工程》
【年(卷),期】2018(018)023
【摘要】针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法.受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体.选取6个标准测试函数进行仿真实验.结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法.【总页数】5页(P252-256)
【作者】徐松金;龙文
【作者单位】铜仁学院大数据学院,铜仁554300;贵州财经大学经济系统仿真贵州省重点实验室,贵阳550025
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于随机差分变异的改进鲸鱼优化算法 [J], 覃溪;龙文
2.基于随机差分变异的改进鲸鱼优化算法 [J], 覃溪;龙文;;
3.改进收敛因子和比例权重的灰狼优化算法 [J], 王秋萍; 王梦娜; 王晓峰
4.一种基于收敛因子改进的灰狼优化算法 [J], 邢燕祯;王东辉
5.改进收敛因子和变异策略的灰狼优化算法 [J], 林梅金;汪震宇
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机应用研究 ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏｌ３６Ｎｏ８ Ａｕｇ．２０１９
基于差分进化的改进狼群算法研究
王盈祥１，陈民铀１，程庭莉１，盛 琪１，董龙昌１，李 哲２
（１．重庆大学 电气工程学院 输配电装备及系统安全与新技术国家重点实验室，重庆 ４０００４４；２．国网重庆市电 力公司电力科学研究院，重庆 ４０００４４）
０ 引言
群集算法主要是通过模拟生物进化和生物种群行为来求 解优化问题的智能算法［１］。常见的群集智能算法主要有粒子 群算法（ＰＳＯ）［２～４］、鱼 群 算 法 （ＦＳＡ）［５，６］、蚁 群 算 法 （ＡＣＯ）［７］、 差分进化算法（ＤＥ）［８］等，它们在解决优化问题时各有千秋，为 某些复杂问题的解决提供了良好的思路。
狼群算法最早是由 Ｙａｎｇ等人［９］提出的。２０１３年，吴虎胜 等人［１０］在分析狼群分工协作围捕猎物行为的基础上，提出了 一种全新的狼群算法（ＷＰＡ）。狼群算法虽问世时间较短，但 由于其性能较好，已被广泛应用于无人机航迹规划［１１］、水电站 水库优化调度 ［１２］等 人 类 生 产 活 动 中。 ＷＰＡ通 过 模 拟 狼 群 分 工协 作 捕 猎 的 特 征，抽 象 出 游 走、召 唤、奔 袭 和 围 攻 等 行 为 与 “胜者为王”的头狼产生机制和“强者生存”的群体更新机制来 进行优化问题求解，具有较好的寻优性能；但也不可避免地存 在一些不足之处，如易陷入局部最优解、计算资源耗费大、鲁棒 性低等。文献［１３］提 出 一 种 改 进 的 狼 群 算 法，该 算 法 根 据 传 统狼群算法基本思想提出探狼更新规则并引入相位因子，同时
Ｒｅｓｅａｒｃｈｏｆｉｍｐｒｏｖｅｄｗｏｌｆｐａｃｋａｌｇｏｒｉｔｈｍ ｂａｓｅｄｏｎｄｉｆｆｅｒｅｎｔｉａｌｅｖｏｌｕｔｉｏｎ
ＷａｎｇＹｉｎｇｘｉａｎｇ１，ＣｈｅｎＭｉｎｙｏｕ１，ＣｈｅｎｇＴｉｎｇｌｉ１，ＳｈｅｎｇＱｉ１，ＤｏｎｇＬｏｎｇｃｈａｎｇ１，ＬｉＺｈｅ２
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＰｏｗｅｒＴｒａｎｓｍｉｓｓｉｏｎＥｑｕｉｐｍｅｎｔ＆ Ｓｙｓｔｅｍ Ｓｅｃｕｒｉｔｙ＆ ＮｅｗＴｅｃｈｎｏｌｏｇｙ，ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ４０００４４，Ｃｈｉｎａ；２．ＣｈｏｎｇｑｉｎｇＥｌｅｃｔｒｉｃＰｏｗｅｒＣｏｍｐａｎｙＥｌｅｃｔｒｉｃＰｏｗｅｒＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＳｔａｔｅＧｒｉｄ，Ｃｈｏｎｇｑｉｎｇ ４０００４４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｔｒａｄｉｔｉｏｎａｌｗｏｌｆｐａｃｋａｌｇｏｒｉｔｈｍ（ＷＰＡ），ｓｕｃｈａｓｅａｓｙｔｏｆａｌｌｉｎｔｏｌｏｃａｌｏｐｔｉｍａｌ，ｌａｒｇｅ ｃｏｍｐｕｔａｔｉｏｎａｌｒｅｓｏｕｒｃｅｃｏｓｔａｎｄｌｏｗｒｏｂｕｓｔｎｅｓｓ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｉｍｐｒｏｖｅｄｗｏｌｆｐａｃｋａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄｉｆｆｅｒｅｎｔｉａｌｅｖｏ ｌｕｔｉｏｎ（ＤＷＰＡ）．Ｆｉｒｓｔｏｆａｌｌ，ｉｔｐｒｏｐｏｓｅｄｓｅａｒｃｈｗｏｌｆｓｅａｒｃｈｆａｃｔｏｒ，ｍａｘｉｍｕｍ ｎｕｍｂｅｒｏｆｒａｉｄｗｏｌｖｅｓ，ａｄａｐｔｉｖｅｓｉｅｇｅｓｔｅｐｓｉｚｅ ａｎｄｄｉｆｆｅｒｅｎｔｉａｌｅｖｏｌｕｔｉｏｎｓｔｒａｔｅｇｙｔｏｉｍｐｒｏｖｅｔｈｅｔｒａｄｉｔｉｏｎａｌｗｏｌｆｐａｃｋａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｃｏｕｌｄｎｏｔｏｎｌｙｒｅｄｕｃｅｔｈｅｃｏｍｐｕｔａｔｉｏｎａｌ ｃｏｓｔｏｆｔｈｅａｌｇｏｒｉｔｈｍｂｕｔａｌｓｏｉｍｐｒｏｖｅｄｔｈｅｇｌｏｂａｌｓｅａｒｃｈａｂｉｌｉｔｙ．Ｔｈｅｎ，ｉｔｐｒｏｖｅｄｔｈｅｃｏｎｖｅｒｇｅｎｃｅｏｆＤＷＰＡａｐｐｌｙｉｎｇｔｈｅＭａｒｋｏｖ ｐｒｏｃｅｓｓ．Ｆｉｎａｌｌｙ，ｉｔｃｏｎｄｕｃｔｅｄｏｐｔｉｍｉｚａｔｉｏｎｔｅｓｔｏｎ１３ｆｕｎｃｔｉｏｎｓａｎｄｔｈｅｎｃｏｍｐａｒｅｄｉｔｗｉｔｈＷＰＡａｎｄｏｔｈｅｒ４ａｌｇｏｒｉｔｈｍｓ．Ｔｈｅｔｅｓｔ ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＤＷＰＡｈａｓｇｒｅａｔｒｏｂｕｓｔｎｅｓｓａｎｄｇｌｏｂａｌｓｅａｒｃｈａｂｉｌｉｔｙ，ｅｓｐｅｃｉａｌｌｙｈａｓａｎｅｘｃｅｌｌｅｎｔｏｐｔｉｍｉｚｉｎｇａｂｉｌｉｔｙｉｎｍｕｌｔｉ ｐｅａｋ，ｈｉｇｈｄｉｍｅｎｓｉｏｎ，ｉｎｄｉｖｉｓｉｂｌｅｆｕｎｃｔｉｏｎｓ． Ｋｅｙｗｏｒｄｓ：ｗｏｌｆｐａｃｋａｌｇｏｒｉｔｈｍ；ｌｏｃａｌｏｐｔｉｍａｌ；ｒｏｂｕｓｔｎｅｓｓ；ｄｉｆｆｅｒｅｎｔｉａｌｅｖｏｌｕｔｉｏｎ；Ｍａｒｋｏｖｐｒｏｃｅｓｓ
优化了传统狼群算法步长的种类，设计了新的猛狼位置更新公 式，通过 测 试 函 数 仿 真 模 拟 验 证 了 该 算 法 的 有 效 性。文 献 ［１４］结合文化 算 法 提 出 了 一 种 文 化 狼 群 算 法，该 算 法 可 有 效 解决人工狼搜索的盲目性问题，通过对三个复杂函数的测试分 析验证了该文化狼群算法的有效性。文献［１５］将 ＰＳＯ算法中 求解当前局部最优的思想引入到狼群算法的游走和召唤行为 中，并利用混沌法对得到的次优解进行优化。改进后的算法大 大提高了搜索的准确度并避免了陷入局部极值，通过仿真验证 了该算法的有效性。
摘 要：针对传统狼群算法（ＷＰＡ）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题，提出一种基于 差分进化的改进狼群算法（ＤＷＰＡ）。首先，通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分 进化策略等对传统狼群算法进行了改进，在降低算法计算耗费的同时提高了算法的全局搜索能力；然后，运用马 尔可夫链理论证明了 ＤＷＰＡ的收敛性；最后，对 １３个测试函数进行寻优测试，并与 ＷＰＡ等四种算法进行对比分 析。测试结果表明，ＤＷＰＡ具有良好的鲁棒性和全局搜索能力，在求解峰、高维、不可分函数方面的寻优能力 尤为突出。 关键词：狼群算法；局部最优解；鲁棒性；差分进化；马尔可夫链 中图分类号：ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１３６９５（２０１９）０８０１４２３０５０６ ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０１８．０２．００８３