适应度步长的全局局部协同优化算法

吉林大学学报(理学版) ›› 2024, Vol. 62 ›› Issue (6): 1419-1425.

适应度步长的全局局部协同优化算法

初雅莉¹, 韩旭明^2,3, 王晏泽², 吕帅²

1. 长春工业大学数学与统计学院, 长春 130012； 2. 暨南大学信息科学技术学院, 广州 510632；3. 可信人工智能教育部工程研究中心, 广州 510632

收稿日期:2023-06-06 出版日期:2024-11-26 发布日期:2024-11-26
通讯作者: 韩旭明 E-mail:hanxuming@jnu.edu.cn

Global-Local Cooperative Optimization Algorithm with Fitness Step Size

CHU Yali¹, HAN Xuming^2,3, WANG Yanze², LV Shuai²

1. School of Mathematics and Statistics, Changchun University of Technology, Changchun 130012, China;
2. College of Information Science and Technology, Jinan University, Guangzhou 510632, China;
3. Engineering Research Center of Trustworthy AI of Ministry of Education, Guangzhou 510632, China

Received:2023-06-06 Online:2024-11-26 Published:2024-11-26

摘要/Abstract

摘要： 针对现有优化算法求解精度低的问题, 提出一种适应度步长的全局局部协同优化算法. 该算法通过均衡化个体适应度, 动态分配每次迭代中个体的全局搜索步长和局部搜索步长, 实现了算法在解空间内全局搜索和局部搜索的有效协同, 进而提升了求解精度. 实验结果表明, 该算法在基准函数测试中展现了较高的精度和良好的稳定性, 并通过仿真实验验证了其在解决复杂工程优化问题中的有效性.

关键词: 优化算法, 均衡化适应度值, 适应度步长, 协同搜索, 工程优化

Abstract: Aiming at the problem of low solution precision in existing optimization algorithms, we proposed a global-local cooperative optimization algorithm with fitness step size. The algorithm achieved effective collaboration between global and local search in the solution space by balancing individual fitness and dynamically allocating global and local search step sizes during each iteration, thereby enhancing the solution precision. Experimental results show that the proposed algorithm has high precision and stability in benchmark function tests, and its effectiveness in solving complex engineering optimization problems is verified through simulation experiments.

Key words: optimization algorithm, normalized fitness value, fitness step size, cooperative search, engineering optimization

中图分类号:

TP301

初雅莉, 韩旭明, 王晏泽, 吕帅. 适应度步长的全局局部协同优化算法[J]. 吉林大学学报(理学版), 2024, 62(6): 1419-1425.

CHU Yali, HAN Xuming, WANG Yanze, LV Shuai. Global-Local Cooperative Optimization Algorithm with Fitness Step Size[J]. Journal of Jilin University Science Edition, 2024, 62(6): 1419-1425.

[1]	孙宏宇, 高澜琦, 汪守丰, 冉力名, 董延华. 基于差分进化算法的低参数依赖无线非接触式感知方法[J]. 吉林大学学报(理学版), 2026, 64(3): 634-0642.
[2]	张强, 胡月, 陆俊翼, 李青. 多策略蜣螂优化算法求解多车场车辆路径问题[J]. 吉林大学学报(理学版), 2025, 63(6): 1701-1712.
[3]	王丽敏, 赵侠, 王丝雨, 郭枝威, 高铭晗. 基于改进北方苍鹰优化算法的时间卷积网络及其应用[J]. 吉林大学学报(理学版), 2025, 63(5): 1379-1386.
[4]	高新成, 王启龙, 王莉利. SDN中基于φ-熵与IDBO-RF的DDoS攻击联合检测模型[J]. 吉林大学学报(理学版), 2025, 63(5): 1454-1461.
[5]	费敏学, 黄东岩, 郭晓新. 改进蜣螂算法优化机器学习模型[J]. 吉林大学学报(理学版), 2025, 63(4): 1117-1121.
[6]	费敏学, 黄东岩, 卢祎琳, 乔建磊. 集成多种改进方法的增强灰狼优化算法[J]. 吉林大学学报(理学版), 2025, 63(3): 829-0834.
[7]	李健, 王海瑞, 王增辉, 付海涛, 于维霖. 改进SHO优化神经网络模型[J]. 吉林大学学报(理学版), 2025, 63(3): 835-0844.
[8]	付海涛, 张智勇, 王增辉, 金晨磊. 改进SHO算法优化随机森林模型[J]. 吉林大学学报(理学版), 2025, 63(3): 861-0866.
[9]	白天, 吕璐瑶, 李储, 何加亮. 基于深度强化学习的游戏智能引导算法[J]. 吉林大学学报(理学版), 2025, 63(1): 91-0098.
[10]	高铭晗, 王丽敏, 黄锐露, 张宇飞, 李明洋. 屋型拓扑粒子群优化算法与工程优化问题求解[J]. 吉林大学学报(理学版), 2024, 62(6): 1384-1390.
[11]	兰淼淼, 胡黄水, 王婷婷, 王宏志. 基于改进鲸鱼优化PID的无刷直流电机转速控制算法[J]. 吉林大学学报(理学版), 2024, 62(3): 704-712.
[12]	赵红梅, 肖明, 白宇, 王磊. 面向用户偏好的动态网页数据交互式查询算法[J]. 吉林大学学报(理学版), 2024, 62(2): 417-0422.
[13]	王志强, 陈力园, 代蛟. 基于WTGWO的无线传感器网络三维部署优化方法[J]. 吉林大学学报(理学版), 2024, 62(2): 410-0416.
[14]	王李祺, 侯宇超, 高翔, 谭秀辉, 程蓉, 王鹏, 白艳萍. 基于深度学习与狮群SVM算法的遥感场景分类[J]. 吉林大学学报(理学版), 2023, 61(4): 863-874.
[15]	王彦琦, 张强, 朱刘涛, 袁和平. 基于改进鲸鱼优化算法的GBDT回归预测模型[J]. 吉林大学学报(理学版), 2022, 60(2): 401-408.