引言
本期介绍了一种基于加权平均位置概念的元启发式优化算法,称为加权平均优化算法Weighted average algorithm,WAA。该成果于2024年12月最新发表在中JCR1区、 中科院1区 SCI期刊 Knowledge-Based Systems。
在WAA算法中,加权平均位置代表当前种群分布,并与个体最佳位置和全局最佳位置相结合,指导下一次迭代的位置更新。
1. 初始化。和其他算法一样,采用随机初始化:
2.加权平均位置。加权平均位置计算的第一步是计算每个参与者的适应度,并根据两个特征中的一个对总体进行重新排列,即越大越好(LTB)或越小越好(STB)。之后是第一个在总体中选择候选者,使用以下公式计算加权平均位置。
3.定义搜索阶段:探索或开发。更具体地说,f(it)≥0.5的候选解将根据开发能力移动。而在低于阈值f(it) < 0.5的条件下,候选解会根据探索能力而移动。探索和开发之间的相互合作将产生更好的搜索空间。
4.探索阶段。利用策略模拟了搜索代理群体如何以高概率向搜索空间移动,以利用新的全局最优值。
5.开发阶段。第一种策略利用了利用Levy飞行法寻找全局最优位置的优势。
在某些情况下,算法确定的全局最优值可能在全局最优位置周围的区域,与全局最优位置的理想值相差太远。在这种情况下,WAA在遵循第一种策略时面临收敛到局部最优的风险。为了克服这个限制,我们采用第二种移动策略来调整搜索空间:
原文作者为了验证WAA的有效性和可靠性,将其应用于各种优化挑战,其中包括无约束基准函数和约束工程挑战。基于Friedman和Wilcoxon分析,可以得出结论,该算法在考虑基准函数和工程问题时获得了最佳性能。
参考文献
原文作者为了验证WAA的有效性和可靠性,将其应用于各种优化挑战,其中包括无约束基准函数和约束工程挑战。基于Friedman和Wilcoxon分析,可以得出结论,该算法在考虑基准函数和工程问题时获得了最佳性能。
Matlab代码下载
2024年12月一区SCI-加权平均优化算法Weighted average algorithm-附Matlab免费代码