-
摘要: 在灰狼优化算法中, $ {{\pmb C}} $是一个重要的参数, 其功能是负责算法的勘探能力.目前, 针对参数$ {{\pmb C}} $的研究工作相对较少.另外, 在算法进化过程中, 群体中其他个体均向$\alpha$、$\beta$和$\delta$所在区域靠近以加快收敛速度.然而, 算法易陷入局部最优.为解决以上问题, 本文提出一种改进的灰狼优化算法(Lens imaging learning grey wolf optimizer algorithm, LIL-GWO).该算法首先分析了参数$ {{\pmb C}} $的作用, 提出一种新的参数$\pmb C$策略以平衡算法的勘探和开采能力; 同时, 分析了灰狼优化算法后期个体均向决策层区域聚集, 从而导致群体多样性较差, 提出一种基于光学透镜成像原理的反向学习策略以避免算法陷入局部最优.对LIL-GWO算法的收敛性进行了证明.选取12个通用的标准测试函数和30个CEC 2014测试函数进行实验, 在相同的适应度函数评价次数条件下, LIL-GWO算法在总体性能上优于基本GWO算法、改进GWO算法和其他比较算法.最后, 将LIL-GWO算法应用于辨识光伏模型的参数, 获得了满意的结果.Abstract: In the grey wolf optimizer algorithm, $\pmb C$ is an important parameter. The exploration capability of GWO mainly depends on the parameter $\pmb C$. At present, few of researchers are aiming at parameter $\pmb C$ in GWO algorithm. Many issues need to be settled. In addition, during the evolution process, the other individuals in the population move towards to the $\alpha$, $\beta$ and $\delta$ which are to accelerate convergence. However, the algorithm is easy to trap in the local optima. In this paper, an improved GWO algorithm called LIL-GWO is proposed to solve these problems. The proposed algorithm firstly analyzes the role of parameter $\pmb C$ and presents a new parameter $\pmb C$ strategy to balance between exploration and exploitation of GWO. Secondly, at the end of the GWO algorithm, all individuals assemble into the decision-making region which is resulted in poor population multiplicity. A new opposition-learning strategy based on optical lens imaging principle is proposed to help the population jump out of a local optimum. A theoretical proof of convergence for LIL-GWO algorithm is provided. Simulation experiments were conducted on the 12 widely used benchmark test functions and 30 benchmark test functions from the CEC 2014. The overall performance of LIL-GWO algorithm is much better than the basic GWO algorithm, several improved GWO algorithms, and other compared algorithms with the same number of fitness evaluations (FEs). Finally, LIL-GWO is applied to identify the parameters of PV model and the satisfied results are obtained.
-
Key words:
- Grey wolf optimizer (GWO) algorithm /
- lens imaging learning (LIL) /
- global optimization /
- photovoltaic model /
- parameter identification
-
自多智能体系统理论提出以来, 其协调控制方面[1]的研究受到了国际学术界的广泛关注, 相关研究内容仅涉及多智能体系统一致性控制[2-3]或编队控制协议[4-5]、智能体动力学模型[6-7]和控制律设计[8-10], 而多智能体通信网络拓扑结构的连通性[11-12]研究未见有文献报道.通信网络拓扑结构的连通性是多智能体系统一致性控制与编队控制等的理论前提.网络连通性高效判定算法不仅是大规模多智能体系统一致性控制或编队控制的保证, 而且在图论[13-15]、现代移动通信[16-17]、计算机与交通[18]等各种网络中有着重要和广泛的应用.
在多智能体系统一致性控制或编队控制中, 如果两个智能体在规定的时间(通常为一个采样周期)内至少有一次数据交换, 则认为这两个智能体在通信方面是连通的.如此, 进行数据交换的多个智能体构成了一个移动通信网络.若所有智能体构成的这个移动通信网络在规定的时间内是连通的, 则称该网络的拓扑结构是连通的.这种多智能体通信网络常被建模为复杂无向网络(含自环和多重边), 而其拓扑结构的连通性检测和判定问题就可转化为复杂无向网络的连通性检测和判定问题.
迄今为止, 判定网络连通性的算法主要有两类:基于深度优先搜索技术的算法, 如Tarjan算法[19]和Gabow算法[20]等; 基于可达矩阵的算法和基于关系传递闭包的Warshall算法[21]等. Tarjan算法和Gabow算法是一类面向网络的直接搜索算法, 其优点是算法复杂度低(均为O$(n+m)$, 其中$n$为节点数, $m$为边数), 缺点是仅适合简单网络(无自环或多重边)且不易编程(需使用堆栈和标号技术). Warshall算法的优点是结构异常简洁且可采用效率更高的位运算方法, 缺点是算法复杂度高(O$(2n^3)$)且同样仅适用于简单网络.基于可达矩阵的连通性判定算法虽可用于复杂无向网络, 但由于其算法复杂度太高(O$(n^4)$)而很难适用于大规模移动通信网络或计算机互联网络的连通性判定.
针对具有$n$个节点的复杂无向网络, 本文给出了一种新的连通性判定算法, 该算法的时间复杂度和空间复杂度分别为O$(3n^2)$和O$(n^2+n)$.与基于可达矩阵的连通性判定算法和基于关系传递闭包的Warshall算法相比, 本文所给算法在时间复杂度上具有显著优势, 因而更适合大规模移动通信网络或计算机互联网络的连通性检测与判定.
1. 问题描述
给定一个无向网络$G$, 我们用$v_i\; (i = 1, 2, \cdots)$与$e_j\; (j=1, 2, \cdots)$分别表示$G$中的节点和边, 用$V(G) = \{v_1, v_2, \cdots\}$与$E(G) = \{e_1, e_2, \cdots\}$分别表示$G$中所有节点和所有边的集合, 则网络$G$可用一个偶对$(V, E)$表示, 记作$G = (V, E)$.
若用$n = |V(G)|$表示$V(G)$中节点的个数, $m = |E(G)|$表示$E(G)$中边的个数, 则网络$G$可另记为$G = (n, m)$. $n$称为网络$G$的阶数, 一个具有$n$个节点的网络称为$n$阶网络. $n$和$m$均为有限值的无向网络$G$称为有限无向网络.
除特别声明外, 本文所讨论的网络均指有限复杂无向网络, 原因在于大规模移动通信网络和计算机互联网络常被建模为复杂无向网络, 且复杂无向网络较简单无向网络具有更大的普适性.
定义1. 给定$n$阶无向网络$G$和网络的节点集$V(G) = \{v_1, v_2, \cdots, v_n\}$, 称$\overline{A} = \overline{A}(\overline{a_{ij}}) \in {\bf R}^{n \times n}$为$G$的邻接矩阵, 其中
$$ \begin{equation} { \overline{a_{ij}}} = \left\{ \begin{array}{ll} m_{ij}, & v_i~\text{与}~v_j~\text{之间有}~m_{ij}~\text{条边邻接} \\ 0, & v_i~\text{与}~v_j~\text{不邻接} \\ \end{array} \right. \end{equation} $$ 定义1中, $m_{ij} \geq 1$为整数.当$G$为简单无向网络时, $m_{ij} = 1$; 当$G$为复杂无向网络时, 则至少存在一个$m_{ij} > 1$.因本文仅考虑$G$的连通性, 所以将$m_{ij}$视为1并不影响$G$的连通性.
定义2. 给定$n$阶无向网络$G$和网络的节点集$V(G) = \{v_1, v_2, \cdots, v_n\}$, 设
$$ \begin{equation} { a_{ij}} = \left\{ \begin{array}{ll} 1, & \text{若}~v_i~\text{与}~v_j~\text{邻接}, \text{或}~i = j \\ 0, & \text{若~}v_i~\text{与}~v_j~\text{不邻接} \\ \end{array} \right. \end{equation} $$ (2) 则称: 1)由元素$a_{ij}\; (i, j = 1, 2, \cdots, n)$构成的$n$阶矩阵为网络$G$的邻居矩阵, 记作$A(G)$, 或简记为$A$; 2) $A$的第$i$行为网络$G$的第$i$个邻居集, 记作$A_i(G)$, 或简记为$A_i$.
我们以图 1和图 2所示无向网络为例来具体说明定义2中所涉及的概念.
图 1和图 2所示的无向网络各有8个节点, 它们的邻居矩阵分别是
$$ A(G1)=\begin{bmatrix} 1 & 1 & 1 & 0 & 0 & 0 & 0 & 0 \\ 1 & 1 & 1 & 0 & 0 & 0 & 0 & 0 \\ 1 & 1 & 1 & 1 & 0 & 0 & 0 & 0 \\ 0 & 0 & 1 & 1 & 1 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 & 1 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 1 & 1 & 1 & 1 \\ 0 & 0 & 0 & 1 & 0 & 1 & 1 & 1 \\ 0 & 0 & 0 & 0 & 0 & 1 & 1 & 1 \end{bmatrix} $$ $$ A(G2)=\begin{bmatrix} 1 & 1 & 1 & 0 & 0 & 0 & 0 & 0 \\ 1 & 1 & 1 & 0 & 0 & 0 & 0 & 0 \\ 1 & 1 & 1 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 1 & 1 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 & 1 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 & 1 & 1 & 1 & 1 \\ 0 & 0 & 0 & 1 & 0 & 1 & 1 & 1 \\ 0 & 0 & 0 & 0 & 0 & 1 & 1 & 1 \end{bmatrix} $$ 邻居集$A_i(Gj)\; (i = 1, 2, \cdots, n; j = 1, 2) $表示节点$v_i$与其邻接节点的关系, 其中取值为1的元素所对应的节点就是包含$v_i$在内的一个邻居组, 如$A_1(G1)$中包含$v_1$在内的邻居组是$\{v_1, v_2, v_3\}$.我们用$|A_i|$表示$A_i$中取值为1的元素个数、即邻居集$A_i$中邻居的个数, 如$|A_1(G1)| = 3$.显然, 每个邻居组中的节点及与它们相邻接的边一起构成网络$G$的一个连通子网络.此外, 我们称元素全为0的邻居集为零邻居集(对应空网络), 元素全为1的邻居集为全邻居集(对应连通网络).
给定一个无向网络, 由定义2和图论中邻接矩阵的定义可知, 复杂无向网络邻居矩阵与简单无向网络邻接矩阵的差别仅是对角线元素的取值有所不同, 邻居矩阵的对角线元素全为1, 而邻接矩阵的对角线元素全为0.
2. 算法理论基础与算法设计
2.1 算法理论基础
由定义2可知, $n\; (n \geq 2)$阶无向网络$G$的邻居集$A_i(G)$具有如下特点: 1)邻居集中只有2种元素1和0, 且至少有一个1; 2)各邻居集中元素的个数彼此相等; 3)每个邻居集对应一个邻居组, 每个邻居组彼此邻接且对应网络$G$的一个连通子网络.
定义2是一个新定义, 也是本文所给算法的基础.在具体给出基于邻居矩阵的网络连通性判定算法(下面简称本文所给算法)之前, 我们需先给出邻居集的相关运算规则.
定义3. 给定$n\; (n \geq 2)$阶无向网络$G$及相应的邻居集$A_i\; (i = 1, 2, \cdots, n)$, 邻居集的交与并的运算规则如下:
1) $A_i \cap A_j = \{z_k = x_k \cap y_k|x_k \in A_i, y_k \in A_j, k = 1, 2, \cdots, n\}$;
2) $A_i \cup A_j = \{z_k = x_k \cup y_k|x_k \in A_i, y_k \in A_j, k = 1, 2, \cdots, n\}$.
上式中各元素之间的运算($\cap$和$\cup$)均为布尔运算, 可采用效率更高的位运算方法实现.上述运算规则用于邻居集时具有明确意义:
1) 若两邻居集$A_i$、$A_j\; (i \neq j)$的交集$A_i \cap A_j$为零邻居集, 则由$A_i$、$A_j$决定的两个邻居组没有公共邻居, 反之则有公共邻居;
2) 没有公共邻居的两个邻居集的并集不构成新的邻居组, 即不构成$G$的新的连通子网络;
3) 有公共邻居的两个邻居集的并集$A_i \cup A_j$是一个新的邻居集, 该邻居集对应$G$的一个新的连通子网络; 新连通子网络是$A_i$、$A_j$所对应的连通子网络的并, 且显然有$|A_i \cup A_j| \geq \max(|A_i, A_j|)$.
本文所给算法主要涉及2种运算: 1)求两个邻居集$A_i$、$A_j\; (i \neq j)$的交集, 以验证它们是否有公共邻居, 若无则不求$A_i \cup A_j$; 2)若有公共邻居, 则求$A_i \cup A_j$.
两个邻居集$A_i$、$A_j\; (i \neq j)$的交并运算可按如下简便方法一次完成:
1) 求$A_i \cap A_j$, 对于$k= 1, 2, \cdots, n$, 依次检查$x_k \cap y_k$的取值, 当首次出现$x_k \cap y_k = 1$时, 停止本次求交运算;
2) 求$A_i \cup A_j = \{z_k = x_k \cup y_k|x_k \in A_i, y_k \in A_j, k = 1, 2, \cdots, n\}$.
本文所给算法的主要思路是: 1)给定$n\; (n \geq 2)$阶无向网络, 生成邻居矩阵$A(a_{ij}) \in {\bf R}^{n \times n}$和相应的邻居集$A_i\; (i = 1, 2, \cdots, n)$; 2)求$A_1 \cap A_i\; (i = 2, 3, \cdots, n)$以确定两个邻居集之间是否具有公共邻居; 若无, 令$i = i + 1$, 继续进行求交运算; 若有, 求$A_1 \cup A_i$并将运算结果赋予$A_1$; 上述求并与赋值运算结束后, 令$i = i + 1$, 继续进行这种求交和求并运算; 3)若上述运算进行到最后一步后, $|A_1| < $ $n$或$A_1$与所有剩余的邻居集之间没有相同的邻居, 则可判定所给网络不连通, 否则, 可判定所给网络连通.
2.2 算法设计
给定$n\; (n \geq 2)$阶无向网络$G$, 设: $G$的邻居矩阵$A(a_{ij})\in$ ${\bf R}^{n \times n}$和相应的邻居集$A_i\; (i = 1, 2, \cdots, n)$已经生成; $i$为$A(a_{ij})$的行循环变量, $j$与$k$为$A(a_{ij})$的列循环变量($i, j, k = 1, 2, \cdots, n$); $H=\{h_1$, $h_2$, $\cdots$, $h_n\}$为标号集, $h_i = 1$表示$A_1$与$A_i$进行过求并运算, $h_i = 0$表示$A_1$与$A_i$未进行过求并运算.下面我们具体给出复杂无向网络$G$的连通性判定算法.
基于邻居矩阵的复杂无向网络连通性判定算法
1) 赋初值: $i=j=k=0$, $H=\{h_i=0|i=1$, 2, $\cdots$, $n$};
2) $j=j+1$;
3) 如果$a_{1j}=0$且$j < n$, 转到2);如果$a_{1j}=$ $0$且$j=n$, 转到13);如果$a_{1j}=1$, $i=1$, 转到4);
4) $i=i+1$;
5) 如果$h_i=1$且$i < n$, 转到4);如果$h_i=1$且$i = n$, 转到11);如果$h_i=0$, 转到6);
6) 如果$a_{ij}=0$且$i < n$, 转到4);如果$a_{ij} = 0$且$i=n$, 转到11);如果$a_{ij}=1$, $k=1$, 转到7);
7) $k=k + 1$;
8) 如果$a_{ik}=0$且$k < n$, 转到7);如果$a_{ik} = 0$且$k=n$, 转到10);如果$a_{ik}=1$, $a_{1k} =:$ $a_{ik}$, 转到9);
9) 如果$k < n$, 转到7);如果$k=n$, 转到10);
10) $h_i =: 1$; 如果$i < n$, 转到4);如果$i=n$, 转到11);
11) 如果$j < n$, 转到2);如果$j=n$, $| A_1 | =$ $\sum_{j = 1}^{n}{ a_{1j}}$, 转到12);
12) 如果$|A_1|=n$, 输出结果:图$G$连通, 算法结束; 如果$|A_1| < n$, 转到13);
13) 输出结果:图$G$不连通; 算法结束.
步骤8)和10)中的符号$"=:"$表示赋值运算.
定理1. 任给$n\; (n \geq 2)$阶复杂无向网络$G$, 使用基于邻居矩阵的判定算法时, 网络$G$连通的充分必要条件是算法结束后$|A_1| = n$.
证明. 由本文所给算法可知, 当有公共邻居时, 每进行一次求并运算, $A_1$中所包含的邻居数(取值为1的元素数)或者保持不变或者增加.当保持不变且$A_1$包含网络$G$的全部节点, 即$|A_1| = n$时, 网络$G$连通; 当邻居数增加并最终导致$|A_1| = n$时, 网络$G$也连通.
反之, 设$|A_1| < n$时, 网络$G$连通. $|A_1| < n$有两种情况: 1) $|A_1| = 1$, 这表明节点$v_1$是悬挂点, 没有邻接边, 所以网络$G$不连通; 2)至少存在一个$A_i\; (i \in \{2, 3, \cdots, n\})$, 它在算法结束后与$A_1$没有相同的邻居, 即$A_i$对应的子网络与$A_1$对应的子网络没有公共节点, 这便导致$|A_1| < n$, 网络$G$不连通.上述两种情况都与假设矛盾, 则若要网络$G$连通, 必须要$|A_1| = n$.
图 3是本文所给算法的框图.
图 3 基于邻居矩阵的复杂无向网络连通性判定算法框图Fig. 3 Block diagram of the connectivity determination algorithm for complex undirected networks based on the neighbor matrix2.3 算法应用举例
我们以图$G1$和图$G2$所示无向网络为例来说明本文所给算法的具体应用.
例1. 图$G1$所示无向网络有8个节点, 其邻居矩阵$A(G1) \in$ ${\bf R}^{8 \times 8}$.算法运行前, $|A_1(G1)| = 3$, 算法运行后: $j = 1$, $|A_1(G1)| = 4$; $j = 2$, $|A_1(G1)| = 4$; $j = 3$, $|A_1(G1)| = 6$; $j = 4$, $|A_1(G1)| = 8$; $j = 5, 6, 7, 8$时, $|A_1(G1)| = 8$.因此, 可判定图$G1$所示无向网络连通.
例2. 图$G2$所示无向网络有8个节点, 其邻居矩阵$A(G2) \in {\bf R}^{8 \times 8}$.算法运行前, $|A_1(G2)| = 3$, 算法运行后: $j = 1$, $|A_1(G2)| = 3$; $j = 2$, $|A_1(G2)| = 3$; $j = 3$, $|A_1(G2)| = 3$; $j = 4, 5, 6, 7, 8$时, $|A_1(G2)| = 3 < 8$.因此, 可判定图$G2$所示无向网络不连通.
3. 算法复杂性分析
3.1 算法的时间复杂度
给定$n\; (n \geq 2)$阶无向网络$G$, 设其相应的邻居矩阵、邻居集分别为$A(a_{ij}) \in {\bf R}^{n \times n}$和$A_i\; (i = 1, 2, \cdots, n)$.本文所给算法涉及$a_{ij}$是否为1的比较运算, 将$a_{ik}\; (i \geq 2)$的值赋予$a_{1k}$的赋值运算, 以及两个元素$a_{1j}$、$a_{1k}\; (j \neq k)$的布尔或运算.按算法复杂性分析的常规做法, 我们将不考虑赋值运算并将一次比较运算视为一次加法运算.下面, 我们分3部分具体分析本文所给算法的时间复杂度.
1) 对于每一个$j \in \{1, 2, \cdots, n\}$, 本文所给算法需要比较$a_{ij}\; (1 \leq i \leq n)$是否等于1, 用于确定是否存在某个$i\; (2 \leq i \leq n)$使得$a_{1j} = a_{ij} = 1$, 即确定$A_1 \cap A_i$为非零邻居集.对于每一给定的$j$, 这种比较运算共需$n$次, 相当于$n$次加法运算.考虑最坏情况, 即当所有的$a_{1j} = 1\; (1 \leq j \leq n)$时, 这种比较运算总共需要$n^2$次加法运算.
2) 当$A_1 \cap A_i\; (2 \leq i \leq n)$为非零邻居集时, 需进行$A_1 \cup A_i$运算.考虑最坏情况, 即当所有的$a_{ik} = 1\; (2 \leq k \leq n)$时, $A_1 \cup A_i$需要$2(n - 1)$次布尔或运算, 当$i$遍历所有的取值时, 总共需要$2(n - 1)^2$次布尔或运算.
3) 本文所给算法最后需要求$|A_1|$并判定$|A_1|$是否小于$n$, 这部分总共需要$n$次加法运算.
设$J$为总的计算次数, 由上述3部分计算结果可知
$$ J = n^2 + 2(n - 1)^2 + n = 3n^2 - 3n + 2 $$ 因此, 本文所给算法的时间复杂度的上界为O$(3n^2)$.相比之下可知, 就复杂无向网络的连通性判定而言, 本文所给算法的时间复杂度远低于Warshall算法(O$(2n^3)$)和基于可达矩阵算法(O$(n^4)$)的时间复杂度.
3.2 算法的空间复杂度
本文所给算法仅需生成和使用一个邻居矩阵$A(a_{ij}) \in {\bf R}^{n \times n}$和一个标号集$H = \{h_i = 0$或$h_i = 1|i = 1, 2, \cdots, n\}$.因邻居矩阵元素的取值或为0或为1, 所以生成邻居矩阵共需占用$n^2$个存储单元.同理, 标号集$H$共需占用$n$个存储单元.因此, 本文所给算法的空间复杂度的上界为O$(n^2 + n)$.不难理解, 本文所给算法比Warshall算法和基于可达矩阵的算法具有更低的空间复杂度.
3.3 算法的最优分布式实现
分布式计算是一种分组并行计算, 可极大地提高计算效率.由图论和算法结构理论可知, 本文所给算法适合分布式计算.下面, 我们将简要讨论这个问题.
给定$n\; (n \geq 2)$阶无向网络$G$, 我们可以按如下规则将$n$个节点分成$k\; (2 \leq k \leq n)$组, 使得:
1) 每个组中的节点数不少于1个;
2) 任意两个组不包含相同的节点.
如此:
1) 当我们将每个组中的全部节点集结成(视作)一个节点时, $G$就成为具有$k$个节点的网络;
2) 每个组中的全部节点连同它们的邻接边一起构成$G$的一个子网络, 且全部$k$个子网络的并就是$G$;
3) 每个子网络都连通且全部$k$个子网络也连通, 则$G$连通, 否则, $G$不连通.
如果能将本文所给算法分别用于上述每个子网络及全部$k$个子网络时, 除仍可判定$G$的连通性外, 计算量将会大幅度减小.现在的问题是, 如何分组可使总的计算量达到最小?
定理2. 任给$n\; (n \geq 2)$阶无向网络$G$, 将$n$个节点分成$k$组.若分组数$k = \left(\dfrac{n^2}{2}\right)^{\frac{1}{3}}$且每个组中的节点数均为$m = (2n)^{\frac{1}{3}}$, 则将本文所给算法用于$G$的连通性判定时, 计算量将会达到最小.
证明. 本文所给算法的时间复杂度为O$(3n^2)$, 即最大可能的计算量为$3n^2$.设将$n$个节点分成$k\; (2 \leq k \leq n)$组, 每个组中的节点数为$m_i\; (1 \leq i \leq k)$, $\sum_{i = 1}^{k}{ m_i} = n$, $J$为判定$G$的连通性所需最大计算量.由前面的分析可知, 判定每个子网络($m_i$个节点)连通性所需最大计算量为$3m_i^2$, 判定$k$个子网络连通性所需最大计算量为$3k^2$.如此
$$ \begin{align} \label{eq:3} J = \, &3k^2 + \sum\limits_{i = 1}^{k}{ [3m_i^2]} =\nonumber\\ & 3\left\{k^2 + \sum\limits_{i = 1}^{k - 1}{ m_i^2} + m_k^2\right\} =\nonumber\\ & 3\left\{k^2 + \sum\limits_{i = 1}^{k - 1}{ m_i^2} + (n - \sum\limits_{i = 1}^{k - 1}{ m_i})^2\right\} \end{align} $$ (3) 对于$1 \leq i \leq (k - 1)$, 我们有
$$ \begin{align} \label{eq:2} \frac{\partial J}{\partial m_i} =\, & 6\left[m_i - \left(n - \sum\limits_{i = 1}^{k - 1}{ m_i}\right)\right] =\nonumber\\& 6(m_i - m_k) \end{align} $$ (4) 令$\dfrac{\partial J}{\partial m_i} = 0$, 可得$m_1 = m_2 = \cdots = m_{k - 1} = m_k$.这表明, 若要$J$达到最小, 每个组中的节点数必须相等.设每个组的节点数为$m_i = m\; (1 \leq i \leq k)$, 代入前式可得: $J = 3(k^2 + km^2) = 3\left(k^2 + \dfrac{n^2}{k}\right)$.令$\dfrac{\partial J}{\partial k} = 3\left(2k - \dfrac{n^2}{k^2}\right) = 0$, 可得$k = \left(\dfrac{n^2}{2}\right)^{\frac{1}{3}}$.另一方面, $J = 3(k^2 + km^2) = 3\left(\dfrac{n^2}{m^2} + nm\right)$.令$\dfrac{\partial J}{\partial m} = 3\left(n - \dfrac{2n^2}{m^3}\right) = 0$, 可得$m = (2n)^{\frac{1}{3}}$.这表明, 当$k = \left(\dfrac{n^2}{2}\right)^{\frac{1}{3}}$, $m = (2n)^{\frac{1}{3}}$时, 使用本文所给算法可使计算量达到最小.
定理2所确定的分组方式就是本文所给算法的最优分布式实现方式.分组与不分组情况下的计算量之比为$3(2n)^{-\frac{2}{3}}$.显然, $n$越大, 计算量下降的幅度也越大.当$n = 500$时, 分组情况下的计算量仅是不分组情况下的计算量的$3\, \%$.
需要说明的是, 定理2中的$k$和$m$需取整数.下面, 我们举例说明如何确定$k$和$m$的取值问题.
例3. 设某一无向网络$G$具有$n = 497$个节点, 试确定节点的最优分组结果.
由定理2可得: $k = \left(\dfrac{n^2}{2}\right)^{\frac{1}{3}} = \left(\dfrac{1}{2} \times 247\, 009\right)^{\frac{1}{3}} < \left(\dfrac{1}{2} \times 250\, 000\right)^{\frac{1}{3}} = 50$, 即$k < 50$; 同理可得, $k = \left(\dfrac{n^2}{2}\right)^{\frac{1}{3}} = \left(\dfrac{1}{2} \times 247\, 009\right)^{\frac{1}{3}} > \left(\dfrac{1}{2} \times 235\, 298\right)^{\frac{1}{3}} = 49$, 即$k > 49$.我们按两种方式分组: 1) $k = 50$, $m_i = 10\; (1 \leq i \leq 49)$, $m_{50} = 7$, 最大可能的计算量为$J = 3(50^2 + 49 \times 10^2 + 7^2) = 22\, 347$; 2) $k = 49$, $m_i = 10\; (1 \leq i \leq 42)$, $m_i = 11\; (43 \leq i \leq 49)$, 最大可能的计算量为$J = 3(49^2 + 42 \times 10^2 + 7 \times 11^2) = 20\, 166$.显然, 第2种分组方式可使最大可能的计算量达到最小.因此, $k$和$m$的取值应按第2种分组方式确定.
在大规模多智能体编队控制问题中, 各个智能体的相对位置比较固定, 定理2所给的最优分组方法在其通信网络的连通性判定方面更能发挥作用.
4. 结论
在引言部分, 我们论述了网络连通性判定算法、特别是高效连通性判定算法的理论与现实意义.
本文第1节给出了复杂无向网络邻居矩阵和邻居集的定义及相关概念, 它们是基于邻居矩阵的复杂无向网络连通性判定算法, 即本文所给算法的前提.
本文第2节给出了邻居集交与并的运算规则、相关概念及其集合解释.在此基础上, 给出了基于邻居矩阵的复杂无向网络连通性判定算法.该算法是本文的主要贡献, 显然它也适用于简单无向网络的连通性判定.
第3节分析给出了本文所给算法的时间复杂度O$((3n^2))$和空间复杂度O$((n^2 + n))$, 它较Warshall算法和基于可达矩阵的算法具有低得多的时间复杂度和空间复杂度.此外, 本节还给出了可使最大可能的计算量达到最小的最优分布式计算规则, 相关结果则是本文的另一有意义的贡献.
与现有算法相比, 本文所给算法的时间复杂度和空间复杂度均非常低、易于分布式计算, 更适合大规模动态复杂无向网络的连通性判定.需要说明的是, 本文所给算法不能直接用于复杂有向网络的连通性判定.我们今后的工作是将上述结果推广到复杂有向网络, 以期得到更一般和更高效的连通性判定算法.
-
图 3 式(4)和式(11)计算得到的${{\pmb C}}$值
Fig. 3 ${{\pmb C}}$ values calculated by Eqs. (4) and (11)
图 4 GWO算法求解Sphere函数$(D = 2)$时30个种群个体分布情况
Fig. 4 Population distribution observed at various stages in GWO for solving Sphere function $(D =2)$
图 6 6种算法对6个代表性测试函数的收敛曲线
Fig. 6 Convergence curves of six algorithms for six representative test functions
图 8 单二极管模型的测试数据和LIL-GWO计算数据的比较
Fig. 8 Comparison of the measured data and calculated data obtained by LIL-GWO for the single diode model
表 1 12个标准测试函数
Table 1 Twelve benchmark test functions
函数名 函数表达式 搜索空间 Sphere $ f_1 ({{\pmb X}}) =\sum\nolimits_{i = 1}^D {x_i^2 }$ $[-100, 100]$ Schwefel's 2.22 $ f_2 ({{\pmb X}}) =\sum\nolimits_{i = 1}^D {{\rm{|}}x_i {\rm{|}}}+\prod\nolimits_{i = 1}^D {|x_i |}$ $[-10, 10]$ Schwefel's 2.21 $ f_3 ({{\pmb X}}) = \max _i \{|x_i |, 1\le x_i\le D\}$ $[-100, 100]$ Rosenbrock $ f_4 ({{\pmb X}}) = \sum\nolimits_{i = 1}^D {[100{\kern 1pt} {\kern 1pt} (x_{i + 1} - x_i^2 )^2 + (x_i - 1)^2 ]}$ [-30, 30] Sum-Power $f_5 ({{\pmb X}}) = \sum\nolimits_{i=1}^D {|x_i |} ^{(i + 1)}$ [-1, 1] Elliptic $f_6 ({{\pmb X}}) =\sum\nolimits_{i =1}^D {(10^6)^{(i - 1)/(n - 1)} x_i^2 }$ [-100, 100] Rastrigin $f_7 ({{\pmb X}}) =\sum\nolimits_{i =1}^D {[x_i^2- 10\cos (2\pi x_i) + 10]}$ $[-5.12, 5.12]$ Ackley $ f_8 ({{\pmb X}}) =- 20\exp\left({ - 0.2\sqrt {{\textstyle{1 \over D}}\sum\nolimits_{i =1}^D {x_i^2 } } } \right) - \exp \left({{\frac{1}{D}}\sum\nolimits_{i =1}^D {\cos (2\pi x_i)} } \right) + 20 + e $ $[-32, 32]$ Griewank $ f_9 ({{\pmb X}}) = {\textstyle{1\over {4\, 000}}}\sum\nolimits_{i = 1}^D {x_i^2-\prod\nolimits_{i = 1}^D {\cos \left({{\textstyle{{x_i } \over{\sqrt i }}}} \right)} }+ 1$ $[-600, 600]$ Alpine $ f_{10} ({{\pmb X}}) =\sum\nolimits_{i= 1}^D {|x_i \sin (x_i) + 0.1x_i |} $ $[-10, 10]$ Levy $ f_{11} ({{\pmb X}}) =\sum\nolimits_{i = 1}^D {(x_i- 1)^2 [1 + \sin ^2 (3\pi x_{i + 1})] + \sin ^2 (3 \pi x_1) + |x_D- 1|} [1 + \sin ^2 (3\pi x_D)] $ $[-10, 10]$ Stretched V-sine $ f_{12} ({{\pmb X}}) =\sum\nolimits_{i = 1}^{D - 1} {(x_i^2+ 2x_{i + 1}^2)^{0.25}\cdot ((\sin 50(x_i^2+ x_{i + 1}^2)^{0.1})^2+ 1)} $ $[-10, 10]$ 
下载: 导出CSV
表 2 LIL-GWO与其他5种算法对12个测试函数的结果比较
Table 2 Comparisons of LIL-GWO and other five algorithms for 12 test functions
函数 统计结果 GWO mGWO WAGWO AIGWO EEGWO LIL-GWO 平均值 $ 1.36 \times 10^{ - 29} $ $ 7.89 \times 10^{ - 44} $ $ 7.66 \times 10^{ - 35} $ $ 3.62 \times 10^{ - 42} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_1$ 标准差 $ 1.62 \times 10^{ - 29} $ $ 8.68 \times 10^{ - 44} $ $ 1.01 \times 10^{ - 34} $ $ 3.89 \times 10^{ - 42} $ 0 0 排名 6 3 5 4 1 1 平均值 $ 4.87 \times 10^{ - 18} $ $ 1.16\times 10^{ - 26} $ $ 6.83 \times 10^{ - 21} $ $ 1.38 \times 10^{ - 25} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_2$ 标准差 $ 2.58 \times 10^{ - 18} $ $ 6.14\times 10^{ - 27} $ $ 5.18 \times 10^{ - 21} $ $ 1.64 \times 10^{ - 25} $ 0 0 排名 6 3 5 4 1 1 平均值 $ 1.89 \times 10^{ - 7} $ $ 4.48\times 10^{ - 12} $ $ 6.97 \times 10^{ - 9} $ $ 3.17 \times 10^{ - 12} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_3$ 标准差 $ 8.81 \times 10^{ - 8} $ $ 6.38\times 10^{ - 12} $ $ 5.29 \times 10^{ - 9} $ $ 6.34 \times 10^{ - 12} $ 0 0 排名 6 4 5 3 1 1 平均值 $ 2.72 \times 10^{ 1} $ $ {\bf{2.71 \times 10}}^{\pmb{1}} $ $ 2.75 \times 10^{ 1} $ $ 2.78 \times 10^{ 1} $ $ 2.90 \times 10^{ 1} $ $ 2.89 \times 10^{ 1} $ $f_4$ 标准差 $ 9.99 \times 10^{ - 1} $ $ 6.53\times 10^{ - 1} $ $ 9.75 \times 10^{ - 1} $ $ 1.13 \times 10^{ 0} $ $ 5.58 \times 10^{ - 3} $ $ 7.43 \times 10^{ - 2} $ 排名 2 1 3 4 6 5 平均值 $ 1.44 \times 10^{ - 101} $ $ 4.69\times 10^{ - 152} $ $ 4.08 \times 10^{ - 121} $ $ 4.89 \times 10^{ - 154} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_5$ 标准差 $ 1.49 \times 10^{ - 101} $ $ 5.30\times 10^{ - 152} $ $ 5.77 \times 10^{ - 121} $ $ 2.80 \times 10^{ - 154} $ 0 0 排名 6 4 5 3 1 1 平均值 $ 9.01 \times 10^{ - 26} $ $ 3.12\times 10^{ - 40} $ $ 1.14 \times 10^{ - 31} $ $ 6.74 \times 10^{ - 40} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_6$ 标准差 $ 2.81 \times 10^{ - 25} $ $ 3.34\times 10^{ - 40} $ $ 9.06 \times 10^{ - 32} $ $ 1.24 \times 10^{ - 39} $ 0 0 排名 6 3 5 4 1 1 平均值 $ 2.08 \times 10^{ 0} $ $ {\pmb{0}} $ $ 4.54 \times 10^{ - 14} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_7$ 标准差 $ 4.64 \times 10^{ 0} $ 0 $ 2.54 \times 10^{ - 14} $ 0 0 0 排名 6 1 5 1 1 1 平均值 $ 6.84 \times 10^{ - 14} $ $ 1.23\times 10^{ - 14} $ $ 3.29 \times 10^{ - 14} $ $ 1.37 \times 10^{ - 14} $ $ {\pmb{8.88 \times 10}}^{ - {\pmb{16}}} $ $ {\pmb{8.88 \times 10}}^{ - {\pmb{16}}} $ $f_8$ 标准差 $ 1.08 \times 10^{ - 14} $ $ 3.89\times 10^{ - 15} $ $ 1.97 \times 10^{ - 15} $ $ 3.18 \times 10^{ - 15} $ 0 0 排名 6 3 5 4 1 1 平均值 $ 8.52 \times 10^{ - 13} $ $ 4.44\times 10^{ - 16} $ $ 4.17 \times 10^{ - 15} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_9$ 标准差 $ 3.03 \times 10^{ - 13} $ 0 $ 1.69 \times 10^{ - 15} $ 0 0 0 排名 6 4 5 1 1 1 平均值 $ 5.25 \times 10^{ - 4} $ $ 1.09\times 10^{ - 24} $ $ 1.05 \times 10^{ - 4} $ $ 9.70 \times 10^{ - 22} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_{10}$ 标准差 $ 5.34 \times 10^{ - 4} $ $ 2.18\times 10^{ - 24} $ $ 2.35 \times 10^{ - 4} $ $ 2.13 \times 10^{ - 21} $ 0 0 排名 6 3 5 4 1 1 平均值 $ 2.59 \times 10^{ - 31} $ $ 4.64\times 10^{ - 45} $ $ 6.40 \times 10^{ - 36} $ $ 2.32 \times 10^{ - 44} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_{11}$ 标准差 $ 1.34 \times 10^{ - 31} $ $ 7.73\times 10^{ - 45} $ $ 8.76 \times 10^{ - 36} $ $ 5.97 \times 10^{ - 44} $ 0 0 排名 6 3 5 4 1 1 平均值 $ 6.12 \times 10^{ - 8} $ $ 3.21\times 10^{ - 12} $ $ 3.82 \times 10^{ - 9} $ $ 1.75 \times 10^{ - 11} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_{12}$ 标准差 $ 1.74 \times 10^{ - 8} $ $ 2.24\times 10^{ - 12} $ $ 1.37 \times 10^{ - 9} $ $ 1.33 \times 10^{ - 11} $ 0 0 排名 6 3 5 4 1 1 平均排名 5.6667 2.9167 4.8333 3.3333 1.4167 1.3333 最终排名 6 3 5 4 2 1
下载: 导出CSV
表 3 LIL-GWOLIL-GWO与其他7种算法对12个函数的结果比较
Table 3 Comparisons of LIL-GWOLIL-GWO and other seven algorithms for 12 test functions
函数 统计结果 CMA-ES IPSO ODE GABC ETLBO IWOA ISCA LIL-GWO 平均值 $ 8.64 \times 10^{ - 11} $ $ 2.82\times 10^{ - 16} $ $ 2.68 \times 10^{ - 49} $ $ 4.00\times 10^{ - 16} $ $ 2.70 \times 10^{ - 119} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_1$ 标准差 $ 3.83 \times 10^{ - 11} $ $5.07 \times 10^{ - 16} $ $ 2.50 \times 10^{ - 49} $ $ 3.76\times 10^{ - 16} $ $ 4.29 \times 10^{ - 119} $ 0 0 0 排名 8 6 5 7 4 1 1 1 平均值 $ 2.03 \times 10^{ - 5} $ $4.03\times 10^{ - 3} $ $ 3.86 \times 10^{ - 31} $ $ 2.59\times 10^{ -7} $ $ 1.19 \times 10^{ - 60} $ $ 2.77 \times 10^{ - 267} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_2$ 标准差 $ 1.15 \times 10^{ - 5} $ $ 8.05\times10^{ - 3} $ $ 4.00 \times 10^{ - 31} $ $ 1.98 \times 10^{-8} $ $ 5.87 \times 10^{ - 61} $ 0 0 0 排名 7 8 5 6 4 3 1 1 平均值 $ 1.38 \times 10^{ - 4} $ $2.13\times 10^{ 0} $ $ 1.47 \times 10^{ - 2} $ $ 1.16\times 10^{ -1} $ $ 2.35 \times 10^{ - 36} $ $ 6.35 \times 10^{ - 95} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_3$ 标准差 $ 2.59 \times 10^{ - 5} $ $ 7.32\times10^{ - 1} $ $ 2.66 \times 10^{ - 3} $ $ 2.27 \times 10^{ -2} $ $ 1.82 \times 10^{ - 36} $ $ 1.26 \times 10^{ - 94} $ 0 0 排名 5 8 6 7 4 3 1 1 平均值 $ {\pmb{1.83 \times 10}}^{\pmb{1}}$ $ 7.98 \times 10^{ 1}$ $ 2.81 \times 10^{ 1} $ $ 2.86 \times 10^{ 1} $ $ 2.50 \times 10^{ 1} $ $ 2.87 \times 10^{ 1} $ $ 2.90 \times 10^{ 1} $ $ 2.89 \times 10^{ 1} $ $f_4$ 标准差 $ 3.56 \times 10^{ - 1} $ $ 5.57\times10^{ 1} $ $ 3.45 \times 10^{ - 1} $ $ 1.66\times 10^{ - 1} $ $ 2.65 \times 10^{ - 1} $ $ 5.87 \times 10^{ - 2} $ $ 4.55 \times 10^{ - 1} $ $ 7.43 \times 10^{ - 2} $ 排名 1 8 3 4 2 5 7 6 平均值 $ 3.91 \times 10^{ - 10} $ $2.17\times 10^{ - 34} $ $ 8.51 \times 10^{ - 149} $ $ 4.02\times 10^{ - 42} $ $ 3.26 \times 10^{ - 278} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_5$ 标准差 $ 4.00 \times 10^{ - 10} $ $ 4.21\times10^{ - 34} $ $ 8.47 \times 10^{ - 149} $ $ 6.81 \times10^{- 42} $ 0 0 0 0 排名 8 7 5 6 4 1 1 1 平均值 $ 2.89 \times 10^{ - 3} $ $5.28\times 10^{ - 8} $ $ 1.91 \times 10^{ - 44} $ $ 1.86\times 10^{ -12} $ $ 1.18 \times 10^{ - 115} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_6$ 标准差 $ 2.58 \times 10^{ - 3} $ $6.99\times 10^{ - 8} $ $ 2.23 \times 10^{ - 44} $ $ 1.02\times 10^{ -12} $ $ 1.30 \times 10^{ - 115} $ 0 0 0 排名 8 7 5 6 4 1 1 1 平均值 $ 1.26 \times 10^{ 2} $ $ 2.57 \times10^{ 1} $ $ 1.14 \times 10^{ - 14} $ $ 9.62 \times 10^{ -15} $ $ 8.96 \times 10^{ 0} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_7$ 标准差 $ 6.85 \times 10^{ 1} $ $ 1.54\times 10^{ 0} $ $ 2.54 \times 10^{ - 14} $ $1.88 \times 10^{ - 14} $ $ 6.17 \times 10^{ 0} $ 0 0 0 排名 8 7 5 4 6 1 1 1 平均值 $ 2.41 \times 10^{ - 6} $ $7.10\times 10^{ - 7} $ $ 1.07 \times 10^{ - 14} $ $ 3.81\times 10^{ - 14} $ $ 2.66 \times 10^{ - 15} $ $ {\pmb{8.88\times 10}}^{ - {\pmb{16}}} $ $ {\pmb{8.88 \times 10}}^{ -{\pmb{16}}} $ $ {\pmb{8.88 \times 10}}^{ - {\pmb{16}}}$ $f_8$ 标准差 $ 6.98 \times 10^{ - 7} $ $ 1.54\times10^{ - 6} $ $ 1.85 \times 10^{ - 15} $ $ 2.16 \times 10^{-15} $ $ 9.93 \times 10^{ - 16} $ 0 0 0 排名 8 7 5 6 4 1 1 1 平均值 $ 6.60 \times 10^{ - 11} $ $2.33\times10^{ - 1} $ $ 2.44 \times 10^{ - 16} $ $ 6.21 \times 10^{ - 16} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_9$ 标准差 $ 1.32 \times 10^{ - 11} $ $ 1.30\times10^{ - 1} $ $ 1.45 \times 10^{ - 16} $ $ 9.63\times 10^{ - 16} $ 0 0 0 0 排名 7 8 5 6 1 1 1 1 平均值 $ 9.71 \times 10^{ - 6} $ $6.32\times 10^{ - 5} $ $ 9.53 \times 10^{ 0} $ $ 1.35\times 10^{ - 6} $ $ 2.21 \times 10^{ - 61} $ $ 7.28 \times 10^{ - 262} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_{10}$ 标准差 $ 2.94 \times 10^{ - 6} $ $ 7.25\times10^{ - 5} $ $ 7.79 \times 10^{ 0} $ $ 2.42 \times 10^{ -6} $ $ 2.97 \times 10^{ - 61} $ 0 0 0 排名 6 7 8 5 4 3 1 1 平均值 $ 4.59 \times 10^{ - 5} $ $1.19\times 10^{ 1} $ $ 2.38 \times 10^{ - 49} $ $ 4.58\times 10^{ - 15} $ $ 2.62 \times 10^{ - 120} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_{11}$ 标准差 $ 4.27 \times 10^{ - 5} $ $ 8.43\times10^{ 0} $ $ 3.10 \times 10^{ - 49} $ $ 6.63 \times 10^{ -15} $ $ 3.04\times 10^{ - 120} $ 0 0 0 排名 7 8 5 6 4 1 1 1 平均值 $ 1.49 \times 10^{ - 1} $ $1.53\times 10^{ 1} $ $ 3.51 \times 10^{ - 15} $ $ 8.06\times 10^{ - 2} $ $ 2.08 \times 10^{ - 28} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $ {\pmb{0}} $ $f_{12}$ 标准差 $ 5.87 \times 10^{ - 3} $ $ 6.60\times10^{ 0} $ $ 2.45 \times 10^{ - 15} $ $ 1.85 \times 10^{ -2} $ $ 1.35 \times 10^{ - 28} $ 0 0 0 排名 7 8 5 6 4 1 1 1 平均排名 6.6667 7.4167 5.1667 5.7500 3.7500 1.9167 1.5000 1.4167 最终排名 7 8 5 6 4 3 2 1
下载: 导出CSV
表 4 LIL-GWO与其他7种算法的统计检验结果比较
Table 4 Statistical test results of LIL-GWO and other seven algorithms
算法 $ {\rm{R}}^ +$ $ {\rm{R}}^ -$ $p$-value $\alpha = 0.05$ $\alpha = 0.1$ LIL-GWO versus CMA-ES 67.0 11.0 $ 2.8848 \times 10^{ - 4} $ Yes Yes LIL-GWO versus IPSO 78.0 0.0 $ 4.5561 \times 10^{ - 4} $ Yes Yes LIL-GWO versus ODE 67.0 11.0 $ 1.3461 \times 10^{ - 3} $ Yes Yes LIL-GWO versus GABC 66.0 12.0 $ 7.0988 \times 10^{ - 4} $ Yes Yes LIL-GWO versus ETLBO 62.0 16.0 $ 5.7382 \times 10^{ - 3} $ Yes Yes LIL-GWO versus IWOA 40.0 38.0 $ 3.1412 \times 10^{ - 1} $ No No LIL-GWO versus ISCA 39.5 38.5 $ 9.8936 \times 10^{ - 1} $ No No
下载: 导出CSV
表 5 两种算法对12个函数的实验结果比较
Table 5 Experimental results of two algorithms for functions
函数 OBL-GWO LIBL-GWO 平均值 标准差 平均值 标准差 $f_{1}$ $ 2.37 \times 10^{ - 35} $ $ 3.66 \times 10^{ - 35} $ 0 0 $f_{2}$ $ 1.27 \times 10^{ - 18} $ $ 7.90 \times 10^{ - 19} $ 0 0 $f_{3}$ $ 2.50 \times 10^{ - 33} $ $ 4.36 \times 10^{ - 33} $ 0 0 $f_{4}$ $ {\bf{2.87 \times 10}}^{\pmb{1}}$ $ 1.55 \times 10^{ - 1} $ $ 2.89 \times 10^{ 1} $ $ 5.83 \times 10^{ - 2} $ $f_{5}$ $ 1.16 \times 10^{ - 145} $ $ 1.60 \times 10^{ - 145} $ 0 0 $f_{6}$ $ 1.46 \times 10^{ - 28} $ $ 2.05 \times 10^{ - 28} $ 0 0 $f_{7}$ 0 0 0 0 $f_{8}$ $ 4.44 \times 10^{ - 15} $ 0 $ {\pmb{8.88 \times10}}^{\bf{-16}} $ 0 $f_{9}$ 0 0 0 0 $f_{10}$ $ 5.91 \times 10^{ - 19} $ $ 8.32 \times 10^{ - 19} $ 0 0 $f_{11}$ $ 2.90 \times 10^{ - 34} $ $ 5.73 \times 10^{ - 34} $ 0 0 $f_{12}$ $ 1.68 \times 10^{ - 8} $ $ 1.46 \times 10^{ - 8} $ 0 0
下载: 导出CSV
表 6 8种算法对CEC2014测试集30个函数的实验结果比较
Table 6 Comparisons of eight algorithms for 30 test functions from CEC 2014
函数 统计结果 HS-SA PBA CoDE MoABC DGS-TLBO HSCA LM-BBO LIL-GWO 平均误差 $ 1.16 \times 10^{ 7} $ $3.50\times 10^{ 7} $ $ 1.21 \times 10^{ 7} $ $ 2.81 \times 10^{7} $ $ 1.04 \times 10^{ 7} $ $ 3.50 \times 10^{ 7} $ ${\bf{1.01 \times 10}}^{\bf{7}} $ $ 2.59 \times 10^{ 7} $ F1 标准差 $ 7.89 \times 10^{ 4} $ $2.16 \times 10^{ 7} $ $ 4.48 \times 10^{ 6} $ $ 1.01\times 10^{ 7} $ $ 8.61 \times 10^{ 6} $ $ 2.49 \times 10^{ 7} $ $ 3.81 \times 10^{ 6} $ $ 4.30 \times 10^{ 6} $ 排名 3 7 4 6 2 7 1 3 平均误差 $ {\bf{1.38 \times 10}}^{\bf{4}} $ $ 3.05\times 10^{ 8} $ $ 1.89 \times 10^{ 7} $ $ 2.88\times10^{ 4} $ $ 4.59 \times 10^{ 6} $ $ 1.95 \times 10^{ 7} $ $ 5.34 \times 10^{ 4} $ $ 1.02 \times 10^{ 7} $ F2 标准差 $ 1.34 \times 10^{ 4} $ $ 1.89\times10^{ 8} $ $ 9.45 \times 10^{ 6} $ $ 4.11 \times 10^{ 4} $ $ 1.11 \times 10^{ 7} $ $ 5.49 \times 10^{ 7} $ $ 2.14 \times 10^{4} $ $ 2.71 \times 10^{ 6} $ 排名 1 8 6 2 4 7 3 5 平均误差 $ 6.31 \times 10^{ 3} $ $ 6.97\times10^{ 3} $ $ 4.16 \times 10^{ 3} $ $ 1.06 \times 10^{ 4} $ $ {\bf{1.44 \times 10}}^{\bf{1}} $ $ 3.10 \times 10^{ 4} $ $ 1.64 \times 10^{ 4} $ $ 2.24 \times 10^{ 4} $ F3 标准差 $ 6.06 \times 10^{ 3} $ $ 3.96\times10^{3} $ $ 1.89 \times 10^{ 3} $ $ 3.66 \times 10^{ 3} $ $ 1.68 \times 10^{ 1} $ $ 1.36 \times 10^{ 4} $ $ 1.71 \times 10^{ 4} $ $ 2.72 \times 10^{ 4} $ 排名 3 4 2 5 1 8 6 7 平均误差 $ 1.11 \times 10^{ 2}$ $ 5.78 \times10^{ 2} $ $ 1.44 \times 10^{ 2} $ $ 1.59 \times 10^{ 2} $ $ 1.46 \times 10^{ 2} $ $ 2.03 \times 10^{ 2} $ $ {\bf{9.99 \times 10}}^{\bf{1}}$ $ 2.38 \times 10^{ 2} $ F4 标准差 $ 4.01 \times 10^{ 1} $ $ 3.62\times10^{ 1} $ $ 1.55 \times 10^{ 1} $ $ 2.76\times 10^{ 1} $ $ 3.78 \times 10^{ 1} $ $ 6.69 \times 10^{ 1} $ $ 2.85 \times 10^{ 1} $ $ 4.57 \times 10^{ 1} $ 排名 2 8 3 5 4 6 1 7 平均误差 $ 2.00 \times 10^{ 1} $ $ 5.21\times10^{ 2} $ $ 2.10 \times 10^{ 1} $ $ 2.04\times 10^{ 1} $ $ 2.10 \times 10^{ 1} $ $ 2.00 \times 10^{ 1} $ $ {\bf{3.06 \times 10}}^{\bf{0}}$ $ 2.04 \times 10^{ 1} $ F5 标准差 $ 3.01 \times 10^{ - 4} $ $ 5.26\times10^{ - 2} $ $ 6.56 \times 10^{ - 2} $ $ 3.53 \times 10^{- 2} $ $ 4.34 \times 10^{ - 2} $ $ 2.28 \times 10^{ - 3} $ $ 7.87 \times 10^{ - 1} $ $ 6.42 \times 10^{ - 2} $ 排名 2 8 6 4 6 2 1 4 平均误差 $ 1.31 \times 10^{ 1} $ $ 6.16\times10^{ 2} $ $ 5.57 \times 10^{ 1} $ $ 3.78 \times 10^{1} $ $ 1.67 \times 10^{ 1} $ $ 3.23 \times 10^{ 1} $ $ 1.69 \times 10^{ 1} $ $ {\bf{1.25 \times 10}}^{\bf{1}} $ F6 标准差 $ 2.12 \times 10^{ 0} $ $ 2.40\times10^{ 0} $ $ 2.67 \times 10^{ 0} $ $ 2.65 \times 10^{ 0} $ $ 3.45 \times 10^{0} $ $ 3.27 \times 10^{0} $ $ 3.12 \times 10^{0} $ $ 2.10 \times 10^{0} $ 排名 2 8 7 6 3 5 4 1 平均误差 $ {\bf{1.52 \times 10}}^{\bf{-2}} $ $ 7.04 \times10^{ 2} $ $ 1.20 \times 10^{ 0} $ $ 5.72 \times 10^{ -1} $ $ 1.01 \times 10^{ 0} $ $ 1.79 \times 10^{ 0} $ $ 1.76 \times 10^{ -1} $ $ 7.66 \times 10^{ 0} $ F7 标准差 $ 1.63 \times 10^{ -2} $ $ 1.72 \times 10^{ 0} $ $ 7.20 \times 10^{ - 2} $ $1.36 \times 10^{ - 1} $ $ 1.50 \times 10^{ 0} $ $ 2.19 \times 10^{ 0} $ $ 8.56 \times 10^{ -2} $ $ 4.50 \times 10^{ 0} $ 排名 1 8 5 3 4 6 2 7 平均误差 $ {\bf{4.10 \times 10}}^{\bf{-5}} $ $ 8.56\times 10^{ 2} $ $ 2.30 \times 10^{ 2} $ $ 1.26\times 10^{ 1} $ $ 7.67 \times 10^{ 1} $ $ 1.71 \times10^{2} $ $ 5.53 \times 10^{ 1} $ $ 3.49 \times 10^{ 1} $ F8 标准差 $ 8.13 \times 10^{ - 6} $ $ 1.48\times10^{ 1} $ $ 1.45 \times 10^{ 1} $ $ 1.74 \times 10^{ 0} $ $ 2.45 \times 10^{ 1} $ $ 3.46 \times 10^{ 1} $ $ 3.78 \times 10^{ 2} $ $ 1.20 \times 10^{ 1} $ 排名 1 8 7 2 5 6 4 3 平均误差 $ 6.71 \times 10^{ 1} $ $ 1.01\times10^{ 3} $ $ 3.80 \times 10^{ 2} $ $ 2.58 \times 10^{ 2} $ $ 9.84 \times 10^{ 1} $ $ 2.80 \times 10^{ 2} $ $ 7.66 \times 10^{ 1} $ $ {\bf{6.02 \times 10}}^{\bf{1}} $ F9 标准差 $ 1.52 \times 10^{ 1} $ $ 1.33\times10^{1} $ $ 1.89\times 10^{ 1} $ $ 2.83\times 10^{ 1} $ $ 3.08\times 10^{ 1} $ $ 5.16\times 10^{ 1} $ $ 1.61\times 10^{ 1} $ $ 8.59\times 10^{ 0} $ 排名 2 8 7 5 4 6 3 1 平均误差 $ {\bf{2.01 \times 10}}^{\bf{-1}} $ $ 1.89\times 10^{ 3} $ $ 7.26 \times 10^{ 3} $ $ 2.29\times 10^{ 2} $ $ 2.39 \times 10^{ 3} $ $ 2.66 \times 10^{ 3} $ $ 1.26 \times 10^{ 4} $ $ 1.72 \times 10^{ 3} $ F10 标准差 $ 4.66 \times 10^{ - 2} $ $ 3.68\times10^{ 2} $ $ 3.84 \times 10^{ 2} $ $ 1.07 \times 10^{ 2} $ $ 4.71 \times 10^{2} $ $ 5.34 \times 10^{2} $ $ 1.16 \times 10^{4} $ $ 1.81 \times 10^{2} $ 排名 1 4 7 2 5 6 8 3 平均误差 $ {\bf{1.99 \times 10}}^{\bf{3}} $ $ 4.49\times 10^{ 3} $ $ 1.21 \times 10^{ 4} $ $ 5.74\times 10^{ 3} $ $ 3.93 \times 10^{ 3} $ $ 4.13 \times 10^{ 3} $ $ 1.23 \times 10^{4} $ $ 2.64 \times 10^{ 3} $ F11 标准差 $ 4.34 \times 10^{ 2} $ $ 5.35\times10^{ 2} $ $ 4.27 \times 10^{ 2} $ $ 3.27 \times 10^{ 2} $ $ 5.45\times 10^{ 2} $ $ 5.35\times 10^{ 2} $ $ 3.42\times 10^{ 2} $ $ 3.12\times 10^{ 2} $ 排名 1 5 7 6 3 4 8 2 平均误差 $ 2.46 \times 10^{ - 2} $ $1.20\times 10^{ 3} $ $ 2.47 \times 10^{ 0} $ $ 4.71\times 10^{ - 1} $ $ 2.75 \times 10^{ 0} $ $ 5.11 \times 10^{ - 1} $ $ {\bf{1.11 \times 10}}^{\bf{-2}} $ $ 3.20 \times 10^{ - 1} $ F12 标准差 $ 1.26 \times 10^{ - 2} $ $ 1.43\times10^{ -1} $ $ 2.74 \times 10^{ - 1} $ $ 5.73 \times 10^{ -2} $ $ 2.62 \times 10^{ - 1} $ $ 2.56 \times 10^{ - 1} $ $ 1.75 \times 10^{ - 18} $ $ 3.19 \times 10^{ - 1} $ 排名 2 8 6 5 7 4 1 3 平均误差 $ 5.24 \times 10^{ - 1} $ $1.30\times 10^{ 3} $ $ 6.53 \times 10^{ -1} $ $ 4.51\times 10^{ - 1} $ $ 4.71 \times 10^{ -1} $ $ 4.81 \times 10^{ - 1} $ $ 6.55 \times 10^{ - 1} $ $ {\bf{3.40 \times 10}}^{\bf{-1}} $ F13 标准差 $ 1.04 \times 10^{ - 1} $ $ 9.49\times10^{ -2} $ $ 6.56 \times 10^{ - 2} $ $ 4.11 \times 10^{ -2} $ $ 1.31 \times 10^{ - 1} $ $ 1.17 \times 10^{ - 1} $ $ 1.56 \times 10^{ - 1} $ $ 5.48 \times 10^{ - 2} $ 排名 5 8 6 2 3 4 7 1 平均误差 $ 4.15 \times 10^{ - 1} $ $1.40\times 10^{ 3} $ $ 4.31 \times 10^{ -1} $ $ 2.98\times 10^{ - 1} $ $ {\bf{2.88 \times 10}}^{\bf{-1}} $ $ 3.08 \times 10^{ - 1} $ $ 6.20 \times 10^{ - 1} $ $ 4.10 \times 10^{ - 1} $ F14 标准差 $ 2.29 \times 10^{ - 1} $ $ 4.57\times10^{ -2} $ $ 8.50 \times 10^{ - 2} $ $ 2.50 \times 10^{ -2} $ $ 4.92 \times 10^{ - 2} $ $ 5.64 \times 10^{ - 2} $ $ 2.96 \times 10^{ - 1} $ $ 2.68 \times 10^{ - 2} $ 排名 5 8 6 2 1 3 7 4 平均误差 $ 1.64 \times 10^{ 1} $ $ 1.52\times10^{ 3} $ $ 3.78 \times 10^{ 1} $ $ 3.14\times 10^{ 1} $ $ 3.75 \times 10^{ 1} $ $ 9.80 \times 10^{ 1} $ $ 1.55 \times 10^{ 1} $ $ {\bf{1.68 \times 10}}^{\bf{0}} $ F15 标准差 $ 1.17 \times 10^{ 1} $ $ 3.36\times10^{ 0} $ $ 2.26 \times 10^{ 0} $ $ 6.02 \times 10^{ 0} $ $ 2.19 \times 10^{ 1} $ $ 3.02 \times 10^{ 1} $ $ 5.50 \times 10^{ 0} $ $ 4.92 \times 10^{ - 1} $ 排名 3 8 6 4 5 7 2 1 平均误差 $ 1.42 \times 10^{ 1} $ $ 1.63\times10^{ 3} $ $ 2.28 \times 10^{ 1} $ $ 1.97\times 10^{ 1} $ $ 1.11 \times 10^{ 1} $ $ 1.27 \times 10^{ 1} $ $ 1.08 \times 10^{ 1} $ $ {\bf{1.03 \times 10}}^{\bf{1}} $ F16 标准差 $ 7.83 \times 10^{ - 1} $ $ 3.78\times10^{ - 1} $ $ 3.26 \times 10^{ - 1} $ $ 4.02 \times 10^{ - 1} $ $ 6.62 \times 10^{ - 1} $ $ 5.01 \times 10^{ - 1} $ $ 5.84 \times 10^{ -1 } $ $ 9.04 \times 10^{ - 1} $ 排名 5 8 7 6 3 4 2 1 平均误差 $ 2.09 \times 10^{ 6} $ $ 3.40\times10^{ 6} $ $ 1.81 \times 10^{ 5} $ $ 1.01\times 10^{ 7} $ $ {\bf{1.67 \times 10}}^{\bf{5}} $ $ 1.48 \times 10^{ 6} $ $ 1.46 \times 10^{ 6} $ $ 1.29 \times 10^{ 6} $ F17 标准差 $ 1.31 \times 10^{ 6} $ $ 2.12\times10^{ 6} $ $ 1.24 \times 10^{ 5} $ $ 4.96 \times 10^{ 6} $ $ 2.13 \times 10^{ 5} $ $ 1.21 \times 10^{ 6} $ $ 9.34 \times 10^{ 5} $ $ 1.23 \times 10^{ 6} $ 排名 6 7 2 8 1 5 4 3 平均误差 $ 6.16 \times 10^{ 3} $ $ 1.70\times10^{ 6} $ $ 3.62 \times 10^{ 3} $ $ 9.92\times 10^{ 3} $ $ {\bf{8.71 \times 10}}^{\bf{2}} $ $ 7.67 \times 10^{ 3} $ $ 2.90 \times 10^{ 3} $ $ 4.07 \times 10^{ 5} $ F18 标准差 $ 6.22 \times 10^{ 3} $ $ 1.06\times10^{ 6} $ $ 2.31 \times 10^{ 3} $ $ 9.94 \times 10^{ 3} $ $ 1.02 \times 10^{ 3} $ $ 6.70 \times 10^{ 3} $ $ 4.27 \times 10^{ 3} $ $ 7.27 \times 10^{ 5} $ 排名 4 8 3 6 1 5 2 7 平均误差 $ 1.89 \times 10^{ 1} $ $ 1.91\times10^{ 3} $ $ 3.62 \times 10^{ 1} $ $ 3.33\times 10^{ 1} $ $ 2.71 \times 10^{ 1} $ $ 5.33 \times 10^{ 1} $ $ 5.19 \times 10^{ 3} $ $ {\bf{1.84 \times 10}}^{\bf{1}} $ F19 标准差 $ 2.46 \times 10^{ 1} $ $ 5.23\times10^{ 0} $ $ 1.08 \times 10^{ 1} $ $ 1.06 \times 10^{ 1} $ $ 2.86 \times 10^{ 1} $ $ 3.63 \times 10^{ 1} $ $ 5.67 \times 10^{ 3} $ $ 3.78 \times 10^{ 0} $ 排名 2 7 5 4 3 6 8 1 平均误差 $ 6.77 \times 10^{ 3} $ $8.77\times 10^{ 3} $ $ 5.04 \times 10^{ 2} $ $ 3.96\times 10^{ 4} $ $ {\bf{4.28 \times 10}}^{\bf{2}} $ $ 3.93 \times 10^{ 4} $ $ 2.61 \times 10^{ 4} $ $ 1.76 \times 10^{ 4} $ F20 标准差 $ 5.09 \times 10^{ 3} $ $ 4.31\times10^{ 3} $ $ 3.17 \times 10^{ 2} $ $ 1.29 \times 10^{ 4} $ $ 1.77 \times 10^{2} $ $ 2.20 \times 10^{4} $ $ 1.56 \times 10^{4} $ $ 9.12 \times 10^{3} $ 排名 3 4 2 8 1 7 6 5 平均误差 $ 5.27 \times 10^{ 5} $ $ 4.39\times10^{ 5} $ $ {\bf{2.12 \times 10}}^{\bf{4}} $ $ 7.30\times 10^{ 6} $ $ 2.20 \times 10^{ 4} $ $ 3.54 \times 10^{ 5} $ $ 1.11 \times 10^{6} $ $ 3.27 \times 10^{ 5} $ F21 标准差 $ 3.59 \times 10^{ 5} $ $ 3.40\times10^{ 5} $ $ 1.61 \times 10^{ 4} $ $ 4.36 \times 10^{ 6} $ $ 2.22\times 10^{ 4} $ $ 3.48\times 10^{ 5} $ $ 7.95\times 10^{ 5} $ $ 2.86\times 10^{ 5} $ 排名 6 5 1 8 2 4 7 3 平均误差 $ 4.88 \times 10^{2} $ $ 2.53\times10^{ 3} $ $ 1.44 \times 10^{ 3} $ $ 1.14\times 10^{ 3} $ $ {\bf{3.14 \times 10}}^{\bf{2}} $ $ 9.47 \times 10^{ 2} $ $ 1.88 \times 10^{ 3} $ $ 1.69 \times 10^{ 3} $ F22 标准差 $ 9.15 \times 10^{ 1} $ $ 1.08\times10^{ 2} $ $ 1.59 \times 10^{ 2} $ $ 1.89 \times 10^{2} $ $ 1.41 \times 10^{ 2} $ $ 3.31 \times 10^{ 2} $ $ 2.04 \times 10^{ 2} $ $ 2.13 \times 10^{ 2} $ 排名 2 8 5 4 1 3 7 6 平均误差 $ 3.16 \times 10^{ 2} $ $2.60\times 10^{ 3} $ $ 3.55 \times 10^{ 2} $ $ 3.57\times 10^{ 2} $ $ 3.15 \times 10^{ 2} $ $ 3.29 \times 10^{ 2} $ $ 4.11 \times 10^{ 2} $ $ {\bf{2.00 \times 10}}^{\bf{2}} $ F23 标准差 $ 5.74 \times 10^{ - 1} $ $ 3.88\times10^{ 1} $ $ 1.77 \times 10^{ - 1} $ $ 7.30 \times 10^{ 0} $ $ 4.43 \times 10^{ - 1} $ $ 7.51 \times 10^{ 0} $ $ 6.43 \times 10^{ 1} $ 0 排名 3 8 5 6 2 4 7 1 平均误差 $ 2.31 \times 10^{ 2} $ $2.61\times 10^{ 3} $ $ 2.83 \times 10^{ 2} $ $ 2.71\times 10^{ 2} $ $ {\bf{2.00 \times 10}}^{\bf{2}} $ $ 2.78 \times 10^{ 2} $ $ 1.48 \times 10^{ 4} $ $ {\bf{2.00 \times 10}}^{\bf{2}} $ F24 标准差 $ 5.17 \times 10^{ 0} $ $ 3.98\times10^{ 0} $ $ 1.80 \times 10^{ 0} $ $ 1.78 \times 10^{ 0} $ $ 9.68 \times 10^{ - 4} $ $ 3.11 \times 10^{ 1} $ $ 8.37 \times 10^{ 3} $ 0 排名 3 7 6 4 1 5 8 1 平均误差 $ 2.05 \times 10^{ 2} $ $ 2.70\times10^{ 3} $ $ 2.18 \times 10^{ 2} $ $ 2.22\times 10^{ 2} $ $ 2.02 \times 10^{ 2} $ $ 2.23 \times 10^{ 2} $ $ 5.29 \times 10^{ 2} $ $ {\bf{2.00 \times 10}}^{\bf{2}} $ F25 标准差 $ 1.51 \times 10^{ 0} $ $ 1.41\times10^{ 0} $ $ 1.94 \times 10^{ 0} $ $ 2.80 \times 10^{ 0} $ $ 3.62 \times 10^{ 2} $ $ 9.39 \times 10^{ 0} $ $ 4.37 \times 10^{ 1} $ 0 排名 3 8 6 4 5 7 2 1 平均误差 $ 1.38 \times 10^{2} $ $ 2.70\times10^{ 3} $ $ 1.04 \times 10^{ 2} $ $ 1.01\times 10^{ 2} $ $ 1.10 \times 10^{ 2} $ $ 1.00 \times 10^{ 2} $ $ {\bf{2.13 \times 10}}^{\bf{0}} $ $ 1.00 \times 10^{ 2} $ F26 标准差 $ 4.84 \times 10^{ 1} $ $ 1.93\times10^{ 1} $ $ 1.82 \times 10^{ 1} $ $ 6.75 \times 10^{ - 2} $ $ 3.15 \times 10^{ 1} $ $ 1.63 \times 10^{ - 1} $ $ 3.46 \times 10^{ 0 } $ 0 排名 5 8 7 6 3 4 2 1 平均误差 $ 6.69 \times 10^{ 2} $ $ 3.14\times10^{ 3} $ $ 1.28 \times 10^{ 3} $ $ 1.08\times 10^{ 3} $ $ 7.94 \times 10^{ 2} $ $ 4.27 \times 10^{ 2} $ $ {\bf{1.96 \times 10}}^{\bf{2}} $ $ 2.00 \times 10^{ 2} $ F27 标准差 $ 1.63 \times 10^{ 2} $ $ 6.53\times10^{ 1} $ $ 1.47 \times 10^{ 2} $ $ 3.78 \times 10^{ 2} $ $ 2.15 \times 10^{ 2} $ $ 1.96 \times 10^{ 1} $ $ 1.04 \times 10^{ 2} $ 0 排名 4 8 7 6 5 3 1 2 平均误差 $ 1.03 \times 10^{ 3} $ $ 3.90\times10^{ 3} $ $ 1.92 \times 10^{ 3} $ $ 2.15 \times 10^{ 3} $ $ 1.43 \times 10^{ 3} $ $ 3.49 \times 10^{ 3} $ $ 1.94 \times 10^{ 3} $ $ {\bf{2.00 \times 10}}^{\bf{2}} $ F28 标准差 $ 1.21 \times 10^{ 2} $ $ 2.16\times10^{ 2} $ $ 1.26 \times 10^{ 2} $ $ 3.42 \times 10^{ 2} $ $ 4.37 \times 10^{ 2} $ $ 5.48 \times 10^{ 2} $ $ 5.49 \times 10^{ 2} $ 0 排名 2 8 4 6 3 7 5 1 平均误差 $ 1.40 \times 10^{ 3} $ $ 3.59\times10^{ 4} $ $ 2.00 \times 10^{ 4} $ $ 3.32\times 10^{ 3} $ $ 3.08 \times 10^{ 6} $ $ 5.44 \times 10^{ 5} $ $ 1.98 \times 10^{ 7} $ $ {\bf{2.00 \times 10}}^{\bf{2}} $ F29 标准差 $ 4.27 \times 10^{ 2} $ $ 1.64\times10^{ 5} $ $ 7.15 \times 10^{ 3} $ $ 1.46 \times 10^{ 3} $ $ 4.99 \times 10^{ 6} $ $ 2.61 \times 10^{ 6} $ $ 3.96 \times 10^{ 6} $ 0 排名 2 5 4 3 7 6 8 1 平均误差 $ 4.63 \times 10^{ 3} $ $ 1.55\times10^{ 4} $ $ 1.97 \times 10^{ 4} $ $ 1.61\times 10^{ 4} $ $ 6.47 \times 10^{ 3} $ $ 2.49 \times 10^{ 4} $ $ 6.96 \times 10^{ 6} $ $ {\bf{2.00 \times 10}}^{\bf{2}} $ F30 标准差 $ 2.32 \times 10^{3} $ $ 4.24\times10^{ 3} $ $ 2.00 \times 10^{ 3} $ $ 4.10 \times 10^{ 3} $ $ 3.43 \times 10^{3} $ $ 2.26 \times 10^{4} $ $ 1.03 \times 10^{7} $ 0 排名 2 4 6 5 3 7 8 1 平均排名 2.9333 7.0333 5.0333 4.7333 3.2667 5.1667 4.6333 3.0000 最终排名 1 8 6 5 3 7 4 2
下载: 导出CSV
表 7 不同算法对单二极管模型的最优辨识参数比较
Table 7 Comparison among different algorithms on single diode model
算法 $ I_{ph} $ (A) $ I_{sd}\, (\mu$A) $R_S\, (\Omega)$ $R_{sh}\, (\Omega)$ $n$ RMSE BSA 0.7609 0.37749 0.0358 56.5266 1.4970 $ 1.0398 \times 10^{ - 3}$ IBSA 0.7607 0.35502 0.0361 58.2012 1.4907 $ 1.0092 \times 10^{ - 3}$ LBSA 0.7606 0.34618 0.0362 59.0978 1.4881 $ 1.0143 \times 10^{ - 3}$ CLPSO 0.7608 0.34302 0.0361 54.1965 1.4873 $ 9.9633 \times 10^{ - 3}$ BLPSO 0.7607 0.36620 0.0359 60.2845 1.4939 $ 1.0272 \times 10^{ - 3}$ DE-BBO 0.7605 0.32477 0.0364 55.2627 1.4817 $ 9.9922 \times 10^{ - 4}$ GOTLBO 0.7608 0.32970 0.0363 53.3664 1.4833 $ 9.8856 \times 10^{ - 3}$ LIL-GWO 0.7608 0.32363 0.0364 53.7967 1.4814 $ 9.8604 \times 10^{ - 4}$
下载: 导出CSV
-
[1] 吕柏权, 张静静, 李占培, 刘廷章.基于变换函数与填充函数的模糊粒子群优化算法.自动化学报, 2018, 44(1): 74-86 doi: 10.16383/j.aas.2018.c160547Lv Bai-Quan, Zhang Jing-Jing, Li Zhan-Pei, Liu Ting-Zhang. Fuzzy partical swarm optimization based on filled function and transformation function. Acta Automatica Sinica, 2018, 44(1): 74-86 doi: 10.16383/j.aas.2018.c160547 [2] Gao W F, Liu S Y, Huang L L. A novel artificial bee colony algorithm based on modified search equation and orthogonal learning. IEEE Transactions on Cybernetics, 2013, 43(3): 1011-1024 doi: 10.1109/TSMCB.2012.2222373 [3] 肖辉辉, 万常选, 段艳明, 谭黔林.基于引力搜索机制的花朵授粉算法.自动化学报, 2017, 43(4): 576-594 doi: 10.16383/j.aas.2017.c160146Xiao Hui-Hui, Wan Chang-Xuan, Duan Yan-Ming, Tan Qian-Lin. Flower pollination algorithm based on gravity search mechanism. Acta Automatica Sinica, 2017, 43(4): 576-594 doi: 10.16383/j.aas.2017.c160146 [4] 周晓根, 张贵军, 郝小虎.局部抽象凸区域剖分差分进化算法.自动化学报, 2015, 41(7): 1315-1327 doi: 10.16383/j.aas.2015.c140680Zhou Xiao-Gen, Zhang Gui-Jun, Hao Xiao-Hu. Differential evolution algorithm with local abstract convex region partition. Acta Automatica Sinica, 2015, 41(7): 1315-1327 doi: 10.16383/j.aas.2015.c140680 [5] Rakhshani H, Rahati A. Snap-drift cuckoo search: A novel cuckoo search optimization algorithm. Applied Soft Computing, 2017, 52: 771-794 doi: 10.1016/j.asoc.2016.09.048 [6] Mirjalili S, Lewis A. The whale optimization algorithm. Advances in Engineering Software, 2016, 95: 51-67 doi: 10.1016/j.advengsoft.2016.01.008 [7] Mirjalili S, Mirjalili S M, Lewis A. Grey wolf optimizer. Advances in Engineering Software, 2014, 69: 46-61 doi: 10.1016/j.advengsoft.2013.12.007 [8] Nuaekaew K, Artrit P, Pholdee N, Bureerat S. Optimal reactive power dispatch problem using a two-archive multi-objective grey wolf optimizer. Expert Systems with Applications, 2017, 87: 79-89 doi: 10.1016/j.eswa.2017.06.009 [9] Precup R E, David R C, Petriu E M. Grey wolf optimizer algorithm-based tuning of fuzzy control systems with reduced parametric sensitivity. IEEE Transactions on Industrial Electronics, 2017, 64(1): 527-534 doi: 10.1109/TIE.2016.2607698 [10] Martin B, Marot J, Bourennane S. Mixed grey wolf optimizer for the joint denoising and unmixing of multispectral images. Applied Soft Computing, 2019, 74: 385-410 doi: 10.1016/j.asoc.2018.10.019 [11] Saxena A, Kumar R, Das S. β-chaotic map enabled grey wolf optimizer. Applied Soft Computing, 2019, 75: 84-105 doi: 10.1016/j.asoc.2018.10.044 [12] Medjahed S A, Ait Saadi T, Benyettou A, Ouali M. Gray wolf optimizer for hyperspectral band selection. Applied Soft Computing, 2016, 40: 178-186 doi: 10.1016/j.asoc.2015.09.045 [13] 姚鹏, 王宏伦.基于改进流体扰动算法与灰狼优化的无人机三维航路规划.控制与决策, 2016, 31(4): 701-708 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=kzyjc201604019Yao Peng, Wang Hong-Lun. Three-dimensional path planning for UAV based on improved interfered fluid dynamical system and grey wolf optimizer. Control and Decision, 2016, 31(4): 701-708 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=kzyjc201604019 [14] Mittal N, Singh U, Sohi B S. Modified grey wolf optimizer for global engineering optimization. Applied Computational Intelligence and Soft Computing, 2016, 2016: 7950348 http://smartsearch.nstl.gov.cn/paper_detail.html?id=800e2270dd2a1b4fd9717838002592b1 [15] Rodríguez L, Castillo O, Soria J. Grey wolf optimizer with dynamic adaptation of parameters using fuzzy logic. In: Proceedings of the 2016 IEEE Congress on Evolutionary Computation. Vancouver, Canada: IEEE, 2016. 3116-3123 [16] Long W, Jiao J J, Liang X M, Tang M Z. Inspired grey wolf optimizer for solving large-scale function optimization problems. Applied Mathematical Modelling, 2018, 60: 112-126 doi: 10.1016/j.apm.2018.03.005 [17] 魏政磊, 赵辉, 李牧东, 王渊, 柯益明.控制参数值非线性调整策略的灰狼优化算法.空军工程大学学报(自然科学版), 2016, 17(3): 68-72 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=kjgcdxxb201603013Wei Zheng-Lei, Zhao Hui, Li Mu-Dong, Wang Yuan, Ke Yi-Ming. A grey wolf optimization algorithm based on nonlinear adjustment strategy of control parameter. Journal of Air Force Engineering University (Natural Science Edition), 2016, 17(3): 68-72 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=kjgcdxxb201603013 [18] Long W, Jiao J J, Liang X M, Tang M Z. An exploration-enhanced grey wolf optimizer to solve high-dimensional numerical optimization. Engineering Applications of Artificial Intelligence, 2018, 68: 63-80 doi: 10.1016/j.engappai.2017.10.024 [19] Rodríguez L, Castillo O, Soria J, Melin P, Valdez F, Gonzalez C I, et al. A fuzzy hierarchical operator in the grey wolf optimizer algorithm. Applied Soft Computing, 2017, 57: 315-328 doi: 10.1016/j.asoc.2017.03.048 [20] Jaiswal K, Mittal H, Kukreja S. Randomized grey wolf optimizer (RGWO) with randomly weighted coefficients. In: Proceedings of the 10th International Conference on Contemporary Computing. Noida, India: IEEE, 2017. 1-3 [21] Malik M R S, Mohideen E R, Ali L. Weighted distance grey wolf optimizer for global optimization problems. In: Proceedings of the 2015 IEEE International Conference on Computational Intelligence and Computing Research. Madurai, India: IEEE, 2015. 1-6 [22] 魏政磊, 赵辉, 韩邦杰, 孙楚, 李牧东.具有自适应搜索策略的灰狼优化算法.计算机科学, 2017, 44(3): 259-263 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjkx201703053Wei Zheng-Lei, Zhao Hui, Han Bang-Jie, Sun Chu, Li Mu-Dong. Grey wolf optimization algorithm with self-adaptive searching strategy. Computer Science, 2017, 44(3): 259-263 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjkx201703053 [23] Tawhid M A, Ali A F. A hybrid grey wolf optimizer and genetic algorithm for minimizing potential energy function. Memetic Computing, 2017, 9(4): 347-359 doi: 10.1007/s12293-017-0234-5 [24] Kamboj V K. A novel hybrid PSO-GWO approach for unit commitment problem. Neural Computing and Applications, 2016, 27(6): 1643-1655 doi: 10.1007/s00521-015-1962-4 [25] Arora S, Singh H, Sharma M, Sharma S, Anand P. A new hybrid algorithm based on grey wolf optimization and crow search algorithm for unconstrained function optimization and feature selection. IEEE Access, 2019, 7: 26343-26361 doi: 10.1109/ACCESS.2019.2897325 [26] Daniel E, Anitha J, Gnanaraj J. Optimum Laplacian wavelet mask based medical image using hybrid cuckoo search-grey wolf optimization algorithm. Knowledge-based Systems, 2017, 131: 58-69 doi: 10.1016/j.knosys.2017.05.017 [27] Zhang X M, Kang Q, Cheng J F, Wang X. A novel hybrid algorithm based on biogeography-based optimization and grey wolf optimizer. Applied Soft Computing, 2018, 67: 197-214 doi: 10.1016/j.asoc.2018.02.049 [28] 龙文, 赵东泉, 徐松金.求解约束优化问题的改进灰狼优化算法.计算机应用, 2015, 35(9): 2590-2595 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjyy201509035Long Wen, Zhao Dong-Quan, Xu Song-Jin. Improved grey wolf optimization algorithm for constrained optimization problem. Journal of Computer Applications, 2015, 35(9): 2590-2595 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjyy201509035 [29] Mahdad B, Srairi K. Blackout risk prevention in a smart grid based flexible optimal strategy using grey wolf-pattern search algorithms. Energy Conversion and Management, 2015, 98: 411-429 doi: 10.1016/j.enconman.2015.04.005 [30] Lu C, Gao L, Yi J. Grey wolf optimizer with cellular topological structure. Expert Systems with Applications, 2018, 107: 89-114 doi: 10.1016/j.eswa.2018.04.012 [31] Heidari A A, Pahlavani P. An efficient modified grey wolf optimizer with Lévy flight for optimization tasks. Applied Soft Computing, 2017, 60: 115-134 doi: 10.1016/j.asoc.2017.06.044 [32] Gupta S, Deep K. A novel random walk grey wolf optimizer. Swarm and Evolutionary Computation, 2019, 44: 101-112 doi: 10.1016/j.swevo.2018.01.001 [33] Wolpert D H, Macready W G. No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1997, 1(1): 67-82 doi: 10.1109/4235.585893 [34] Kumar V, Kumar D. An astrophysics-inspired grey wolf algorithm for numerical optimization and its application to engineering design problems. Advances in Engineering Software, 2017, 112: 231-254 doi: 10.1016/j.advengsoft.2017.05.008 [35] Rahnamayan S, Tizhoosh H R, Salama M M A. Opposition-based differential evolution. IEEE Transactions on Evolutionary Computation, 2008, 12(1): 64-79 doi: 10.1109/TEVC.2007.894200 [36] 喻飞, 李元香, 魏波, 徐星, 赵志勇.透镜成像反学习策略在粒子群算法中的应用.电子学报, 2014, 42(2): 230-235 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dianzixb201402004Yu Fei, Li Yuan-Xiang, Wei Bo, Xu Xing, Zhao Zhi-Yong. The application of a novel OBL based on lens imaging principle in PSO. Acta Electronica Sinica, 2014, 42(2): 230-235 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dianzixb201402004 [37] 王晖.区域变换搜索的智能算法研究.[博士学位论文], 武汉大学, 中国, 2011Wang Hui. Research on intelligent algorithms based on region transformation search and its applications[Ph. D. dissertation], Wuhan University, China, 2011 [38] Hansen N, Müller S D, Koumoutsakos P. Reducing the time complexity of the derandomized evolution strategy with covariance matrix adaptation (CMA-ES). Evolutionary Computation, 2004, 11(1): 1-18 http://ieeexplore.ieee.org/document/6790790 [39] Chatterjee A, Siarry P. Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimization. Computer & Operations Research, 2006, 33(3): 859-871 [40] Zhu G P, Kwong S. Gbest-guided artificial bee colony algorithm for numerical function optimization. Applied Mathematics and Computation, 2010, 217(7): 3166-3173 doi: 10.1016/j.amc.2010.08.049 [41] Rao R V, Patel V. An elitist teaching-learning-based optimization algorithm for solving complex constrained optimization problems. Journal of Industrial Engineering Computations, 2012, 3(4): 535-560 doi: 10.5267/j.ijiec.2012.03.007 [42] Hu H, Bai Y, Xu T. Improved whale optimization algorithm based on inertia weights and theirs applications. International Journal of Circuits, Systems and Signal Processing, 2017, 11: 12-26 [43] 徐松金, 龙文.求解高维优化问题的改进正弦余弦算法.计算机应用研究, 2018, 35(9): 2574-2577 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjyyyj201809003Xu Song-Jin, Long Wen. Improved sine cosine algorithm for solving high-dimensional optimization problems. Application Research of Computers, 2018, 35(9): 2574-2577 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjyyyj201809003 [44] Liang J J, Qu B Y, Suganthan P N. Problem Definitions and Evaluation Criteria for the CEC 2014 Special Session and Competition on Single Objective Real-Parameter Numerical Optimization, Technical Report 201311, Nanyang Technological University, Singapore, 2014. [45] Assad A, Deep K. A hybrid harmony search and simulated annealing algorithm for continuous optimization. Information Sciences, 2018, 450: 246-266 doi: 10.1016/j.ins.2018.03.042 [46] Kallioras N A, Lagaros N D, Avtzis D N. Pity beetle algorithm - a new metaheuristic inspired by the behavior of bark beetles. Advances in Engineering Software, 2018, 121: 147-166 doi: 10.1016/j.advengsoft.2018.04.007 [47] Wang Y, Cai Z X, Zhang Q F. Differential evolution with composite trial vector generation strategies and control parameters. IEEE Transactions on Evolutionary Computation, 2011, 15(1): 55-66 doi: 10.1109/TEVC.2010.2087271 [48] Akbari R, Hedayatzadeh R, Ziarati K, Hassanizadeh B. A multi-objective artificial bee colony algorithm. Swarm and Evolutionary Computation, 2012, 2: 39-52 doi: 10.1016/j.swevo.2011.08.001 [49] Zou F, Wang L, Hei X H, Chen D B, Yang D D. Teaching-learning-based optimization with dynamic group strategy for global optimization. Information Sciences, 2014, 273: 112-131 doi: 10.1016/j.ins.2014.03.038 [50] Mlakar U, Fister Jr I, Fister I. Hybrid self-adaptive cuckoo search for global optimization. Swarm and Evolutionary Computation, 2016, 29: 47-72 doi: 10.1016/j.swevo.2016.03.001 [51] Garg V, Deep K. Performance of Laplacian biogeography-based optimization algorithm on CEC 2014 continuous optimization benchmarks and camera calibration problem. Swarm and Evolutionary Computation, 2016, 27: 132-144 doi: 10.1016/j.swevo.2015.10.006 [52] Yu K J, Liang J J, Qu B Y, Cheng Z P, Wang H S. Multiple learning backtracking search algorithm for estimating parameters of photovoltaic models. Applied Energy, 2018, 226: 408-422 doi: 10.1016/j.apenergy.2018.06.010 [53] Easwarakhanthan T, Bottin J, Bouhouch I, Boutrit C. Nonlinear minimization algorithm for determining the solar cell parameters with microcomputers. International Journal of Solar Energy, 1986, 4: 1-12 doi: 10.1080/01425918608909835 期刊类型引用(70)
1. 杜志坚，廖道争，程俊，席磊. 基于改进蜣螂算法的电动汽车有序充电研究. 现代电子技术. 2025(02): 115-123 . 
百度学术2. 王博，李昕涛，王珂，石磊，常达. 改进星鸦优化算法的无刷直流电机控制研究. 微特电机. 2025(01): 53-59 . 百度学术3. 田妍，林浩博，王红斌，方健，何嘉兴. 面向可中断负荷的弹性配电网负荷智能优化模型. 自动化技术与应用. 2024(02): 56-59 . 百度学术4. 黄郑. 基于IAO-ELM的DC-DC电路软故障诊断. 电子质量. 2024(02): 32-39 . 百度学术5. 王瑞，李虹锐，逯静，卜旭辉. 基于VMD-LILGWO-LSSVM短期风电功率预测. 河南理工大学学报(自然科学版). 2024(02): 128-136 . 百度学术6. 刘海峰，万宁坤，苏琨，单保涛，王浩彬. 基于LSSVM的直流电源系统蓄电池剩余容量在线检测. 河北电力技术. 2024(01): 28-33 . 百度学术7. 丁先，李汪繁，徐佳敏，臧剑南，吴何来. 融合多策略改进的灰狼优化算法及其在汽轮机转子应力监测上的应用. 汽轮机技术. 2024(02): 138-144 . 百度学术8. 林彬彬，徐震，袁泉，田志新. 基于ISSA-LSTM的黄鳝池溶氧量多参数预测. 电子科技. 2024(04): 87-96 . 百度学术9. 连浩，周爱红，乐婧瑜. 基于改进麻雀搜索算法和支持向量机的边坡稳定性. 科学技术与工程. 2024(10): 4239-4246 . 百度学术10. 宗轶琦，张昊，许国猛，杨易，罗泽敏. 风雨场中汽车乘员舱气动噪声声品质预测模型研究. 汽车技术. 2024(05): 51-57 . 百度学术11. 肖怡心，刘三阳. 融合模式搜索的蝗虫优化算法及其应用. 西安电子科技大学学报. 2024(02): 137-156 . 百度学术12. 黄琦，陈海洋，刘妍，都威. 基于多策略融合灰狼算法的移动机器人路径规划. 空军工程大学学报. 2024(03): 112-120 . 百度学术13. 赵文虎. 基于改进蝴蝶算法优化SVM的TE过程故障诊断. 计算机与数字工程. 2024(05): 1569-1575 . 百度学术14. 申燚，戴现令，袁明新，李解，蒋为钰. 基于空程和方向的船体装配线划线路径优化. 计算机集成制造系统. 2024(07): 2406-2418 . 百度学术15. 赵文虎，王文，梁晏宾. 基于改进乌鸦算法优化SCN的TE过程故障诊断. 智能计算机与应用. 2024(06): 153-157 . 百度学术16. 岳凡，艾尔肯·亥木都拉，郑威强. 基于多策略改进的SMC-GTO电机速度跟踪控制. 现代电子技术. 2024(16): 69-75 . 百度学术17. 薛财文，刘通，邓立宝，谷伟，张宝武. 基于主成分分析的DBSCAN分类差分进化算法改进. 现代电子技术. 2024(16): 171-179 . 百度学术18. 刘松林，高鹰，林锐灿，谭伟俊. 混合策略改进的减法平均优化算法. 智能计算机与应用. 2024(08): 70-77 . 百度学术19. 孙曦，刘峰，薛晓. 基于透镜成像对立学习TSO算法的无人机三维航迹规划. 电光与控制. 2024(09): 45-51+80 . 百度学术20. 田国富，张毅. 基于IMOGWO算法的机械臂多目标轨迹规划. 组合机床与自动化加工技术. 2024(09): 15-19+24 . 百度学术21. 力尚龙，刘建华，贾鹤鸣. 融合多狩猎协调策略的爬行动物搜索算法. 计算机应用. 2024(09): 2818-2828 . 百度学术22. 徐晨展，刘庆珍. 基于多策略融合粒子群算法的油纸绝缘参数辨识. 电气技术. 2024(09): 14-21 . 百度学术23. 孙仟硕，王英博. 融合多策略的改进蜣螂优化算法及其应用. 信息与控制. 2024(05): 631-641+651 . 百度学术24. 连召洋，斯白露. 结合景深控制和透镜成像的鹰眼跨领域算法. 计算机集成制造系统. 2024(10): 3547-3565 . 百度学术25. 熊小琴，邢晓凯，薛润斌，李媛媛，徐宁. 基于智能算法的多品质多性质原油调合与优化. 石油炼制与化工. 2024(10): 157-164 . 百度学术26. 石剑云，黄慧远. 时变风险下的危险品运输车辆路径优化. 安全与环境学报. 2024(11): 4416-4423 . 百度学术27. 黄杰，张英，张靖，王明伟. 基于ISFO-KELM的SF_6电气设备故障组分CO_2浓度反演模型. 电子科技. 2024(11): 62-69 . 百度学术28. 刘虹伶，时维国. 基于灰狼优化的改进粒子群算法求解环境经济调度问题. 电机与控制应用. 2024(11): 97-109 . 百度学术29. 金凤，陈继新，黄周裔. 面板波浪力神经网络预测模型比较及优化研究. 舰船科学技术. 2024(22): 17-22 . 百度学术30. 赵亮，刘瑞雪，张玮奇，吴静文，陈锋. 基于自适应混沌麻雀搜索算法的机械臂最优时间轨迹规划. 信息与控制. 2024(06): 739-749 . 百度学术31. 姜红花，胡芳超，白鹏，刘理民，薛惠峰，毛文华，杜宜龙，杨祥海. 基于TSSA-PID的果园喷雾机风幕风速调控系统研究. 农业机械学报. 2024(S2): 177-186 . 百度学术32. 杨翔宇，高博. 基于折射反向学习和自适应策略的哈里斯鹰优化算法. 计算机应用. 2024(S2): 129-133 . 百度学术33. 何庆，罗仕杭. 混合改进策略的黑猩猩优化算法及其机械应用. 控制与决策. 2023(02): 354-364 . 百度学术34. 徐明，龙文，羊洋. 基于平面镜反射成像学习的海洋捕食者算法及特征选择. 计算机应用研究. 2023(02): 394-398+444 . 百度学术35. 刘威，郭直清，姜丰，刘光伟，靳宝，王东. 协同围攻策略改进的灰狼算法及其PID参数优化. 计算机科学与探索. 2023(03): 620-634 . 百度学术36. 杨超，管智峰，刘雨竹，李鹏杰，齐冀. 基于IAEFA-LSSVM的煤与瓦斯突出预测的新方法. 机电工程技术. 2023(02): 51-54 . 百度学术37. 李大海，熊文清，王振东. 融合多策略的增强海鸥优化算法. 计算机应用研究. 2023(03): 717-724 . 百度学术38. 付文龙，孟嘉鑫，张赟宁，徐潘. 复杂遮荫下基于改进GWO的光伏多峰MPPT控制. 太阳能学报. 2023(03): 435-442 . 百度学术39. 陈佳峻，范英，代晓文，许晋军，赵敏. 改进麻雀搜索算法的智能车路径规划研究. 重庆理工大学学报(自然科学). 2023(04): 50-56 . 百度学术40. 周鹏，董朝轶，陈晓艳，赵肖懿，王启来. 基于Tent混沌和透镜成像学习策略的平衡优化器算法. 控制与决策. 2023(06): 1569-1576 . 百度学术41. 杨雪松，唐都作，蔡兵，袁海滨，潘新远，常以涛，张长胜. 基于IGWO的阴极铜板表面结瘤检测图像阈值分割方法. 陕西理工大学学报(自然科学版). 2023(03): 31-39 . 百度学术42. 张威，张鑫中，王丛佼，孙兵. 改进灰狼算法的变电站巡检机器人路径规划. 重庆理工大学学报(自然科学). 2023(06): 129-135 . 百度学术43. 张长胜，张健忠，钱斌，胡蓉. 多策略融合的改进天鹰优化算法. 电子学报. 2023(05): 1245-1255 . 百度学术44. 付雪，朱良宽，黄建平，王璟瑀，ARYSTAN Ryspayev. 基于改进北方苍鹰优化算法的多阈值图像分割. 计算机工程. 2023(07): 232-241 . 百度学术45. 李得恺，张长胜，杨雪松. 融合多策略改进的黏菌优化算法. 模式识别与人工智能. 2023(07): 647-660 . 百度学术46. 李军涛，侯星星，茆俊亚，郭文文. 时变海流干扰下深远海渔业无人船多目标路径规划. 上海海洋大学学报. 2023(05): 1090-1098 . 百度学术47. 欧阳鑫，李志斌. 基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术. 电力系统保护与控制. 2023(18): 11-20 . 百度学术48. 姜春英，张熙然，王印超，陶广宏，叶长龙. 基于改进麻雀搜索算法的平面度误差评定方法. 计量学报. 2023(09): 1360-1368 . 百度学术49. 庞清乐，郑杨，马兆兴，何辰斌. IGWO-IP&O算法在光储MPPT控制系统中的应用. 计算机工程与应用. 2023(20): 306-317 . 百度学术50. 王伟，龙文. 动态透镜成像学习人工兔优化算法及应用. 广西科学. 2023(04): 735-744 . 百度学术51. 田国富，张毅，姜娇. 基于改进灰狼算法的机械臂运动学高精度逆解. 组合机床与自动化加工技术. 2023(10): 59-63+68 . 百度学术52. 闫少强，杨萍，朱东林，吴丰轩，阎哲. 基于佳点集的改进麻雀搜索算法. 北京航空航天大学学报. 2023(10): 2790-2798 . 百度学术53. 刘成汉，何庆. 融合多策略的黄金正弦黑猩猩优化算法. 自动化学报. 2023(11): 2360-2373 . 本站查看54. 徐凯，郑浩，涂永超，吴仕勋. 改进麻雀算法和Q-Learning优化集成学习轨道电路故障诊断. 铁道科学与工程学报. 2023(11): 4426-4437 . 百度学术55. 付华，刘昊. 多策略融合的改进麻雀搜索算法及其应用. 控制与决策. 2022(01): 87-96 . 百度学术56. 刘紫燕，吴应雨，梁静，陈运雷，张倩，郑旭晖. 基于杂交策略的自适应灰狼优化算法. 计算机应用研究. 2022(01): 113-117 . 百度学术57. 姜礼涛，周爱红，袁颖，刘育林，宁志杰，牛建广. 基于NRS-ISSA-SVM的砂土液化判别模型. 地震工程学报. 2022(03): 570-578 . 百度学术58. 成舒凡，叶春明. 嵌入疲劳效应和学习效应的应急手术调度研究. 计算机工程与应用. 2022(13): 295-302 . 百度学术59. 杨扬，李昌平，丁华锋. 高压脉冲破岩放电回路建模及参数辨识. 机械工程学报. 2022(15): 243-251 . 百度学术60. 刘志强，何丽，袁亮，张恒. 采用改进灰狼算法的移动机器人路径规划. 西安交通大学学报. 2022(10): 49-60 . 百度学术61. 刘育林，周爱红，姜礼涛，袁颖. 基于KPCA-ISSA-SVR的盾构施工诱导地面沉降预测模型研究. 河北地质大学学报. 2022(05): 42-49 . 百度学术62. 王宗山，丁洪伟，王杰，李波，侯鹏，杨志军. 基于正交设计的折射反向学习樽海鞘群算法. 哈尔滨工业大学学报. 2022(11): 122-136 . 百度学术63. 张新明，姜云，刘尚旺，刘国奇，窦智，刘艳. 灰狼与郊狼混合优化算法及其聚类优化. 自动化学报. 2022(11): 2757-2776 . 本站查看64. 王正通，程凤芹，尤文，李双. 基于翻筋斗觅食策略的灰狼优化算法. 计算机应用研究. 2021(05): 1434-1437 . 百度学术65. 倪静，秦斌，曾凡龙. 一种混合策略改进的灰狼优化算法. 软件导刊. 2021(05): 72-76 . 百度学术66. 周鹏，董朝轶，陈晓艳，齐咏生，赵肖懿，王启来. 基于阶梯式Tent混沌和模拟退火的樽海鞘群算法. 电子学报. 2021(09): 1724-1735 . 百度学术67. 谢国民，倪乐水，曹媛. 基于VSRP与β-GWO-SVM的变压器故障辨识方法. 高电压技术. 2021(10): 3635-3641 . 百度学术68. 时维国，宋存利. 求解混合流水车间调度问题的改进灰狼算法. 计算机集成制造系统. 2021(11): 3196-3208 . 百度学术69. 王霞，王耀民，施心陵，高莲，李鹏. 噪声环境下基于蒲丰距离的依概率多峰优化算法. 自动化学报. 2021(11): 2691-2714 . 本站查看70. 尹德鑫，张琳娜，张达敏，蔡朋宸，秦维娜. 基于混沌透镜成像学习的哈里斯鹰算法及其应用. 传感技术学报. 2021(11): 1463-1474 . 百度学术其他类型引用(56)
-
下载:
计量
- 文章访问数: 2559
- HTML全文浏览量: 260
- PDF下载量: 358
- 被引次数: 126
