文献类型：期刊文章

作　　者：滕志军[1] 吕金玲[1] 郭力文[1] 许媛媛[1]

TENG Zhijun;LV Jinling;GUO Liwen;XU Yuanyuan(School of Electrical Engineering,Northeast Electric Power University,Jilin 132012,Jilin,China)

机构地区：[1]东北电力大学电气工程学院,吉林吉林132012

出　　处：《哈尔滨工业大学学报》

基　　金：国家自然科学基金青年科学基金项目(61501107);吉林省教育厅"十三五"科学研究规划项目(JJKH20180439KJ)

年　　份：2018

卷　　号：50

期　　号：11

起止页码：40-49

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对基本灰狼算法易陷入局部最优、未考虑个体自身经验等问题,本文提出一种基于Tent映射的混合灰狼优化算法(grey wolf optimization algorithm based on particle swarm optimization,简称PSO_GWO).首先,其通过Tent混沌映射产生初始种群,增加种群个体的多样性;其次,采用非线性控制参数,前期递减速度慢,能够增加全局搜索能力,避免算法陷入局部最优,后期收敛因子递减速度快,增加算法局部搜索能力,从而提高整体收敛速度;最后,引入粒子群算法的思想,将个体自身经历过最优值与种群最优值相结合来更新灰狼个体的位置信息,从而保留灰狼个体自身最佳位置信息.为验证该算法的有效性,本文借助9个标准测试函数来与其他三种算法进行对比.实验结果表明,本文提出的算法比其他三种算法在单峰函数和多峰函数上搜索到的最优解更加理想; PSO_GWO算法比IGWO算法(the improved grey wolf optimization algorithm)在计算时间复杂度方面效果较好;同时,随着种群规模增大,PSO_GWO算法收敛值逐渐接近理想值.因此,本文提出的PSO_GWO算法能更快搜索到全局最优解,且鲁棒性更好.

关 键 词：灰狼优化算法  TENT映射 非线性控制参数  粒子群算法 惯性权重系数  

分 类 号：TP273]