基于混合DE算法的改进海豚群算法
2019-07-17王旭
王旭
摘要：为了提高海豚群优化算法的优化能力，针对基本海豚群算法搜索阶段易陷入局部最优和早熟收敛的缺陷，将DE入算法，提出了一种改进的海豚群算法。算法通过DE的交叉和变异机制避免局部最优。测试结果表明，改进的算法在收敛速度和寻优精度方面有更好的表现。
Abstract： In order to improve the optimization ability of dolphin swarm optimization algorithm， an improved dolphin swarm algorithm is proposed by incorporating DE into the algorithm to overcome the shortcomings of local optimum and premature convergence in the search phase of basic dolphin swarm algorithm. The algorithm avoids local optimum through the crossover and mutation mechanism of DE. The test results show that the improved algorithm has better performance in convergence speed and optimization accuracy.
關键词：海豚群算法;改进;收敛;自适应;组合优化
Key words： dolphin swarm algorithm;improvement;convergence;self-adaption;combinatorial optimization
中图分类号：O174 文献标识码：A 文章编号：1006-4311（2019）11-0156-03
0 引言
海豚群算法（Dolphin Swarm Algorithm，简称DSA）由浙江大学伍天骐教授于2016年提出的一种新型智能优化算法[1]，该算法模拟海豚回声定位、信息交流、分工合作等生物特性和生活习性，通过搜索、呼叫、接收和捕食四个关键阶段实现海豚群算法的寻优[2]。
对于海豚群算法改进的研究，李志鹏、李卫忠等将混沌搜索策略引入海豚群算法，通过混沌初始化、动态分群和早熟机制提高算法全局最优能力[3]。其他学者也对其进行了改进[4]。本文针对算法易陷入局部最优的缺陷，提出混合差分进化（DE）算法对算法进行改进。
4 结论
本文针对基本海豚群算法易陷入局部最优和早熟收敛的缺点，提出一种基于DE的改进海豚群算法。该算法在迭代过程中，DE的交叉和变异，有效避免了算法陷入局部最优和早熟的缺陷。通过仿真实验和方法对比，验证了本文提出的改进海豚群算法是可行有效的。
参考文献：
[1]Tian-qi WU， Min YAO， Jian-hua YANG. Dolphin swarm algorithm[J]. Frontiers of Information Technology & Electronic Engineering， 2016（8）：717-729.
[2]Kaveh A， Farhoudi N. A new optimization method： dolphin echolocation[J]. Advances in Engineering Software， 2013， 59（5）：53-70.
[3]Wang Y， Wang T， Zhang C Z， et al. A new stochastic optimization approach—dolphin swarm optimization algorithm[J].International Journal of Computational Intelligence & Applications， 2016， 15（02）：1650011.
[4]李志鹏，李卫忠，江洋，刘唐.混沌海豚群优化灰色神经网络的空中目标威胁评估[J/OL].控制与决策：1-7[2018-06-07].
[5]韩忠华，董晓婷， 海波，等.改进DE算法求解混合流水车间负荷平衡问题[J].计算机集成制造系统，2016，22（2）：547-557.
[6]李荣帅.基于DE算法的建筑3D打印完全遍历路径规划研究[J].江西科学，2016，34（3）：370-373.
[7]司俊鸿，王小军，黄欣.基于改进DE算法的矿井通风网络非线性优化求解[J].煤炭工程，2016，48（3）：64-67.
