基于混合策略改进的金豺优化算法

夏永承　沈金荣　刘梦权

关键词：cat 混沌映射；反向学习；单纯形法；收敛因子；金豺优化算法

中圖分类号：TP18 文献标识码：A 文章编号：1006-8228（2023）11-34-07

0 引言

金豺优化算法（GJO）是新近提出的群智能优化算法[1]，具有易于实施、稳定性高、调整参数少等优点，在很多领域得到了应用[2-3]。但GJO 算法存在勘探和开发能力不平衡，容易导致过度开发并陷入局部最优的问题[4]。针对该算法现有缺陷，文献[5]改进了其收敛因子，文献[6]利用了精英对立学习策略。基于以上对GJO 算法的改进经验，本文利用Cat 混沌映射和精英反向学习策略初始化种群，利用单纯形法优化较差个体，改进了收敛因子，引入自适应权重的方式更新位置，最后引入个体记忆方法加快收敛速度并用采用高斯变异扰动优化最优解。通过八个基准函数的寻优测试对比，改进后的算法在原基础上提高了收敛速度和寻优精度。

1 金豺优化算法

GJO算法模拟了金豺成对狩猎的习性，包括三个阶段：搜索猎物；搜索并包围猎物直到猎物停止逃跑；围攻猎物。

⑴ 种群初始化