结合高斯分布的改进二进制灰狼优化算法

doi:10.3778/j.issn.1002-8331.1803-0444

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (13): 145-150.DOI: 10.3778/j.issn.1002-8331.1803-0444

结合高斯分布的改进二进制灰狼优化算法

陈长倩，慕晓冬，牛犇，王立志

火箭军工程大学作战保障学院，西安 710025

出版日期:2019-07-01 发布日期:2019-07-01

Improved Binary Grey Wolves Optimization Algorithm Combined with Gaussian Distribution

CHEN Changqian, MU Xiaodong, NIU Ben, WANG Lizhi

College of War Support, Rocket Force University of Engineering, Xi’an 710025, China

Online:2019-07-01 Published:2019-07-01

摘要/Abstract

摘要： 针对灰狼优化算法（GWO）解决离散问题应用较少，发展不成熟的现状，提出一种用于解决二进制问题的离散灰狼优化算法（BGWO）。针对混沌搜索在解决二进制问题时，产生的初始种群较为集中的问题，引入高斯分布曲线对种群初始化，使初始种群地空间分布更加均匀；提出一种转换函数，对GWO进行二进制化处理；通过典型测试函数对该算法性能进行验证，实验表明该算法收敛精度明显优于其他算法。将该算法用于实际背包问题的求解，结论表明该算法迭代次数更少，求解精度更高。

关键词: 二进制灰狼优化（BGWO）, 高斯分布, 背包问题, 最优化选择

Abstract: In order to solve the problem that the Gray Wolf Optimization（GWO） algorithm is less utilized and developes immature on discrete issues, a Binary Gary Wolf Optimization（BGWO） algorithm is proposed. Firstly, aiming at the problem of chaos search that the initial population is more concentrated in solving binary problems, the Gaussian distribution curve is introduced, which makes the spatial distribution of initial population more uniform. Secondly, a transfer function is proposed to binarize the GWO. Then the performance of the algorithm is tested by the typical test function. The simulation results show that the proposed BGWO algorithm has better performance in precision. Finally, the BGWO is used to solve the knapsack problem. The conclusion shows that the BGWO has fewer iterations and higher solution accuracy.

Key words: Binary Gary Wolf Optimization（BGWO） algorithm, Gaussian distribution, knapsack problem, optimization choice

陈长倩，慕晓冬，牛犇，王立志. 结合高斯分布的改进二进制灰狼优化算法[J]. 计算机工程与应用, 2019, 55(13): 145-150.

CHEN Changqian, MU Xiaodong, NIU Ben, WANG Lizhi. Improved Binary Grey Wolves Optimization Algorithm Combined with Gaussian Distribution[J]. Computer Engineering and Applications, 2019, 55(13): 145-150.

[1]	郝翔，贺毅朝，朱晓斌，翟庆雷. 基于离散混合多宇宙算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(18): 103-113.
[2]	张铭，邓文瀚，林娟，钟一文. 改进蚁群优化算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(13): 85-95.
[3]	杨勇，郭玲，叶阳东. 全变分流边与M2GGD相结合的自然图像分割方法[J]. 计算机工程与应用, 2021, 57(11): 202-210.
[4]	吴聪聪，贺毅朝，赵建立. 求解折扣{0-1}背包问题的新遗传算法[J]. 计算机工程与应用, 2020, 56(7): 57-66.
[5]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[6]	陈子兆，矫文成. 改进的稀疏深度置信网络[J]. 计算机工程与应用, 2020, 56(2): 62-67.
[7]	宋晓宇，高明海，赵明. 具有自适应搜索策略的混合人工蜂群算法[J]. 计算机工程与应用, 2019, 55(22): 53-59.
[8]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[9]	杨洋1，潘大志1，贺毅朝2. 改进修复策略遗传算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2018, 54(21): 37-42.
[10]	张健，郭星，李炜. 改进果蝇优化算法在多目标搜索的应用[J]. 计算机工程与应用, 2018, 54(2): 131-136.
[11]	刘雪静，贺毅朝，吴聪聪，才秀凤. 基于细菌觅食算法求解折扣{0-1}背包问题的研究[J]. 计算机工程与应用, 2018, 54(2): 155-162.
[12]	刘雪静1，贺毅朝1，吴聪聪1，李靓2. 自适应细菌觅食算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2018, 54(18): 139-146.
[13]	刘雪静1，贺毅朝1，吴聪聪1，李靓2. 求解0-1背包问题的混沌二进制乌鸦算法[J]. 计算机工程与应用, 2018, 54(10): 173-179.
[14]	钱汐，曾承，王甜. 时序范围最具稳定性服务集推荐算法[J]. 计算机工程与应用, 2017, 53(10): 73-78.
[15]	崔建双，王憧憬. 求解多重背包问题的限速粒子群算法[J]. 计算机工程与应用, 2015, 51(9): 244-247.

结合高斯分布的改进二进制灰狼优化算法

Improved Binary Grey Wolves Optimization Algorithm Combined with Gaussian Distribution

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics