基于Kent映射和自适应权重的灰狼优化算法

摘要

针对灰狼优化算法(GWO)易陷入局部最优、后期收敛速度慢等问题,提出一种基于Kent映射和自适应权重的灰狼优化算法。首先,该算法在种群初始化时引入Kent混沌映射,增强了初始化群体的多样性,可以对搜索空间进行更全面彻底的搜索;其次,在收敛因子a和种群位置更新公式中引入三角函数和贝塔分布,提高了算法后期的收敛速度;最后,在CEC2017常用的四类测试函数上的仿真实验表明,在相同的实验条件下,改进后的灰狼优化算法在求解精度和收敛速度上都有显著提升,且其性能明显优于其他智能优化算法和其他改进的灰狼优化算法。