非线性自适应分组灰狼算法

摘要

针对灰狼算法(grey wolf optimization, GWO)收敛速度慢、易陷入局部最优的问题,提出了一种非线性自适应分组灰狼算法(Nonlinear Adaptive Grouping Grey Wolf Optimization, NAGGWO)。首先,提出CPM映射生成初始种群,提高种群多样性;随后,提出一种“S”型非线性控制参数用来平衡算法的开采与探索能力;最后,采用自适应分组策略将狼群分为捕食组、游荡组和搜索组,对不同组灰狼个体分别采用改进的差分进化策略、随机反向学习策略以及算数优化算法(Arithmetic Optimization Algorithm, AOA)中的乘除算子进行位置更新,以改善GWO的收敛速度及精度。通过选取12个测试函数对NAGGWO进行仿真,结果表明在相同条件下,NAGGWO在求解低维问题和高维问题中相比其它算法都具有显著优势。