混合动态步长递变与局部混沌搜索的YSGA改进及其应用

摘要

绯鲵鲣优化算法(YSGA)作为一种新型的仿生优化算法,有很多可进一步改进和拓展的角度.鉴于传统YSGA算法在迭代搜索过程中始终保持恒定的追逐者学习步长并不利于后期对解空间的有效搜索,继而提出一种通过引入种群追逐者搜索步长的动态递变策略以有效调控算法的全局搜索和局部开采性能,同时融入混沌搜索策略以增强YSGA算法的局部搜索性能,继而通过混合动态步长递变策略与局部混沌搜索策略而提出一种改进的绯鲵鲣优化算法(IYSGA).最后将IYSGA算法用于极限学习机(ELM)的参数优化选择中以增强其分类识别性能.数值实验验证了IYSGA算法具有较好的极值优化性能和算法稳定性,并表现出较高的ELM参数优化有效性和可行性.