当前位置:   article > 正文

EBKA:一种改进的黑翅鸢优化算法及其在CEC2005测试函数上的应用研究_bka黑翅

bka黑翅

        在2024年,一种新型的优化算法——黑翅鸢优化算法(Black Kite Optimization, BKA)被提出,并迅速在学术界引起了广泛关注。作为一种新兴的优化算法,BKA在多个领域展现出了其独特的优势。然而,任何算法都有其局限性,为了进一步提升BKA的性能,本文提出了一种改进的黑翅鸢优化算法(Enhanced Black Kite Algorithm, EBKA),并将其应用于CEC2005测试函数集上进行性能验证。

引言

        随着优化算法在工程、科学和商业决策等领域的广泛应用,算法的改进和创新成为了研究的热点。BKA算法以其独特的搜索机制和优异的优化性能,为优化算法的研究提供了新的思路。本文旨在通过改进BKA算法,探索其在复杂优化问题上的应用潜力,并为后续的研究提供参考。

改进策略

EBKA算法的改进亮点主要体现在以下几个方面:

  1. 没有采用混沌映射等策略初始化种群:EBKA在初始化阶段避免了复杂的映射和透镜学习策略,这不仅简化了算法的实现,也为算法的快速部署和应用提供了便利。

  2. 没有采用Levy飞行等策略EBKA没有采用Levy飞行或T分布变异等常见策略,这使得算法更加简洁,同时保持了良好的搜索性能。

  3. 易于二次开发基于EBKA的简洁性,研究人员可以更容易地将其他策略融入其中,从而开发出具有个性化特点的新算法(透镜学习、LEVY飞行等策略可有效提高性能,但本改进没有采用)。

  4. 有效的改进点EBKA的改进并非随意策略的叠加,而是从其他成功算法中汲取灵感,经过精心设计的两处改进点,这些改进在测试函数上的效果显著优于原算法。

实验设置与评价指标

为了全面评估EBKA的性能,我们设置了以下实验条件:

  • 最大迭代次数:500次
  • 初始种群数量:30个
  • 独立运行次数:30次

评价指标包括:

  • 最优值
  • 最差值
  • 平均值
  • 标准差

对比算法

为了验证EBKA的性能,我们选择了以下算法进行对比:

  • 灰狼优化算法(Grey Wolf Optimizer, GWO)
  • 霜冰优化算法(Rime Ice Optimization, RIME)
  • 鲸鱼优化算法(Whale Optimization Algorithm, WOA)
  • 原始黑翅鸢优化算法(Black Kite Algorithm, BKA)
  • 粒子群优化算法(Particle Swarm Optimization, PSO)

实验结果

        通过在CEC2005测试函数集上的实验,EBKA算法在单峰、多峰和固定多峰函数上均展现出了优于原BKA算法的性能。特别是在一些测试函数上,即使EBKA未能达到最优解,其结果也显著优于BKA算法。

结论

        EBKA算法以其简化的初始化过程、去除复杂策略后的简洁性、易于二次开发的特点,以及从其他算法中得到的灵感进行的有效改进,证明了其在优化算法领域的潜力。本文的研究不仅为BKA算法的改进提供了新的思路,也为智能优化算法的研究和应用提供了有价值的参考。

EBKA改进黑翅鸢优化算法(BKA算法是2024年提出的较新算法,SCI一区)EBKA改进黑翅鸢优化算法(BKA算法是2024年提出的较新算法,SCI一区)本文提出一种改进方法对其改进,并在CEC2005测试函数上进行效果验证。该算法在单峰、多峰和固定多峰上均优于原算法(BKA),对1区提出来的算法进行研究,有助于自己发paper。对比算法:GWO、RIMicon-default.png?t=N7T8https://mbd.pub/o/bread/mbd-ZZ2bmZZu

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/爱喝兽奶帝天荒/article/detail/765525?site
推荐阅读
相关标签
  

闽ICP备14008679号