一种用于工程问题的新型 K 均值灰狼算法
人工智能
2021-03-11 v1 神经与进化计算
摘要
目的：研究者已开发出大量元启发式算法，并广泛应用于商业、科学与工程领域。灰狼优化（GWO）是一种常见的元启发式优化算法，其工作原理基于模仿灰狼的搜索与攻击过程。本文的主要目的在于克服 GWO 易陷入局部最优的问题。设计/方法/途径：本文采用 K 均值聚类算法将种群划分为不同部分，以提升原始灰狼优化的性能。所提出的算法称为 K 均值聚类灰狼优化（KMGWO）。研究发现：结果表明 KMGWO 的效率优于 GWO。为评估 KMGWO 的性能，将其应用于求解 10 个 CEC2019 基准测试函数，结果证明 KMGWO 优于 GWO。KMGWO 还与猫群优化（CSO）、鲸鱼优化算法-蝙蝠算法（WOA-BAT）及 WOA 进行比较，在性能上位居第一。统计结果证明 KMGWO 相较于对比算法取得了更高的显著性值。此外，KMGWO 被用于求解压力容器设计问题并取得了更优结果。原创性/价值：结果证明 KMGWO 优于 GWO。KMGWO 还与猫群优化（CSO）、鲸鱼优化算法-蝙蝠算法（WOA-BAT）、WOA 及 GWO 比较，在性能上位居第一。同时，KMGWO 被用于求解一个经典工程问题且表现更优。
引用
@article{arxiv.2103.05760,
title = {A New K means Grey Wolf Algorithm for Engineering Problems},
author = {Hardi M. Mohammed and Zrar Kh. Abdul and Tarik A. Rashid and Abeer Alsadoon and Nebojsa Bacanin},
journal= {arXiv preprint arXiv:2103.05760},
year = {2021}
}
备注
15 pages. World Journal of Engineering, 2021