49、优化算法与状态估计研究

优化算法与状态估计研究

1. 熵基惯性权重磷虾群算法（EBIWKH）

在优化算法领域，磷虾群（KH）算法是一种强大的群体智能优化算法。不过，其性能受一个关键参数——惯性权重的影响，需要对该参数进行微调以提升性能。

首先，将一些已在粒子群优化算法中验证有效的惯性权重调整策略引入到KH算法中。接着，为解决这一问题，提出了一种基于熵的惯性权重（EBIW）调整机制。在新策略中，惯性权重会根据种群熵的方差进行修改，而种群熵的方差能够反映种群的多样性。由于在优化过程中熵会减少，该策略有助于KH算法在初始阶段进行空间探索，在最终阶段进行充分开发。与其他策略相比，EBIW方法引入了种群信息，相对更为合理。

实验数据表明：
|算法|性能排名|
| ---- | ---- |
|EBIWKH算法|第一|
|KH算法|第二|
|OSCKH算法|第三|

数据显示，EBIWKH算法在二十一个测试函数上表现良好，其性能指标最小，能够在CEC2017基准函数上找到最优解。通过绘制收敛图对该算法进行详细描述，结果选取了50次独立运行的原始平均值，未进行归一化处理。由于篇幅限制，仅给出了六个代表性问题的收敛图，其中f4和f9是多峰函数，f11和f16是混合函数，f22和f28属于组合函数集。简单单峰函数的收敛图未给出，因为这些函数过于简单，无法清晰展现不同策略的性能。从这六个图中可以明显看出，EIWKH算法优于其他所有算法。在搜索初期，EIWKH算法凭借出色的收敛性，能更快找到候选区域；在后期搜索阶段，它能仔细搜索候选区域以找到最优解。因此，EBIW调整策略能显著提升KH算法的性能。

可以得出结论，EBIWKH算法在大多数C