34、优化算法在不同问题中的应用与性能分析

优化算法在不同问题中的应用与性能分析

在优化算法领域，不断有新的改进和应用出现，以解决各类复杂的优化问题。本文将介绍两种优化算法的相关进展，包括改进的灰狼优化算法（GWO - XOBL）和离散人工电场算法（DAEFA）在二次分配问题（QAP）中的应用。

改进的灰狼优化算法（GWO - XOBL）

提出了一种基于均匀交叉和反向学习的改进版经典灰狼优化算法（GWO - XOBL）。交叉操作用于增加灰狼优化算法的种群多样性，反向学习则用于提高收敛速度并避免停滞。
- 实验对比
- 该算法在13个经典基准问题上进行了评估，并与差分进化算法（DE）、基于生物地理学的优化算法（BBO）和经典灰狼优化算法（GWO）进行了比较。
- 以下是通过Wilcoxon符号秩检验得到的p值结果：
| 基准函数 | DE的p值 | BBO的p值 | GWO的p值 | 结论 |
| — | — | — | — | — |
| f1 | 1.73E - 06 | 1.73E - 06 | 1.73E - 06 | + |
| f2 | 1.73E - 06 | 1.73E - 06 | 1.73E - 06 | + |
| f3 | 1.73E - 06 | 1.73E - 06 | 1.73E - 06 | + |
| f4 | 1.73E - 06 | 1.73E - 06 | 1.73E - 06 | + |
| f5 | 1.11E + 01 | 1.73E - 06 | 4.73E - 06 | =, +, + |
| f6 | 1.73E - 06 | 1.73E - 06