狼群算法的优化

最新推荐文章于 2024-12-21 21:54:08 发布

原创

最新推荐文章于 2024-12-21 21:54:08 发布 · 1.6w 阅读

116 ·

CC 4.0 BY-SA版权

本文介绍了狼群算法的优缺点，指出其在全局收敛性和计算鲁棒性上的优势，特别是在高维、多峰的复杂函数优化问题中表现突出。通过与PSO、FSA、GA算法的比较分析，验证了狼群算法在15个复杂函数上的优秀性能。同时，提出了狼群算法在解决BP神经网络初始参数优化和径流预测问题中的应用，结果显示WPA算法的预测精度和泛化能力优于其他模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

狼群算法是一种随机概率搜索算法，使其能够以较大的概率快速找到最优解；狼群算法还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率。将WPA算法应用于15个典型复杂函数优化问题，并同经典的粒子群算法、鱼群算法和遗传算法进行比较仿真结果表明，该算法具有较好的全局收敛性和计算鲁棒性，尤其适合高维、多峰的复杂函数求解。

1.2 狼群算法的缺点

WPA算法“寻优过程分为游走、奔袭和围攻，人工狼之间缺少必要的信息交流，算法全局性不高，过于分散”的不足之处出发，对算法进行改进。探狼是随机选择h个方向然后进行探索，互相之间并没有交流，探索空间会存在重复。目前的狼群智能算法很难找到全局最优解，不断探索群智能优化算法已成为许多学者研究的热点问题。

2 狼群算法的仿真验证

通过8个高维复杂函数对一种新型仿生群体智能算法—狼群算法(WPA)进行仿真验证，并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权闰值参数难以确定的不足，利用WPA算法优化BP神经网络初始参数，提出WPA一BP径流预测模型，以云南省龙潭站枯水期月径流预测为例进行实例验证，并与PSO一BP及BP模型进行比较。结果表明：

①WPA算法收敛精度远远优于PSO算法，具有较好的计算鲁棒性和全局寻优能力；②WPA一BP模型预测精度优于PSO一BP及BP模型，具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和闰值，可有效提高BP神经网络的预测精度和泛化能力。