Ganz zu schweigen von dem Grey-Wolf-Optimierungsalgorithmus vorerst, dieser Artikel geht direkt auf den verbesserten Grey-Wolf-Algorithmus für das Case-Practice-Lernen ein.
Haftungsausschluss: Auch wenn Sie diese Kolumne abonnieren, können Sie sie nicht nachdrucken, auch nicht für kommerzielle Zwecke.
Artikelverzeichnis
1. Einleitung
In dem Artikel schlagen die Autoren einen verbesserten Grey-Wolf-Optimierer (I-GWO) zur Lösung globaler Optimierungs- und Konstruktionsprobleme vor. Diese Verbesserung soll die mangelnde Populationsdiversität des GWO-Algorithmus, das Ungleichgewicht bei Entwicklung und Exploration und vorzeitige Konvergenzprobleme verringern. Der I-GWO-Algorithmus profitiert von einer neuen Fortbewegungsstrategie namens Dimensional Learning-Based Hunting (DLH)-Suchstrategie, die vom individuellen Jagdverhalten von Wölfen in der Natur übernommen wird. DLH verwendet einen anderen Ansatz, um für jeden Wolf eine Nachbarschaft aufzubauen, in der Nachbarschaftsinformationen unter Wölfen geteilt werden können. Dieses dimensionale Lernen, das in der DLH-Suchstrategie verwendet wird, verbessert das Gleichgewicht zwischen lokaler und globaler Suche und bewahrt die Vielfalt.
Verweise:
https://www.sciencedirect.com/scien