一种自适应惯性权重的改进磷虾群算法

提出一种自适应惯性权重的磷虾群算法(AKH)。通过理论论证,得出在采用线性递减的磷虾群算法求解全局优化问题的迭代过程中,出现大量无效迭代是受到惯性权重的影响;进而提出相关改进策略:在以目标函数作为适应度值的基础上,将种群粒子动态分为适应度值变差粒子和适应度值变优粒子两类,令适应度值变差粒子的惯性权重重置为零,从而消除惯性权重对算法当前迭代的不良影响,适应度值变优粒子的惯性权重保持不变;对算法中的步长缩放因子作非线性递减处理,进一步提升算法的全局探索能力。通过9个具有代表性的测试函数进行实验,将该算法与线性递减的粒子群算法(LPSO)、标准磷虾群算法(KH)和线性递减的磷虾群算法(LKH)作性能对比分析。实验表明,该算法能够有效地减少无效迭代次数,在全局探索性能和收敛稳定性方面有着显著优势。