الگوریتم بهینه سازی گرگ خاکستری پیشرفته و کاربرد آن

عنوان فارسی مقاله:الگوریتم بهینه سازی گرگ خاکستری پیشرفته و کاربرد آن

چکیده

این مقاله یک بهینه ساز گرگ خاکستری بهبود یافته (GWO) برای حل مسئله ناپایداری و دقت همگرایی زمانی که GWO به عنوان یک الگوریتم فراابتکاری با قابلیت جستجوی بهینه قوی در برنامه ریزی مسیر برای روبات‌های متحرک استفاده می‌شود، پیشنهاد کرد. ما نگاشت تنت آشفته را برای مقداردهی اولیه گرگ‌ها برای افزایش توانایی جستجوی سراسری بهبود دادیم و از یک عامل همگرایی غیرخطی بر اساس منحنی تغییر توزیع گاوسی برای متعادل کردن قابلیت جستجوی سراسری و محلی استفاده کردیم. علاوه بر این، یک استراتژی وزن دهی متناسب پویا پیشنهاد شده است که می‌تواند موقعیت گرگ‌های خاکستری را به روز کند تا همگرایی این الگوریتم تسریع شود. نتایج الگوریتم GWO بهبود یافته پیشنهادی با هشت الگوریتم دیگر از طریق چندین آزمایش تست تابع معیار و آزمایش‌های برنامه‌ریزی مسیر مقایسه می‌شود. نتایج تجربی نشان می‌دهد که GWO پیشرفته دارای دقت بالاتر و سرعت همگرایی سریعتر است.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Improved Grey Wolf Optimization Algorithm and Application

Abstract

This paper proposed an improved Grey Wolf Optimizer (GWO) to resolve the problem of instability and convergence accuracy when GWO is used as a meta-heuristic algorithm with strong optimal search capability in the path planning for mobile robots. We improved chaotic tent mapping to initialize the wolves to enhance the global search ability and used a nonlinear convergence factor based on the Gaussian distribution change curve to balance the global and local searchability. In addition, an improved dynamic proportional weighting strategy is proposed that can update the positions of grey wolves so that the convergence of this algorithm can be accelerated. The proposed improved GWO algorithm results are compared with the other eight algorithms through several benchmark function test experiments and path planning experiments. The experimental results show that the improved GWO has higher accuracy and faster convergence speed.