《表5 CEC2017测试函数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《受春秋战国史实启发的帝国竞争改进算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证改进算法的寻优性能和稳定性，选择CEC2017中的6个测试函数（表5），与5个具有代表性的先进算法对比分析，分别为：策略自适应差分进化（Differential Evolution algorithm with Strategy adaptation，Sa DE）算法、球形搜索进化（Spherical Evolution，SE）算法、郊狼优化算法（Coyote Optimization Algorithm，COA）与灰狼优化（Grey Wolf Optimizer，GWO）算法的混合算法（Hybrid COA with GWO，HCOAG）、基于精英学习策略的动态多群粒子群优化（Dynamic Multi-Swarm Particle Swarm Optimization based on an Elite Learning Strategy，DMS-PSO-EL）算法以及基于多精英采样和差分搜索的分布估计算法（Estimation Distribution Algorithm based on Multiple elites sampling and individuals Differential Search，EDA-M/D）。其中，Sa DE引入了自适应学习机制，根据进化的不同阶段匹配向量生成策略及其控制参数；SE在传统的超立方体搜索基础上衍生出一种球形搜索模式，并引入了进化算法；HCOAG采用正弦交叉策略，将COA和GWO的两种改进算法融合运用；DMS-PSO-EL把进化过程划分为前后两个阶段，采用动态多群和学习策略实现勘探和开发能力的提升；EDA-M/D借助多精英采样与差分搜索的自适应协同提升算法的寻优性能和稳定性。这些对比算法既包含经典的进化算法、粒子群算法的改进型，又包含郊狼算法、分布估计等新型算法的优化，涵盖了策略调整、自适应学习、算法混合等常用的改进方案，且在仿真测试中都取得了较好的实验结果，具有较高的代表性。