《表2 GCCOA与其他算法优化性能对比结果(D=30)》

  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

《全局引导和相互作用的郊狼优化算法及其应用》

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GCCOA的优化性能。在本节中采用改进的PSO算法的变体和GWO的改进算法作为对比算法，即GCCOA与COA、HFPSO[7]、CSPSO[8]、OGWO[9]和β-GWO[10]进行对比。选择这些算法主要原因是PSO是当前最为流行的智能优化算法，GWO也是狼群优化算法，故具有较好的可比性和竞争性。HFPSO（hybrid firefly and particle swarm optimization algorithm）是2018年Avdilek等人利用了萤火虫算法和PSO的不同优点，提出的一种基于PSO和萤火虫算法的混合优化算法；CSPSO（PSO using crisscross search）是Meng等人提出的一种改进粒子群算法，即交叉搜索的粒子群优化算法；OGWO是一种结合狩猎行为、社会等级制度和方向概念的GWO改进算法；β-GWO是2019年由Saxena等人提出一种基于β-混沌序列自适应桥接机制的GWO算法。其中OGWO和β-GWO的数据直接取自参考文献[10]。为了保证对比的公平性，根据文献[6]，设置算法独立运行次数为51次，最大函数评价次数为10 000D，设置GCCOA、COA、HFPSO和CSPSO的种群数N=100。依据文献[6]推荐设置，GCCOA和COA中Np和Nc都为10。HFPSO、CSPSO、OGWO和β-GWO等参数与对应的参考文献的参数设置相同。篇幅限制，仅列出D=30时的实验结果。为了保证与文献[10]中数据一致，仅列出除f2之外的29个函数的优化结果。实验结果如表2所示。