融合对立学习的混合灰狼优化算法

来源：计算机科学与探索杂志2017年第4期北京时间：

作者：王敏，唐明珠

单位：1. 湖南机电职业技术学院 信息工程学院，长沙 4101512. 湖南大学 计算机与通信学院，长沙 4100823. 长沙理工大学 能源与动力工程学院，长沙 410114

摘要：针对标准灰狼优化（grey wolf optimization，GWO）算法存在后期收敛速度慢，求解精度不高，易出现早熟收敛现象等问题，提出了一种基于对立学习策略和Rosenbrock局部搜索的混合灰狼优化（hybrid GWO， HGWO）算法。该算法首先采用对立学习策略取代随机初始化生成初始种群，以保证群体的多样性；然后对当前群体中最优个体进行Rosenbrock局部搜索，以增强局部搜索能力和加快收敛速度；最后为了避免算法出现早熟收敛现象，利用精英对立学习方法产生精英对立个体。对6个标准测试函数进行仿真实验，并与其他算法进行比较，结果表明，HGWO算法收敛速度快，求解精度高。

关键词：灰狼优化算法,Rosenbrock搜索,对立学习