改进的灰狼优化算法及其高维函数和FCM优化

张新明^1,2，王霞¹，康强¹

1. 河南师范大学计算机与信息工程学院2. 河南省高校计算智能与数据挖掘工程技术研究中心

摘 要：灰狼优化算法（GWO）具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO（ODGWO）.首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值（FCM）聚类优化.实验结果表明,在许多高维Benchmark函数（30维、50维和1 000维）优化上, ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比, ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上,与GWO、GWOepd和LGWO相比, ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

关键词：智能优化算法;灰狼优化算法;反向学习;差分变异;模糊C均值(FCM)聚类;高维函数优化;