基于多策略结合的灰狼优化算法及应用

摘要

标准灰狼优化(grey wolf optimizer, GWO)算法存在局部探索和全局开发难以平衡等问题。针对此类问题，提出基于多策略结合的灰狼优化算法(multi-strategy grey wolf optimization, MSGWO)。首先，灰狼算法引入非线性收敛因子和Tent映射；然后，利用广泛学习、精英学习和协调学习三种策略，在GWO优化过程中协调工作；最后，利用轮盘赌进行策略选择，以获得更具多样性灰狼位置和更具全局代表性的个体。通过标准基准函数测试，采用算法变体进行对比。结果显示，MSGWO算法拥有较好的全局搜索、局部开发的平衡能力以及更快的收敛速度。在此基础上，利用MSGWO算法优化回声状态网络(echo state networks, ESN)超参数进行回归预测。实验表明平均绝对百分比误差为0.38%,拟合程度达到0.98,验证了MSGWO算法的优化性能。

关键词

灰狼优化算法 / 多策略 / 轮盘赌 / 收敛因子 / 回声状态网络