计算机科学与探索

作者：左锋琴, 张达敏, 何庆, 班云飞, 沈倩雯

单位：贵州大学 大数据与信息工程学院，贵阳 550025

关键词：鹈鹕优化算法,无迹sigma点变异,交叉反向,SPM的混沌序列扰动,LSTM神经网络

针对鹈鹕优化算法（POA）在寻优过程中存在寻优速度慢、精度低以及易陷入局部最优等问题，提出了一种融合无迹sigma点变异和交叉学习的鹈鹕优化算法（MPOA）。使用随机反向学习策略对种群中劣势群体产生随机反向解，引入无迹sigma点对其反向解进行变异，增强算法在搜索域可见范围内精细开发，避免算法陷入局部最优；利用Levy飞行的随机性对交叉反向策略进行改进，动态探索丰富个体寻优过程，保持算法多样性，增强算法全局搜索能力；引入非线性收敛因子来平衡算法的开发和勘探能力，利用基于SPM的混沌序列扰动非线性收敛因子以增加解的多样性，避免算法在后期陷入局部最优，增强算法稳定性。利用12个基准测试函数、秩和检验和CEC2021函数进行实验仿真，对比分析寻优效果可知，改进算法具有更强的全局搜索能力和更快的寻优速度。将MPOA算法用于优化长短期记忆网络（LSTM）模型的参数，并应用于气候变化预测任务，与其他六种群智能算法优化的LSTM模型进行对比，结果表明，MPOA-LSTM模型具有更好的预测精度。

来源：2024年第11期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2024年第11期