2024年12月一区SCI-加权平均优化算法Weighted average algorithm-附Matlab免费代码

  引言

本期介绍了一种基于加权平均位置概念的元启发式优化算法，称为加权平均优化算法Weighted average algorithm，WAA。该成果于2024年12月最新发表在中JCR1区、 中科院1区 SCI期刊 Knowledge-Based Systems。

在WAA算法中，加权平均位置代表当前种群分布，并与个体最佳位置和全局最佳位置相结合，指导下一次迭代的位置更新。

1. 初始化。和其他算法一样，采用随机初始化：

2.加权平均位置。加权平均位置计算的第一步是计算每个参与者的适应度，并根据两个特征中的一个对总体进行重新排列，即越大越好（LTB）或越小越好（STB）。之后是第一个在总体中选择候选者，使用以下公式计算加权平均位置。

3.定义搜索阶段：探索或开发。更具体地说，f(it)≥0.5的候选解将根据开发能力移动。而在低于阈值f(it) < 0.5的条件下，候选解会根据探索能力而移动。探索和开发之间的相互合作将产生更好的搜索空间。

4.探索阶段。利用策略模拟了搜索代理群体如何以高概率向搜索空间移动，以利用新的全局最优值。

5.开发阶段。第一种策略利用了利用Levy飞行法寻找全局最优位置的优势。

在某些情况下，算法确定的全局最优值可能在全局最优位置周围的区域，与全局最优位置的理想值相差太远。在这种情况下，WAA在遵循第一种策略时面临收敛到局部最优的风险。为了克服这个限制，我们采用第二种移动策略来调整搜索空间：

原文作者为了验证WAA的有效性和可靠性，将其应用于各种优化挑战，其中包括无约束基准函数和约束工程挑战。基于Friedman和Wilcoxon分析，可以得出结论，该算法在考虑基准函数和工程问题时获得了最佳性能。

参考文献

原文作者为了验证WAA的有效性和可靠性，将其应用于各种优化挑战，其中包括无约束基准函数和约束工程挑战。基于Friedman和Wilcoxon分析，可以得出结论，该算法在考虑基准函数和工程问题时获得了最佳性能。

Matlab代码下载

2024年12月一区SCI-加权平均优化算法Weighted average algorithm-附Matlab免费代码