摘要：针对探路者算法(Pathfinder Algorithm,PFA)在寻优时收敛速度慢、求解精度低与极易陷入局部最优等问题,提出一种基于折射反向学习的改进正弦余弦探路者算法运用于函数优化问题当中。首先,通过折射反向学习策略初始化种群,利用折射与反向原理相结合使初始解更加靠近最优解位置,优质的种群定位能为迭代期的策略执行提供良好基础;其次,在探路者位置更新阶段引入改进的正弦余弦个体位置更新方式,该方式将原更新式中的线性步长搜索因子进行替换,以非规律的模式产生新代探路者个体,从而降低个体忽略最优解的概率,同时提出一种自适应权重添加至原更新式当中,配合正、余弦函数对算法的全局搜索与局部开发能力进行平衡;最后,将本文算法运用于12个经典的基准测试函数与10个具有复杂特征的CEC2014基准测试函数上进行寻优求解,并将其运用于压力容器设计与三杆桁设计问题,同时选取了合适的评价指标对算法性能进行评估。实验结果表明:本文算法在收敛速度、寻优精度与局部最优规避性方面均有较大提升,出色的工程优化性能也证明了本文算法的鲁棒性。

摘要：针对探路者算法(PFA)求解精度不高、寻优速度较慢与易陷入局部最优等问题,提出一种嵌入Cat映射的混合变异探路者算法(CHMPFA)运用于函数优化问题中。首先,利用Cat混沌映射的随机性和分散性等特点,再结合反向学习的引导作用,使种群能够覆盖在更为广阔的搜索空间,提高算法的全局搜索能力;其次,在探路者位置更新阶段引入衰减因子平衡算法的全局和局部搜索能力,通过迭代次数的增长逐渐地缩小搜索空间范围,帮助算法快速找到最优解,从而提升算法的搜索效率和收敛速度;最后,利用变异概率随机选择柯西变异或高斯变异对最优个体进行位置扰动,两种变异策略能够帮助个体快速跳出局部最优向其它区域前进。将CHMPFA在10个经典基准测试函数和12个复杂的CEC2017函数集上进行测试,并将其运用于压力容器工程设计问题,与原算法和其它算法的实验结果进行比较,结果表明CHMPFA的求解精度、寻优速度与局部最优规避性均明显加强,更低的工程造价成本进一步验证了CHMPFA的鲁棒性。