求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization, GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点，提出一种改进GJO算法(I-GJO)。在改进算法中，设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子，以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略，从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性，选取6个基准函数优化问题进行数值实验，并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明，I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题，对16个基准数据集的数值结果显示，改进算法能有效去除冗余特征和提高分类精度。