面向全局搜索的自适应领导者樽海鞘群算法
文章目录
- 一、理论基础
- 1、基本樽海鞘群算法
- 2、改进算法ALSSA
- 2.1 改进领导者位置更新公式
- 2.1.1 引入上一代樽海鞘领导者位置
- 2.1.2 引入惯性权重
- 2.2 引入领导者-跟随者自适应调整策略
- 3、ALSSA算法流程
- 二、仿真实验
- 三、参考文献
一、理论基础
1、基本樽海鞘群算法
请参考这里。
2、改进算法ALSSA
2.1 改进领导者位置更新公式
2.1.1 引入上一代樽海鞘领导者位置
本文在领导者位置更新公式中引入上一代樽海鞘领导者位置,使得领导者在位置更新阶段既受上一代樽海鞘领导者位置的影响,同时又受上一代全局最优解的影响,有效地避免了基本算法易陷入局部极值的问题,提高了算法的寻优精度。改进后的樽海鞘领导者位置更新公式为:Xji(t)=Xji(t−1)+(FoodPositionj(t−1)−Xji(t−1))⋅rand(1)X_j^i(t)=X_j^i(t-1)+(FoodPosition_j(t-1)-X_j^i(t-1))\cdot rand\tag{1}Xji(t)=Xji(t−1)+(FoodPositionj(t−1)−Xji(t−1))⋅rand(1)其中,Xji(t−1)X_j^i(t-1)Xji(t−1)为上一代中第iii个樽海鞘领导者在第jjj维的位置,FoodPositionj(t−1)FoodPosition_j(t-1)FoodPositionj(t−1)为上一代中第jjj维的全局最优解,通过引入上一代的位置,樽海鞘领导者能够更有效地进行全局搜索,增强算法跳出局部极值的能力。
2.1.2 引入惯性权重
本文还在领导者位置更新公式中引入动态惯性权重,随迭代次数自适应递减的惯性权重www表示了樽海鞘领导者受全局最优解影响程度的变化。惯性权重的计算公式为:w=e2⋅(1−t/Max_iter)−e−2⋅(1−t/Max_iter)e2⋅(1−t/Max_iter)+e−2⋅(1−t/Max_iter)(2)w=\frac{e^{2\cdot(1-t/Max\_iter)}-e^{-2\cdot(1-t/Max\_iter)}}{e^{2\cdot(1-t/Max\_iter)}+e^{-2\cdot(1-t/Max\_iter)}}\tag{2}w=e2⋅(1−t/Max_iter)+e−2⋅(1−t/Max_iter)e2⋅(1−t/Max_iter)−e−2⋅(1−t/Max_iter)(2)结合公式(1)、(2),新的樽海鞘领导者位置更新公式为:Xji(t)=Xji(t−1)+(w⋅FoodPositionj(t−1)−Xji(t−1))⋅rand(3)X_j^i(t)=X_j^i(t-1)+(w\cdot FoodPosition_j(t-1)-X_j^i(t-1))\cdot rand\tag{3}Xji(t)=Xji(t−1)+(w⋅FoodPositionj(t−1)−Xji(t−1))⋅rand(3)其中,惯性权重www为基于双曲正切函数的非线性递减值,其取值范围为(0,1)(0,1)(0,1),ttt为当前迭代次数,Max_iterMax\_iterMax_iter为最大迭代次数, Xji(t−1)X_j^i(t-1)Xji(t−1)为上一代中第iii个樽海鞘领导者在第jjj维的位置,FoodPositionj(t−1)FoodPosition_j(t-1)FoodPositionj(t−1)为上一代中第jjj维的全局最优解。通过引入惯性权重,使得改进后的算法能够在全局和局部搜索之间保持较好平衡,樽海鞘领导者更好地发挥领导者作用,提高算法的寻优精度。
2.2 引入领导者-跟随者自适应调整策略
本文引入领导者-跟随者自适应调整策略,樽海鞘领导者的数目随迭代次数的增加自适应减少,跟随者数目自适应增加,在算法前期能够保持很强的全局搜索能力,同时兼顾局部搜索,而在算法运行后期,局部搜索逐渐增强,同时也兼顾全局搜索,从整体上提高了算法的收敛精度。改进后的领导者-跟随者数量计算公式为:
每代中领导者数量等于r⋅Nr\cdot Nr⋅N
跟随者数量等于(1−r)N(1-r)N(1−r)Nr=b⋅(tan(−πt4⋅Max_iter+π4)−k⋅rand())(4)r=b\cdot\left(\tan\left(-\frac{\pi t}{4\cdot Max\_iter}+\frac\pi4\right)-k\cdot rand()\right)\tag{4}r=b⋅(tan(−4⋅Max_iterπt+4π)−k⋅rand())(4)其中,ttt是当前迭代次数,Max_iterMax\_iterMax_iter是最大迭代次数。bbb为控制领导者-跟随者数量的比例系数,避免迭代前期的樽海鞘领导者或迭代后期的樽海鞘跟随者比例过高,全局和局部搜索失衡降低寻优性能,易陷入局部极值的现象,经大量实验测试,本文取值为0.75。分析式(4)可知,rrr的值随着算法迭代次数的增加呈非线性递减趋势,于是领导者数量逐渐减少,跟随者数量逐渐增加,在迭代后期,更多的樽海鞘跟随者在全局最优值附近深度挖掘。kkk为扰动偏离因子,结合randrandrand函数对递减的rrr值进行扰动,经大量实验反复测试,kkk等于0.2时,寻优效果最佳。
3、ALSSA算法流程
ALSSA算法描述如下:
二、仿真实验
为了全面检验本文改进算法的寻优能力,选取12个具有不同寻优特征的CEC2017基准测试函数,将本文算法ALSSA与 SSA(2017)、Improved Salp Swarm Algorithm(ISSA, 2018)[2]、Enhanced Salp Swarm Algorithm(ESSA 2019)[3]和Phasor Particle Swarm Optimization(PPSO, 2019)[4]共五种算法,分别在10维、50维和100维上进行对比测试。本文选取50维的f1~f5进行测试。为保证实验的公平性与客观性,五种算法均在相同条件下独立运行30次,种群大小均为30,最大进化代数Max_iter=1000Max\_iter=1000Max_iter=1000。
结果显示如下:
函数:F1
ALSSA:最差值: 1.3784e-170,最优值:2.9511e-181,平均值:4.6014e-172,标准差:0
ESSA:最差值: 3.873e-35,最优值:1.9409e-67,平均值:1.3616e-36,标准差:7.0671e-36
SSA:最差值: 4671.7464,最优值:0.080235,平均值:725.8782,标准差:1280.8211
PPSO:最差值: 26861.257,最优值:5.9303,平均值:5109.7118,标准差:6239.9528
ISSA:最差值: 8875.3435,最优值:53.6108,平均值:2806.6147,标准差:2887.2303
函数:F2
ALSSA:最差值: 3.6226e-213,最优值:8.3791e-242,平均值:1.208e-214,标准差:0
ESSA:最差值: 6.8185e-39,最优值:7.5051e-79,平均值:2.273e-40,标准差:1.2449e-39
SSA:最差值: 4.52868283568363e+33,最优值:3.331564698998887e+21,平均值:3.178190306763243e+32,标准差:1.008186450073652e+33
PPSO:最差值: 5.2911e-06,最优值:1.812e-14,平均值:3.2316e-07,标准差:9.679e-07
ISSA:最差值: 1.704601382275537e+38,最优值:1.621108126168587e+27,平均值:6.77598412558555e+36,标准差:3.121402855304758e+37
函数:F3
ALSSA:最差值: 1.0687e-175,最优值:2.012e-187,平均值:4.9956e-177,标准差:0
ESSA:最差值: 1.2426e-43,最优值:1.2088e-87,平均值:4.302e-45,标准差:2.2667e-44
SSA:最差值: 3.5227e-07,最优值:8.7778e-08,平均值:1.804e-07,标准差:7.3417e-08
PPSO:最差值: 0.09579,最优值:1.9342e-05,平均值:0.014775,标准差:0.02086
ISSA:最差值: 1.9982e-07,最优值:7.8953e-08,平均值:1.1748e-07,标准差:2.7033e-08
函数:F4
ALSSA:最差值: 0,最优值:0,平均值:0,标准差:0
ESSA:最差值: 0,最优值:0,平均值:0,标准差:0
SSA:最差值: 0.024524,最优值:0.00011319,平均值:0.0079809,标准差:0.0082814
PPSO:最差值: 0.0057122,最优值:2.8978e-06,平均值:0.00044912,标准差:0.0010256
ISSA:最差值: 0.022691,最优值:2.6505e-05,平均值:0.0047983,标准差:0.0068465
函数:F5
ALSSA:最差值: 0,最优值:0,平均值:0,标准差:0
ESSA:最差值: 0,最优值:0,平均值:0,标准差:0
SSA:最差值: 877.5308,最优值:305.4502,平均值:499.9647,标准差:126.0478
PPSO:最差值: 45.181,最优值:9.2047e-06,平均值:7.4628,标准差:12.5125
ISSA:最差值: 658.6539,最优值:234.8094,平均值:407.8959,标准差:120.6948
上述求解结果和分析表明,ALSSA算法均呈现出较好的求解性能,求解精度和稳定性明显优于其它四个对比算法。
三、参考文献
[1] 刘景森, 袁蒙蒙, 左方. 面向全局搜索的自适应领导者樽海鞘群算法[J]. 控制与决策, 2021, 36(9): 2152-2160.
[2] 王梦秋, 王艳, 纪志成. 基于改进樽海鞘群算法的PMSM多参数辨识[J]. 系统仿真学报, 2018, 30(11): 4284-4292.
[3] M. H. Qais, H. M. Hasanien, S. Alghuwainem. Enhanced salp swarm algorithm: Application to variable speed wind generators[J]. Engineering Applications of Artificial Intelligence, 2019, 80: 82-96.
[4] Ghasemi, M., Akbari, E., Rahimnejad, A. et al. Phasor particle swarm optimization: a simple and efficient variant of PSO[J]. Soft Computing, 2019, 23: 9701-9718.
面向全局搜索的自适应领导者樽海鞘群算法相关推荐
- 面向全局搜索的自适应领导者樽海鞘群算法-附代码
面向全局搜索的自适应领导者樽海鞘群算法 文章目录 面向全局搜索的自适应领导者樽海鞘群算法 1.樽海鞘群算法 2.改进樽海鞘群算法 2.1 改进领导者位置更新公式 2.2 引入领导者-跟随者自适应调整策 ...
- matlab代码:面向全局搜索的自适应领导者樽海鞘群算法
matlab代码:面向全局搜索的自适应领导者樽海鞘群算法 面向全局搜索的自适应领导者樽海鞘群算法. 首先, 在领导者位置更新公式中引入上一代樽海鞘群位置,增强全局搜索的充分性,有效避免算法陷入局部极值 ...
- 基于疯狂自适应的樽海鞘群算法
基于疯狂自适应的樽海鞘群算法 文章目录 基于疯狂自适应的樽海鞘群算法 1.樽海鞘群算法 2.基于疯狂自适应樽海鞘群算法 2.1 Tent映射的种群初始化 2.2 疯狂算子 2.3自适应惯性权重 3.实 ...
- 基于混沌映射的自适应樽海鞘群算法
文章目录 一.理论基础 1.基本樽海鞘群算法 2.改进的樽海鞘群算法 (1)混沌映射 (2)自适应权重变化 (3)追随者机制变化 (4)算法伪代码 二.实验仿真及结果分析 三.参考文献 一.理论基础 ...
- 混沌映射与动态学习的自适应樽海鞘群算法-附代码
混沌映射与动态学习的自适应樽海鞘群算法 文章目录 混沌映射与动态学习的自适应樽海鞘群算法 1.樽海鞘群算法 2.改进樽海鞘群算法 2.1 基于改进 Tent 映射的种群初始化 2.2 基于 Logis ...
- 基于混沌映射的自适应樽海鞘群算法-附代码
基于混沌映射的自适应樽海鞘群算法 文章目录 基于混沌映射的自适应樽海鞘群算法 1.樽海鞘群算法 2.改进樽海鞘群算法 2.1 混沌映射 2.2 自适应权重变化 2.3 追随者机制变化 3.实验结果 4 ...
- 基于混沌映射与动态学习的自适应樽海鞘群算法
文章目录 一.理论基础 1.樽海鞘群算法SSA 2.改进樽海鞘群算法CDSSA (1)基于改进Tent映射的种群初始化 (2)基于Logistic映射的领导者更新 (3)基于动态学习的追随者更新 (4 ...
- 基于差异演化的寄生樽海鞘群算法
文章目录 一.理论基础 1.标准SSA算法 2.PDESSA算法 2.1 改进领导者全局搜索方式 2.1.1 上代领导者位置信息的影响 2.1.2 非线性惯性权重 2.2 寄生和宿主双种群 2.3 P ...
- 基于正交设计的折射反向学习樽海鞘群算法
文章目录 一.理论基础 1.樽海鞘群算法 2.正交反向学习樽海鞘群算法OOSSA (1)正交反向学习策略 (2)惯性权重策略 (3)OOSSA算法 二.仿真实验与结果分析 三.参考文献 一.理论基础 ...
- 【WSN】基于樽海鞘群算法实现无线传感器网络WSN节点的部署优化matlab源码
1 算法介绍 一种基于樽海鞘群算法的无线传感器网络节点定位方法,包括初始化樽海鞘群个体节点,判断节点位置,将节点位置作为食物源对周围环境进行链式搜索,找到其余节点进行确认,并转为食物源变量进行迭代搜索 ...
最新文章
- vivado中如何导入ise工程
- 互联网时代的春节注意事项 PMcaff | 趣事
- edge浏览器如何把网页放到桌面_最强桌面浏览器
- linux下cabal安装教程,Centos 7 安装shellcheck
- centos7/rhel7重置root密码 (rd.break和init方法)
- 达索系统成立“大土木工程达索系统BIM技术推进联盟”深化应用、共享经验
- Oracle - 查询语句 - 多表关联查询
- 【渝粤教育】国家开放大学2018年春季 0064-21T20世纪欧美文学 参考试题
- 【转】测试用例设计——WEB通用测试用例
- LINUX Centos7利用七牛空间做定时备份 qshell定时备份,定时上传到七牛空间
- 汝把公司搞死了,不批汝批谁?
- 张鹏程:7月24日阿里云上海峰会弹性计算大神
- TransE如何进行向量更新?
- mapgis矢量化怎么打分数_MapGIS67操作手册(3-12)MapGIS67矢量化的基本流程
- word中插入一页横向页面
- houdini快速物体拖尾笔记
- 【方块消除】(附加工程)
- route指令使用详解
- teamviewer 黑屏 linux,Teamviewer 在 Linux 下无法启动?
- 挑战感知极限:智能安全感知驱动设计
热门文章
- 初中计算机知识ppt,初中信息技术操作考试系统题库PowerPoint部分
- CMD 乱码怎样解决
- 药方的量化方法笔记(学习与尝试):第一回 中药材数据库的建立 归经的统计 药方归经和功效的量化拆解
- 全国省市区(县)级地名xml(一)
- 三凌PLC源码,STM32F205VCT6主控PLC控制器板,已批量生产
- Hilbert变换及谱分析
- 计算机丢失文件无法打开ae,新手AE打开工程文件提示文件丢失解决办法0001.docx...
- 逐星mrp生产管理系统 msn软件下载
- 经典软件项目源码汇总
- 【计算机网络】信源编码——香农三大定理