基于混合策略改进的鲸鱼优化算法
文章目录
- 一、理论基础
- 1、基本鲸鱼优化算法
- 2、混合策略改进的鲸鱼优化算法
- (1)Sobol序列初始化种群
- (2)非线性时变因子和自适应权值
- (3)随机性学习策略
- (4)柯西变异策略
- 二、算法描述
- 三、仿真实验与结果分析
- 四、参考文献
一、理论基础
1、基本鲸鱼优化算法
请参考这里。
2、混合策略改进的鲸鱼优化算法
(1)Sobol序列初始化种群
标准WOA采用随机方式对种群进行初始化初始种群的分布相对不均匀。本文采用Sobol序列对种群进行初始化,Sobol序列是一种随机序列,在种群的每一个维度上均由底数为2的Radical Inversion组成,且每一个维度的Radical Inversion都有各自不同的矩阵,从而产生不重复且均匀的点。为对比随机分布与Sobol序列产生随机数的空间分布,在[0,1][0,1][0,1]范围内产生规模为500的种群在二维空间的随机数分布图,由图1对比可知,经Sobol序列得到的种群分布更为均匀且对解空间的覆盖更完整。
(a)随机生成散点图
(b)Sobol序列生成散点图 图1 随机法与Sobol序列生成个体分布图
(2)非线性时变因子和自适应权值
为了改善收敛因子a对算法的影响,本文提出一种分段非线性收敛因子,公式如下:{a=1+cos(π×tT),t≤Ta=cos(π×t−0.5TT),t>T(1)\begin{dcases}a=1+cos(\pi ×\frac tT),\quad \,\,\,\,\,\,t≤T\\a=cos(\pi×\frac{t-0.5T}{T}),\quad t>T\end{dcases}\tag{1}⎩⎪⎨⎪⎧a=1+cos(π×Tt),t≤Ta=cos(π×Tt−0.5T),t>T(1)图2为收敛因子与参数AAA在迭代次数为500时的分布图,从图中可看出,本文所提收敛因子aaa比原始收敛因子aaa在迭代早期及迭代后期均大,从而在没有改变全局勘探和局部开发的分割点的同时,增强了算法前期全局勘探和后期局部开发能力。
图2 收敛因子a和参数A分布图
考虑到捕猎过程中猎物目标对鲸鱼群位置更新的影响,本文提出一种自适应权值策略,公式如下:w(t)=2π×tan(tT)(2)w(t)=\frac2\pi×tan(\frac tT)\tag{2}w(t)=π2×tan(Tt)(2)于是位置更新公式变为:x(t+1)=xrand(t)×w−A×Drand,p<0.5,∣A∣>1(3)x(t+1)=x_{rand}(t)×w-A×D_{rand},\,p<0.5,|A|>1\tag{3}x(t+1)=xrand(t)×w−A×Drand,p<0.5,∣A∣>1(3)x(t+1)=x∗(t)×w−A×D1,p<0.5,∣A∣≤1(4)x(t+1)=x^*(t)×w-A×D_1,\,p<0.5,|A|≤1\tag{4}x(t+1)=x∗(t)×w−A×D1,p<0.5,∣A∣≤1(4)x(t+1)=D2eblcos(2πl)+x∗(t)×(1−w),p≥0.5(5)x(t+1)=D_2e^{bl}cos(2\pi l)+x^*(t)×(1-w),\,p≥0.5\tag{5}x(t+1)=D2eblcos(2πl)+x∗(t)×(1−w),p≥0.5(5)自适应权值随迭代次数的增加呈非线性增加的趋势。迭代初期权值较小,此时目标模糊,对位置更新影响不大;算法中后期,目标逐渐清晰,此时权值随迭代次数的增加逐渐变大,目标对鲸鱼个体的吸引力越来越强,由于采用全局最优解引导,故增强了局部开发能力,使得鲸鱼群能够更加快速和准确的找到目标解,有效加强算法寻优性能、加快算法收敛速度、提升算法稳定性。
(3)随机性学习策略
对于个体xxx,从种群中随机选出与之不同的个体xpx_pxp,通过比较两者的适应度值选择更优秀的个体,通过向更优秀的个体进行学习调整个体的位置。 xnew={x+rand(0,1)×(x−xp),f(xp)<f(x)x+rand(0,1)×(xp−x),f(xp)≥f(x)(6)x_{new}=\begin{dcases}x+rand(0,1)×(x-x_p),\quad f(x_p)<f(x)\\x+rand(0,1)×(x_p-x),\quad f(x_p)≥f(x)\end{dcases}\tag{6}xnew={x+rand(0,1)×(x−xp),f(xp)<f(x)x+rand(0,1)×(xp−x),f(xp)≥f(x)(6)其中,学习因子rand(0,1)rand(0,1)rand(0,1)是(0,1)(0,1)(0,1)间的随机数,体现了每个个体学习能力的差异。经过学习后,如果f(xp)<f(x)f(x_p)<f(x)f(xp)<f(x),则种群接受新个体xnewx_{new}xnew并取代个体xxx,否则种群拒绝劣个体xnewx_{new}xnew。个体的随机性学习给予个体更
为丰富的信息,增强种群信息分享能力从而增加种群多样性,有效提升算法全局寻优性能。
(4)柯西变异策略
对于传统WOA算法易陷入局部最优的问题,结合柯西分布引入柯西变异策略,给予当前最优个体以柯西扰动,当个体陷入局部最优时,柯西算子能够产生较大步长使算法跳出局部最优,亦能够产生较小步长加快对最优解的搜索速度。因此,本文采用如下柯西变异公式,对当前最优个体进行位置更新:xnew∗(t)=x∗(t)×(1+cauchy(0,1))(7)x_{new}^*(t)=x^*(t)×(1+cauchy(0,1))\tag{7}xnew∗(t)=x∗(t)×(1+cauchy(0,1))(7)其中,xnew∗(t)x_{new}^*(t)xnew∗(t)为当前最优值经柯西扰动后得到的新值,cauchy(0,1)cauchy(0,1)cauchy(0,1)为柯西算子,标准柯西分布函数公式如下:f(x)=1π×(x2+1),x∈(−∞,+∞)(8)f(x)=\frac{1}{\pi×(x^2+1)},\quad x∈(-\infty,+\infty)\tag{8}f(x)=π×(x2+1)1,x∈(−∞,+∞)(8)由数学理论可知,柯西分布两端延伸能够产生距原点较远的随机数,能够对鲸鱼个体产生较强扰动,使经过扰动的鲸鱼具备迅速避开局部陷阱的能力。同时,与其他函数相比柯西分布最高峰值较低,能够缩短个体在搜索空间花费的时间,从而加快算法的收敛速度。
二、算法描述
MSWOA算法流程可描述如下:
a)初始化算法相关参数:种群规模NNN、空间维度dimdimdim、种群的可搜索空间[lb,ub][lb,ub][lb,ub]、最大迭代次数TTT。
b)采用Sobol序列初始化种群位置。
c)计算个体适应度值,并找出最优适应度值和对应的最优个体;若最优适应度值连续10代未发生变化,则根据式(7)对最优个体进行柯西变异操作。
d)根据式(1)更新参数aaa,进而更新AAA,根据式(2)更新参数www,并同时更新参数c,pc,pc,p。
e)当p<0.5p<0.5p<0.5时,若∣A∣>1|A|>1∣A∣>1,进入步骤fff,若∣A∣≤1|A|≤1∣A∣≤1,进入步骤ggg,当p≥0.5p≥0.5p≥0.5时,进入步骤hhh。
f)进行全局搜索,根据式(6)进行随机性学习更新较差个体位置,进一步根据式(3)更新个体位置。
g)进行包围猎物操作,根据式(4)更新个体位置。
h)进行螺旋气泡网捕食操作,根据式(5)更新个体位置。
i)判断是否满足迭代终止条件, 满足则输出全局最优解及位置信息,否则进入步骤ccc继续执行。
三、仿真实验与结果分析
基于相同的种群规模、最大迭代次数及运行次数,在基准测试函数上比较MSWOA、WOA(鲸鱼优化算法)、BOA(蝴蝶优化算法)、GWO(灰狼优化算法)、GSA(引力搜索算法)、PSO(粒子群算法)、ABC(人工蜂群算法)的收敛速度和寻优精度。以F1~F4为例。
结果表明,基于混合策略改进的鲸鱼优化算法在寻优精度及收敛速度上均有明显提升。
四、参考文献
[1] 秋兴国, 王瑞知, 张卫国, 等. 基于混合策略改进的鲸鱼优化算法[J]. 计算机工程与应用, 2022, 58(1): 70-78.
基于混合策略改进的鲸鱼优化算法相关推荐
- 基于混合策略改进的蝴蝶优化算法
文章目录 一.理论基础 1.蝴蝶优化算法 2.正弦余弦算法 3.MSBOA算法(混合策略改进的蝴蝶优化算法) (1)融合改进正弦余弦算法的局部搜索 (2)自适应权重系数 (3)逐维变异策略 二.MSB ...
- 基于混合策略改进的花朵授粉算法
文章目录 一.理论基础 1.花朵授粉算法(FPA) 2.基于混合策略改进的花朵授粉算法 (1)自适应转换概率策略 (2)动态全局搜索策略 (3)局部搜索增强策略 (4)花粉越界修正策略 (5)HSFP ...
- 混合策略改进的蝴蝶优化算法-附代码
混合策略改进的蝴蝶优化算法 文章目录 混合策略改进的蝴蝶优化算法 1.蝴蝶优化算法 2. 改进蝴蝶优化算法 2.1 混沌映射初始化 2.2 融合改进正弦余弦算法的局部搜索 2.3 自适应权重系数 2. ...
- 混合策略改进的麻雀优化算法
文章目录 一.理论基础 1.麻雀优化算法 2.混合策略改进的麻雀优化算法 (1)佳点集的种群初始化 (2)黄金莱维飞行策略 (3)t-分布扰动策略 (4)动态分配侦察者策略 (5)MI-SSA算法实现 ...
- 基于自适应调整权重和搜索策略的鲸鱼优化算法
文章目录 一.理论基础 1.鲸鱼优化算法 2.鲸鱼优化算法的改进 (1)自适应调整权重 (2)自适应调整搜索策略 (3)AWOA流程图 二.仿真对比与分析 三.参考文献 一.理论基础 1.鲸鱼优化算法 ...
- 【智能优化算法】基于自适应策略的混合鲸鱼优化算法求解单目标优化问题附matlab代码
1 简介 针对鲸鱼优化算法在函数优化时存在收敛速度慢,易陷入局部最优等问题,提出了一种基于自适应策略的混合鲸鱼优化算法.该算法中先利用蝙蝠算法的局部搜索机制对当前鲸鱼算法最优解进行高斯扰动产生局部新解 ...
- 基于改进鲸鱼优化算法的WSN覆盖优化
文章目录 一.理论基础 1.WSN节点覆盖模型 2.基本鲸鱼算法 3.改进鲸鱼优化算法 (1)量子位Bloch球面初始化 (2)改进搜索猎物过程 (3)莱维飞行扰动策略 二.算法流程 三.仿真实验与分 ...
- 基于精英反向学习和Lévy飞行的鲸鱼优化算法
文章目录 一.理论基础 1.鲸鱼优化算法 2.改进鲸鱼优化算法 (1)基于精英反向学习的种群初始化 (2)自适应权重 (3)Lévy飞行 二.实验结果与分析 三.参考文献 一.理论基础 1.鲸鱼优化算 ...
- 基于自适应权重和Levy飞行的改进鲸鱼优化算法
文章目录 一.理论基础 1.基本鲸鱼优化算法 2.改进的鲸鱼优化算法 (1)自适应权重方法 (2)Levy飞行策略 (3)改进WOA的算法流程图 二.实验测试及分析 三.参考文献 一.理论基础 1.基 ...
最新文章
- 解决myeclipse中新建javaweb工程,无法使用Web App Libraries问题
- Redis 3.2.1集群 —— fail状态的产生
- C语言中图形方式界面怎么,「分享」C语言如何编写图形界面
- 自动注入、加载 properties 文件、scope 属性、单例设计模式
- 三星S10+真机上手视频流出:屏下指纹让强迫症不忍直视
- GNU Emacs的终极扩展管理工具 — el-get
- 润土之四——构造润土的来由
- VFIO IOMMU简介
- java代码分析及分析工具
- PTA L1-087(C++) 机工士姆斯塔迪奥
- 微信读书产品体验报告
- 带通滤波器c5000汇编语言,基于SIW技术的高选择性带通滤波器的设计与实现
- android extra_shortcut_icon,Android Shortcut操作(一)
- 百度全景地图调用时不能进入
- java开发一年的心得体会
- 基于偏置比例导引的任意指定攻击角度控制导引律(matlab源代码+原理)
- 4月10日服务器例行维护公告,4月14日服务器例行维护公告
- java自动投票软件_如何编写一个自动投票程序
- ORA-20001:Password length less than 8
- 一名前端开发工程师的离职邮件,字里行间都是痛!