基于自适应权重和柯西变异的鲸鱼优化算法
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)柯西分布的逆累积分布函数
- (2)自适应权重
- (3)算法流程图
- 二、函数测试与结果分析
- 三、参考文献
一、理论基础
1、鲸鱼优化算法
请参考这里。
2、鲸鱼优化算法的改进
为了改进鲸鱼算法容易陷入局部最优和收敛精度低的问题,本文从两个方面对鲸鱼算法进行改进。一方面通过柯西分布积累函数的方法对全局搜索的鲸鱼位置信息变异,提高鲸鱼的全搜索探能力;另一方面通过引入自适应权重方法,从而来提高鲸鱼的局部寻优能力。
(1)柯西分布的逆累积分布函数
当鲸群在进行全局搜索时,需要随机选取一头鲸鱼作为参考鲸鱼,然后其它鲸鱼向参考鲸鱼随机选取靠近。参考鲸鱼的选择影响鲸鱼算法的全局搜索,原算法中参考鲸鱼是随机选择的,因此不容易找到全局最优解,针对这个问题,本文选取了柯西逆累积分布函数对鲸鱼进行变异,通过柯西分布有很长的尾巴的特点,让鲸鱼个体朝更广的范围变异。同时,当鲸鱼进行柯西逆累积分布函数变异时,鲸鱼会采用螺旋行走进行局部寻优,从而避免了鲸鱼盲目变异的特点。柯西逆累积分布函数如式(1)所示,鲸群全局搜索的数学模型如式(2)所示。 F − 1 ( p ; x 0 ; γ ) = x 0 + γ ⋅ tan ( π ⋅ ( p − 1 2 ) ) (1) F^{-1}(p;x_0;\gamma)=x_0+\gamma\cdot\tan\left(\pi\cdot\left(p-\frac12\right)\right)\tag{1} F−1(p;x0;γ)=x0+γ⋅tan(π⋅(p−21))(1) X → ( t + 1 ) = x i j + A → ⋅ tan ( π ⋅ ( r − 1 2 ) ) (2) \overrightarrow X(t+1)=x_{ij}+\overrightarrow A\cdot\tan\left(\pi\cdot\left(r-\frac12\right)\right)\tag{2} X (t+1)=xij+A ⋅tan(π⋅(r−21))(2)其中, F − 1 F^{-1} F−1是柯西分布的逆累积分布函数, x i j x_{ij} xij是变异前的第 i i i头鲸鱼的 j j j个位置点, γ = A → \gamma=\overrightarrow A γ=A , r ∈ [ 0 , 1 ] r\in[0,1] r∈[0,1]的均匀分布。
(2)自适应权重
惯性权重是粒子群中很重要的一个参数,当惯性权重较大时,算法搜索能力较强,可以搜索较大的区域,当惯性权重较小时,算法后期搜索能力较强,可以在最优解周围精细搜索。
本文提出了新的自适应权重方法,鲸鱼接近食物的时候,采用较小的自适应权重改变此时最优的鲸鱼的位置,使得鲸鱼局部寻优能力得到提高。自适应权值公式如式(3)所示,鲸群局部寻优的数学模型如式(4)所示。 w = sin ( π ⋅ t 2 ⋅ i t max ) + 1 (3) w=\sin\left(\frac{\pi\cdot t}{2\cdot it_{\max}}\right)+1\tag{3} w=sin(2⋅itmaxπ⋅t)+1(3) X → ( t + 1 ) = w ⋅ X → ∗ ( t ) − A → ⋅ D → (4) \overrightarrow X(t+1)=w\cdot\overrightarrow X^*(t)-\overrightarrow A\cdot\overrightarrow D\tag{4} X (t+1)=w⋅X ∗(t)−A ⋅D (4)其中, t t t为当前迭代次数, i t max it_{\max} itmax是最大迭代次数。
(3)算法流程图
改进的鲸鱼算法从两个方面优化了鲸鱼捕食行为,一方面是通过柯西变异使鲸鱼获得更好的全局勘探能力,使得鲸鱼获得更好的全局最优解,另一方面通过自适应权重,使鲸鱼有更好的局部寻优能力,通过两方面的改进,改进后的鲸鱼算法流程图如图1所示。
图1 改进的鲸鱼算法流程图
二、函数测试与结果分析
将本文所提出的基于自适应权重和柯西变异的鲸鱼算法(WOAWC)与引力搜索算法(GSA)、粒子群算法(PSO)、鲸鱼算法(WOA)进行对比实验,其中迭代次数为500次,每个算法独立进行50次实验。以文献[1]中30维的F1、F2、F7、F9、F10、F13为例。结果显示如下:
函数:F1
WOA:最差值: 1.9956e-68, 最优值: 4.0286e-86, 平均值: 3.9914e-70, 标准差: 2.8222e-69, 秩和检验: 3.3111e-20
PSO:最差值: 1730.3885, 最优值: 219.752, 平均值: 991.4171, 标准差: 388.4419, 秩和检验: 3.3111e-20
GSA:最差值: 1.5337, 最优值: 5.9234e-17, 平均值: 0.037986, 标准差: 0.22183, 秩和检验: 3.3111e-20
WOAWC:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数:F2
WOA:最差值: 5.0403e-49, 最优值: 6.6396e-58, 平均值: 1.7766e-50, 标准差: 7.4841e-50, 秩和检验: 7.0661e-18
PSO:最差值: 31.3715, 最优值: 10.1303, 平均值: 23.2728, 标准差: 4.6303, 秩和检验: 7.0661e-18
GSA:最差值: 15.2539, 最优值: 3.482e-08, 平均值: 0.65832, 标准差: 2.2659, 秩和检验: 7.0661e-18
WOAWC:最差值: 7.8754e-182, 最优值: 1.657e-208, 平均值: 1.6325e-183, 标准差: 0, 秩和检验: 1
函数:F7
WOA:最差值: 0.020596, 最优值: 7.0149e-06, 平均值: 0.0045717, 标准差: 0.0043059, 秩和检验: 9.0385e-15
PSO:最差值: 6.708, 最优值: 0.45214, 平均值: 1.8912, 标准差: 1.1208, 秩和检验: 7.0661e-18
GSA:最差值: 9.2347, 最优值: 0.047118, 平均值: 0.67628, 标准差: 1.3915, 秩和检验: 7.0661e-18
WOAWC:最差值: 0.00062569, 最优值: 8.4707e-06, 平均值: 0.00015627, 标准差: 0.00013746, 秩和检验: 1
函数:F9
WOA:最差值: 5.6843e-14, 最优值: 0, 平均值: 2.2737e-15, 标准差: 1.1252e-14, 秩和检验: 0.15937
PSO:最差值: 204.2245, 最优值: 99.5442, 平均值: 148.6731, 标准差: 21.1879, 秩和检验: 3.3111e-20
GSA:最差值: 82.5813, 最优值: 19.8992, 平均值: 37.5099, 标准差: 14.0553, 秩和检验: 3.3082e-20
WOAWC:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数:F10
WOA:最差值: 1.5099e-14, 最优值: 8.8818e-16, 平均值: 4.7962e-15, 标准差: 2.7095e-15, 秩和检验: 8.0087e-16
PSO:最差值: 9.7922, 最优值: 6.6035, 平均值: 7.9625, 标准差: 0.82157, 秩和检验: 3.3111e-20
GSA:最差值: 2.4273e-08, 最优值: 7.4046e-09, 平均值: 1.1972e-08, 标准差: 3.1967e-09, 秩和检验: 3.3111e-20
WOAWC:最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
函数:F13
WOA:最差值: 1.0486, 最优值: 0.095879, 平均值: 0.52226, 标准差: 0.20346, 秩和检验: 8.3791e-16
PSO:最差值: 2049.9705, 最优值: 17.6267, 平均值: 125.5263, 标准差: 311.1892, 秩和检验: 7.0661e-18
GSA:最差值: 31.015, 最优值: 0.074611, 平均值: 9.7987, 标准差: 7.3703, 秩和检验: 1.01e-16
WOAWC:最差值: 0.26314, 最优值: 0.043871, 平均值: 0.13822, 标准差: 0.04814, 秩和检验: 1
实验结果表明,改进的鲸鱼算法和原鲸鱼算法、引力搜索算法、粒子群算法相比,收敛精度和算法稳定性上都要优于其它算法。
三、参考文献
[1] 郭振洲, 王平, 马云峰, 等. 基于自适应权重和柯西变异的鲸鱼优化算法[J]. 微电子学与计算机, 2017, 34(9): 20-25.
基于自适应权重和柯西变异的鲸鱼优化算法相关推荐
- 基于自适应权重的缎蓝园丁鸟优化算法-附代码
基于自适应权重的缎蓝园丁鸟优化算法 文章目录 基于自适应权重的缎蓝园丁鸟优化算法 1.缎蓝园丁鸟优化算法 2.改进的缎蓝园丁鸟优化算法 2.1 自适应权重 2.2 改进原高斯变异形式 3.实验结果 5 ...
- 基于柯西变异的蚁狮优化算法 - 附代码
基于柯西变异的蚁狮优化算法 文章目录 基于柯西变异的蚁狮优化算法 1.蚁狮优化算法 2. 改进蚁狮优化算法 2.1 基于柯西变异算子改进 3.实验结果 4.参考文献 5.Matlab代码 6.Pyth ...
- 【蚁狮算法】基于柯西变异的蚁狮优化算法求解单目标优化问题matlab代码
1 简介 针对蚁狮优化算法较易陷入局部最优停滞,收敛精度低以及收敛速度较慢等问题,将自适应t分布的柯西变异融入到蚁狮优化算法中,提出了基于柯西变异的蚁狮优化算法(CALO).该算法采用轮盘赌的方法挑选 ...
- 基于动态全局搜索和柯西变异的花授粉算法
文章目录 一.理论基础 1.基本花授粉算法 2.基于动态全局搜索和柯西变异的花授粉算法 (1)混沌映射 (2)动态全局搜索方法 (3)基于柯西变异的优化方法 (4)DCFPA的实现流程图 二.实验仿真 ...
- 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 ...
- 一种改进的鲸鱼优化算法
文章目录 一.理论基础 1.鲸鱼优化算法 2.改进的鲸鱼优化算法 (1)准反向学习初始化种群 (2)非线性收敛因子 (3)自适应权重策略与随机差分法变异策略 二.仿真实验及分析 三.参考文献 一.理论 ...
- 一种改进的鲸鱼优化算法-附代码
一种改进的鲸鱼优化算法 文章目录 一种改进的鲸鱼优化算法 1.鲸鱼优化算法 2. 改进鲸鱼优化算法 2.1 准反向学习初始化种群 2.2 非线性收敛因子 2.3 自适应权重策略与随机差分法变异策略 3 ...
- 基于惯性权重与柯西混沌变异的改进正余弦算法
文章目录 一.理论基础 1.正余弦算法SCA 2.基于惯性权重与柯西混沌变异的改进正余弦算法IWCCSCA (1)基于曲线自适应的振幅调整因子 (2)基于惯性权重的位置更新 (3)基于精英柯西混沌变异 ...
- 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
- 函数式编程(小练习)
- day36 10-Hibernate中的事务:解决丢失更新
- sqlmap完成简单的sql注入
- PAT (Basic Level) 1050 螺旋矩阵(模拟)
- SDI高清视频光端机特点有哪些?
- Redis 6.0 的客户端缓存是怎么肥事?一文带你了解!
- 大型企业都在用的Python反爬虫手段,破了它!
- jvm性能调优工具之 jmap使用详解
- 微软公司2008新技术预览大会
- 水凝胶 静电纺丝_【再生医学前沿】Nature子刊:静电纺丝玩出新花样!静电射流偏转的超快3D打印亚微米结构...
- 软件写注册表设置开机自启动
- java 汇率换算_汇率转换示例代码
- 公众号网课搜题系统-掘光者题库
- 自学系列外星人入侵2
- Scipy 学习 第1篇:插补
- 石墨文档(协同开发)
- 开源量化框架Catalyst中文教程(3)——双均线策略
- c 语言printf输出,位数不够补0
- 【异常解决】vue项目localhost:8080无法访问此网站或者无法访问此页面,localhost拒绝了我们的连接请求
- 儒猿秒杀季!互联网大厂的IM即时通信系统项目实战
热门文章
- 提高产品质量的措施有哪些
- springboot+shedule之温故而知新
- Android8.0中外接USB Audio设备无法控制音量问题
- DISK:Learning local features with policy gradient
- 充分利用笔记本的 USB-C 接口,不妨先换一个显示器,拒绝桌面线材凌乱
- 创建Texture(纹理)
- 静态数据成员(C++)
- 电脑开机密码怎么设置,教程在这里,Windows10系统下如何设置开机密码
- 最好用的备忘录软件,可用作员工生日提醒,工作事件提醒
- 微信小程序之数据的同步渲染