多子群的共生非均匀高斯变异樽海鞘群算法.docx

"多子群的共生非均匀高斯变异樽海鞘群算法" 本文提出了一种多子群的共生非均匀高斯变异樽海鞘群算法（Multi-subpopulation based symbiosis and non-uniform Gaussian mutation salp swarm algorithm, MSNSSA），以解决标准樽海鞘群算法存在的求解精度不高和收敛速度慢等问题。 樽海鞘群算法是一种新型启发式智能算法，它具有结构简单、参数少、容易实现等优点。然而，樽海鞘群算法仍然存在求解精度低和收敛速度慢等缺陷。 文献[9]提出固定惯性权重，可以加快搜索过程中的收敛速度，并应用于特征选择问题。文献[10]把樽海鞘群算法和混沌理论结合提出混沌樽海鞘群算法，在解决特征提取问题时，能发现最优特征子集，最大程度地提高分类精度，最小化所选特征的数目。 文献[11]提出采用子群规模调整，每个子种群的大小随着进化的过程而逐渐增加，有利于提高算法在初始阶段的探测能力和后期的开采能力。文献[12]在算法中加入共享机制，改进原始算法的随机追踪的位置更新公式，降低搜索盲目性，提高收敛速度。 文献[13]提出非均匀变异演化算法，使个体能够跳出局部最优，以克服早熟现象。文献[14]通过高斯变异来增强蝙蝠算法种群的多样性。 本文提出的多子群的共生非均匀高斯变异樽海鞘群算法（MSNSSA）将种群分为领导者、追随者和链尾者三个子群。首先对领导者位置更新公式中参数 c1 进行分析，以更好平衡探索和开发能力；然后对追随者位置更新公式采用共生策略，增加与最优个体的交流，增强局部开发能力；最后链尾者更新使用非均匀高斯变异，增强种群多样性。 通过求解14个典型测试函数和 CEC 2014 测试函数的最优解，验证了改进算法 MSNSSA 的有效性和鲁棒性。 樽海鞘群算法在樽海鞘群算法[8]中樽海鞘链由领导者和追随者两种类型的樽海鞘组成。领导者是位于樽海鞘链的最前面，而其他个体则为追随者的角色。随机初始化种群:XN×d=rand(N,d)×(ub−lb)+lb 樽海鞘群算法的位置更新公式如下所示:xij={Fj+c1((ubj−lbj)c2+lbj),c3≥0.5Fj−c1((ubj−lbj)c2+lbj),c3<0.5 樽海鞘群算法的参数 c1 定义如下:c1=2e−(4tTmax)m 樽海鞘群算法的系数 c1 是樽海鞘群算法中最重要的参数，它可以使樽海鞘群算法的探索能力和开发能力处于较好状态。