没有合适的资源?快使用搜索试试~ 我知道了~
多种群纵横双向学习和信息互换的鲸鱼优化算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 197 浏览量
2023-02-23
20:06:16
上传
评论
收藏 135KB DOCX 举报
温馨提示
试读
15页
多种群纵横双向学习和信息互换的鲸鱼优化算法.docx
资源推荐
资源详情
资源评论
1. 引言
20 世纪 40 年代以来,源于生物系统灵感的群体智能优化方法得到了极大应用。群体
智能方法是一种基于群体迭代的随机搜索优化方法,具有潜在的并行性、分布式搜索等特
点,可以有效规避部分局部极值,全局搜索能力较强,成为近些年来的研究热点。群体智
能优化的仿生对象主要来自自然,像早期的蚁群、鸟群、蜂群等,近期不同学者针对鱼
群、狼群、蚁狮、鲸鱼、蚱蜢和樽海鞘等生物行为特性,提出了许多新的优化方法。数值
实验表明这些方法具有一定的问题适用性,但同时也存在着收敛精度不高、局部规避能力
不强、大规模问题优化能力一般等相关问题
[1]
。鲸鱼优化算法(Whale Optimization
Algorithm,WOA)是澳大利亚学者 Mirjalili 等人
[2]
于 2016 年提出的,该算法主要是通过模拟
座头鲸的觅食行为方式来实现对优化问题的求解,已经在样本特征选择
[3]
、流水车间调度
[4]
、太阳光伏模型参数提取
[5]
、工程设计优化
[6]
、电力最优潮流设计
[7]
、云制造资源配置
[8]
、配电网综合优化
[9]
、无人机航路规划
[10]
等问题上得到了广泛的应用。现有研究表明,传
统 WOA 仍然存在早熟收敛、收敛速度慢以及无法找到全局最优解等问题
[11-20]
。
现有针对 WOA 方法的改进主要从初始化策略、非线性参数、惯性权重和局部跳出策
略等几个方面展开。如 Sun 等人
[11]
提出基于余弦函数的非线性动态控制参数更新策略,来
平衡算法的探索和开发能力,采用莱昂飞行策略(Lévy-flight)来跳出局部最优。Chen 等人
[6]
针对高维函数优化问题,将莱昂飞行策略和混沌局部搜索策略组成两种新的策略,引导群
体在全局探索能力与邻域开发能力之间进行协调。龙文等人
[12]
提出了一种非线性收敛因子
的改进鲸鱼优化算法,在搜索空间中利用对立学习策略进行初始化,高维函数测试展现了
该改进方法的有效性。褚鼎立等人
[13]
提出了自适应权重和模拟退火的鲸鱼优化算法,通过
改进自适应权重来调整算法收敛速度,借助模拟退火增强鲸鱼优化算法的寻优精度。王坚
浩等人
[14]
提出了基于混沌搜索策略的鲸鱼优化算法,通过采用混沌反向学习策略来产生初
始种群,设计收敛因子和惯性权重的非线性混沌扰动策略,来平衡全局探索和局部开发能
力。肖子雅等人
[15]
利用精英反向学习策略,来提高种群的多样性和质量,有效地提升了算
法的收敛速度,同时引入黄金分割数来优化 WOA 的寻优方式,进一步协调 WOA 的全局
与局部开发能力平衡。吴泽忠等人
[16]
针对鲸鱼优化算法后期的种群多样性丢失问题,提出
了螺旋更新位置改进模型,并结合对立学习策略、随机参数调整、正态变异操作等方法优
化鲸鱼算法的性能。张达敏等人
[17]
利用 Circle 混沌序列随机产生初始种群,提出一种逐维
小孔成像的反向学习策略,来增加寻优多样性,并提出一种融合贝塔分布和逆不完全 Γ 函
数的自适应权重方法,改进了鲸鱼算法的寻优精度和收敛速度。刘景森等人
[18]
提出了一种
基于分段式随机惯性权重和最优反馈机制的改进算法,通过在随机游走策略中引入基于当
前全局最优解的反馈机制,在收缩包围策略和螺旋泡泡网捕食策略中引入分段式随机惯性
权重,以提高算法的寻优精度和跳出局部极值的能力。黄清宝等人
[19]
提出了一种基于余弦
控制因子和多项式变异的改进方法,通过对余弦参数的惯性权值和最佳鲸鱼位置引入的多
项式变异,来改进优化性能。黄飞等人
[20]
结合反向学习策略进行种群初始化,用正态变异
算子来选择种群,配合非线性收敛因子和正弦螺旋更新策略,从而形成了一种阈值控制的
改进方法。
在上述改进策略中,混沌映射和反向初始化是为了增加种群的多样性,非线性参数或
者参数自适应是希望通过提高早期解的质量来加快收敛速度和提高寻优精度,最优邻域学
习和最优解变异是希望提高寻优精度和增强跳出局部极值的能力。同时,针对局部极值问
题,莱昂飞行和混沌变异是一种随机步长策略,是通过对最优个体的随机维度扰动,来增
加跳出局部陷阱的能力。而考虑收敛因子和惯性权重,是为了增强算法对前期解的继承,
平衡算法的全局探索与局部开发,并借此加快收敛速度。
可见,上述改进思路已从参数改进、局部扰动、最优点学习、邻域学习等方面进行了
探讨,在基本 WOA 算法的局部规避和全局极值精度方面取得了一定成果,但都是针对单
一种群,部分方法如局部扰动、最优点学习、邻域学习等只是增加了计算精度,并不保证
求得全局最优解。本文提出一种多种群纵横双向学习和信息互换的研究思路,可以在不增
加计算复杂度的情况下,有效求得大部分函数的全局最优解。
基准函数的数值实验结果表明本文算法相对基本 WOA 方法及其最新哈里斯鹰优化算
法 (Harris Hawks Optimization, HHO)等具有极大提升,可以获得绝大部分函数的全局极
值。跨文献的比较研究表明,本文方法相对现有 WOA 及其改进方法具有较强的优势,在
多数问题上的性能表现优越。
2. 鲸鱼优化算法
鲸被认为是世界上最大的哺乳动物,成年鲸鱼可以长到 30 m,重 180 t。这种巨型哺
乳动物有 7 种不同的主要物种,例如座头鲸,翅背鲸和蓝鲸等鲸鱼通常被视为掠食者。座
头鲸是最大的古鲸之一,它们最喜欢的猎物是磷虾和小鱼群,座头鲸的觅食行为被称为泡
泡网觅食方法
[21]
。这种觅食行为包括两种行为方式:“向上螺旋”和“双循环”。在“向上螺
旋”中,座头鲸可以向下俯冲约 12 m,然后围绕猎物形成螺旋气泡并上游至水面。“双循
环”包括 3 个不同的阶段:珊瑚环,垂尾和捕获环。针对座头鲸的觅食行为方式,Mirjalili
等人
[2]
从数学上构建了针对优化问题的鲸鱼优化模型,该模型模拟了座头鲸俯冲包围觅
食、螺旋气泡觅食和随机寻找猎物等 3 种数学模型。
2.1 俯冲包围觅食(包围猎物)
算法模型假设座头鲸能够识别猎物的位置并将它们圈起来,此时鲸鱼通过群体交流,
使整个种群向猎物位置移动,从而获得食物。俯冲包围猎物觅食的数学模型为
X(t+1)=X∗(t)−AD,A=2ar−aX(t+1)=X∗(t)−AD,A=2ar−a
(1)
D=|CX∗(t)−X(t)|,C=2rD=|CX∗(t)−X(t)|,C=2r
(2)
式(1)和式(2)中,t 为当前迭代步数,X
*
(t)为食物位置,X(t)为座头鲸位置。A 和 C 为
系数向量,按式(1)和式(2)定义。其中,r 是[0,1]的随机数,a 随迭代从 2 线性递减到 0。
2.2 泡泡网觅食(开发阶段)
螺旋更新位置是模拟座头鲸围绕猎物的螺旋状运动来实现的,如式(3)所示。座头鲸的
泡泡网觅食通过收缩包围机制和螺旋更新位置来实现。其中,收缩包围机制通过减小式(3)
中的 a 值来实现,当 a 值从 2 降为 1 时,A 的波动范围也线性减小 1/2。
X(t+1)=X∗(t)+Deblcos(2πl)X(t+1)=X∗(t)+Deblcos(2πl)
(3)
式(3)中,b 为定义螺旋形状的参数,l 为[–1,1]的随机数。
2.3 搜索猎物(探索阶段)
在无法发现猎物的阶段,座头鲸通过对周边进行随机搜索,来获取猎物的可能位置。
这个阶段通过 A 的绝对值来界定,当|A|>1 时,座头鲸群体会随机选择一个个体来执行俯冲
包围觅食,其搜索猎物的数学模型如式(4)所示
X(t+1)=Xrand(t)−AD′D′=|CXrand(t)−X(t)|}X(t+1)=Xrand(t)−AD′D′=|CXrand(t)−X(t)|}
(4)
基于上述座头鲸的觅食模型,Mirjalili 等人
[2]
提出了鲸鱼优化算法。文献分析发现,
该算法通过参数 A 来控制搜索猎物和包围觅食的次数。另外,该算法执行一种双种群结
构,1/2 种群执行泡泡网觅食,1/2 种群执行俯冲包围觅食。在俯冲包围中,迭代前期(1/2
时间)先围绕随机个体执行搜索猎物(探索阶段),迭代后期围绕最优食物源执行包围觅食(开
发阶段),每一次迭代结束,两个种群交换信息,更新最佳食物源即猎物的位置。与粒子群
算法(Particle Swarm Optimization, PSO)、差分算法(Differential Evolution algorithm, DE)、快
速进化编程(Fast Evolutionary Programming, FEP)、引力搜索算法(Gravitational Search
Algorithm, GSA)等 4 种经典群智能优化方法的对比实验表明,该算法在单峰函数的 Sphere
和 Schwefel 2.22 上,以及多峰函数 Rastrigin 上,其寻优能力和鲁棒性最好。在其他的测试
函数上,大部分处于第 2 和第 3 的位置。
3. 改进鲸鱼优化算法
现有文献改进的基于余弦函数的非线性动态控制参数更新、莱昂飞行跳出局部最优策
略、搜索空间中利用对立学习策略进行种群多样化、利用自适应权重来调整算法收敛速
度、借助模拟退火来增强寻优精度,以及其他算法中的修改相关系数和采用高斯缩放、多
项式学习等做法,其本质上都是经典数学方法。本文尝试从多种群的视角,基于纵横双向
学习和横向信息互换的思路提出一种新策略。具体如下。
3.1 多种群纵横双向结构
剩余14页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3651
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功