基于Levy飞行策略的改进樽海鞘群算法-附代码
基于Levy飞行策略的改进樽海鞘群算法
文章目录
- 基于Levy飞行策略的改进樽海鞘群算法
- 1.樽海鞘群算法
- 2.改进樽海鞘群算法
- 2.1 领导者位置更新改进策略
- 2.2 追随者位置更新改进策略
- 3.实验结果
- 4.参考文献
- 5.Matlab代码
- 6.python代码
摘要:针对樽海鞘群算法(Salp Swarm Algorithm,SSA)在寻优过程中存在的收敛速度较慢、容易陷入局部最优的缺点,提出了一种改进的采用莱维飞行策略的条件化更新的樽海鞘群算法(Levy Flight-based Conditional Updating Salp Swarm Algorithm,LECUSSA),并将其运用于分类算法的特征子集选择过程。首先,利用莱维飞行策略的长短跳跃特点对领导者位置进行随机更新,以增强全局最优的搜索能力;其次,增加对追随者位置的更新条件,让追随者不再盲目地跟随,从而加快收敛速度。
1.樽海鞘群算法
基础樽海鞘群算法的具体原理参考,我的博客:https://blog.csdn.net/u011835903/article/details/107767869
2.改进樽海鞘群算法
2.1 领导者位置更新改进策略
采用 Levy 飞行随机步长对领导者的位置更新进行改进。 Levy 飞行策略使得算法能够在长短距离之间随机变化, 利用 其中的少数长距离跳跃来避免算法陷入局部最优, 增强了全 局最优搜索能力。领导者的位置依据式(11) 进行更新:
X1=F+c1[(Ub−Lb)⊕L(λ)+Lb](11)X^{1}=F+c_{1}[(U b-L b) \oplus L(\lambda)+L b] \tag{11} X1=F+c1[(Ub−Lb)⊕L(λ)+Lb](11)
其中, FFF 是基础目标位置, L(λ)L(\lambda)L(λ) 是 Levy 飞行路径。低频长距 离探索可以使算法更好地跳出局部最优, 向全局最优搜索, 从 而可以适当地解决算法易陷入局部最优的问题。
2.2 追随者位置更新改进策略
追随者在原有的樽海鞘群算法中斍目地跟随前一个樽海 鞘, 这会使得它错过更好的适应度位置。在改进算法 LECUSSA 中, 采用有条件的位置更新, 首先将前一个樽海鞘的 适应度与当前的适应度进行比较, 使得新位置更加地偏向适 应度较好的一侧。因此追随者的位置按照式 (12) 所示的改进 方式进行更新:
Xdn=r(Xdn−1+Xdn)(12)X_{d}^{n}=r\left(X_{d}^{n-1}+X_{d}^{n}\right)\tag{12} Xdn=r(Xdn−1+Xdn)(12)
其中, rrr 是位置偏移的系数, 其计算式如下:
r={0.5×rand(0,1),f(Xdn−1)<f(Xdn)0.5,f(Xdn−1)=f(Xdn)1−0.5×rand(0,1),f(Xdn−1)>f(Xdn)(13)r= \begin{cases}0.5 \times \operatorname{rand}(0,1), & f\left(X_{d}^{n-1}\right)<f\left(X_{d}^{n}\right) \\ 0.5, & f\left(X_{d}^{n-1}\right)=f\left(X_{d}^{n}\right) \\ 1-0.5 \times \operatorname{rand}(0,1), & f\left(X_{d}^{n-1}\right)>f\left(X_{d}^{n}\right)\end{cases}\tag{13} r=⎩⎨⎧0.5×rand(0,1),0.5,1−0.5×rand(0,1),f(Xdn−1)<f(Xdn)f(Xdn−1)=f(Xdn)f(Xdn−1)>f(Xdn)(13)
其中, fff 是适应度函数。
改进的算法 LECUSSA
步骤 1 初始化一个规模为 N 的樽海鞘种群,并在(lb,ub)内随机初始化种群的位置;
步骤 2 计算种群中每个樽海鞘的适应度 f\mathrm{f}f 值, 将适应度最小 (记为 fbest )\left.\mathrm{f}_{\text {best }}\right)fbest ) 的樽海鞘的位置定义为目标位置 FFF;
步骤 3 按照式(11)更新领导者的位置;
步骤 4 对当前的樽海輎位置的适应度和前一个樽海鞘位置的适应 度进行比较, 根据式 (13) 得出偏移系数 r\mathrm{r}r, 再根据式 (12) 更新 跟随者的位置;
步骤 5 根据步棃 2 更新最小适应度 fbest \mathrm{f}_{\text {best }}fbest 和目标位置 F\mathrm{F}F;
步骤 6 不停地迭代步骤 3-步骤 5 , 直到达到最大迭代次数后停止, 并输出当前的目标位置 FFF 和最佳适应度 fbestf_{b e s t}fbest 。
3.实验结果
4.参考文献
[1]张严,秦亮曦.基于Levy飞行策略的改进樽海鞘群算法[J].计算机科学,2020,47(07):154-160.
5.Matlab代码
6.python代码
基于Levy飞行策略的改进樽海鞘群算法-附代码相关推荐
- 基于觅食生境选择的改进粒子群算法-附代码
基于觅食生境选择的改进粒子群算法 文章目录 基于觅食生境选择的改进粒子群算法 1.粒子群优化算法 2. 改进粒子群算法 3.实验结果 4.参考文献 5.Matlab代码 6.Python代码 摘要:在 ...
- 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 ...
- 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 ...
- 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 ...
- 全局优化的改进鸡群算法-附代码
全局优化的改进鸡群算法 文章目录 全局优化的改进鸡群算法 1.鸡群优化算法 2.全局优化的改进鸡群算法 2.1自适应策略 2.2 偏好随机游动 2.3 定向变异策略 3.实验结果 4.参考文献 5.M ...
- 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 ...
- 基于Cat混沌与高斯变异的改进灰狼优化算法-附代码
基于Cat混沌与高斯变异的改进灰狼优化算法 文章目录 基于Cat混沌与高斯变异的改进灰狼优化算法 1.灰狼优化算法 2. 改进灰狼优化算法 2.1 混沌反向学习策略的种群初始化 2. 2 引入个体记忆 ...
- 基于 Iterative 映射和单纯形法的改进灰狼优化算法-附代码
基于 Iterative 映射和单纯形法的改进灰狼优化算法 文章目录 基于 Iterative 映射和单纯形法的改进灰狼优化算法 1.灰狼优化算法 2. 改进灰狼优化算法(SMIGWO) 2.1 混沌 ...
- 具有自适应调整策略的混沌灰狼优化算法-附代码
具有自适应调整策略的混沌灰狼优化算法 文章目录 具有自适应调整策略的混沌灰狼优化算法 1.灰狼优化算法 2. 改进灰狼优化算法 2.1 自适应调整策略 2. 2 混沌局部搜索策略 3.实验结果 4.参 ...
- 一种基于交叉选择的柯西反向鲸鱼优化算法 -附代码
一种基于交叉选择的柯西反向鲸鱼优化算法 文章目录 一种基于交叉选择的柯西反向鲸鱼优化算法 1.鲸鱼优化算法 2. 改进鲸鱼优化算法 2.1 柯西反向学习 2.2 引入交叉与选择策略的鲸鱼优化算法 3. ...
最新文章
- ServiceLoader的使用
- Weex Flexbox弹性布局使用
- FreeModbus RTU传输
- 常用测试设计方法--其他
- 国内三巨头为什么那么成功
- ORACLE错误6650
- JAVA输入jdb,解决 JAVA 单步调试键盘输入被 JDB 占用的问题
- erlang中遍历取出某个位置的最大值
- java 读取配置文件的几种方法
- 新华三:竞奔不息,永立潮头
- .NET图表控件TeeChart Pro ActiveX使用教程:轴控制
- CrackMe —— 004
- 2019 CSP-S第二轮认证一等奖获奖名单
- 中文和英语中主语、谓语、宾语、定语、状语、补语的定义
- vscode 设置关键字高亮显示
- Rabbitmq—centos7安装rabbitmq教程 以及 PHP开启rabbitmq扩展!
- Android 百度人脸识别问题总结
- CAD如何快速查找图纸的存放位置?怎么实现快速看图?
- 测试必备的15个docker命令,你都掌握了吗
- SpringCloud入门 —— SSO 单点登录
热门文章
- 定时器之多层级时间轮
- 计算机与酒店管理大学论文,酒店管理系统的设计与实现
- IMM将软件测试成熟度分为5个,软件测试成熟度模型
- matlab状态反馈控制器设计,状态反馈控制器设计方案书.doc
- Algorithm:数学建模大赛(CUMCM/NPMCM)之全国大学生数模竞赛简介 相关书籍、文章推荐等详细攻略
- 【Linux】Ubuntu18.04深度学习环境配置+Google+TIM+搜狗输入法等安装方法
- 如何破解隔壁妹子的wifi密码,成功率高达90%
- IP地址是什么?它怎样分类?它和子网掩码的关系是什么?以太网和令牌环网分别是什么?
- 手写字体识别(1) 准备数据集
- 官方示例之地球模块五:ThingLayer