精英反向学习带扰动因子的混沌蚁狮算法-附代码
精英反向学习带扰动因子的混沌蚁狮算法
文章目录
- 精英反向学习带扰动因子的混沌蚁狮算法
- 1.蚁狮优化算法
- 2. 改进蚁狮优化算法
- 2.1 加入扰动因子 q 的蚂蚁随机游走公式
- 2.2 Logistic 混沌映射
- 2.3 精英反向学习
- 3.实验结果
- 4.参考文献
- 5.Matlab代码
- 6.Python代码
摘要:针对蚁狮算法易陷入局部最优、收敛速度慢的缺点,本文提出了基于精英反向学习带扰动因子的混沌蚁狮算法。该算法首先通过对蚂蚁的随机游走公式引入扰动因子,有效提高了寻优精度,避免算法陷入局部最优,有效平衡了全局最优搜索与局部最优搜索;对蚁狮的精英个体进行反向学习生成精英反向解,增加了种群多样性;通过比较当前最优解与精英反向解,选出优异个体作为新的全局最优解;最后在蚂蚁受轮盘赌选择蚁狮、精英蚁狮影响的随机游走公式中引入Logistic混沌映射,有效提高了算法的全局搜索能力和寻优精度。
1.蚁狮优化算法
基础蚁狮优化算法的具体原理参考,我的博客:https://blog.csdn.net/u011835903/article/details/107726004
2. 改进蚁狮优化算法
2.1 加入扰动因子 q 的蚂蚁随机游走公式
在蚂蚁随机游走公式中添加扰动因子, 增大了 蚂蚁随机游走初期的游走范围, 加强全局勘探能力, 增加了搜索到全局最优值的概率。在算法后期勘探 范围由大到小过渡, 增强局部搜索能力, 扰动因子 qqq 使得算法在全局搜索和局部搜索中有了一个较好的 平衡, 并且有效的避免了陷入局部最优的问题, 从而 得到最优解。扰动因子 qqq 定义如下:
q=[(−α×tT)5+1]×β.(11)q=\left[\left(-\alpha \times \frac{t}{T}\right)^{5}+1\right] \times \beta .\tag{11} q=[(−α×Tt)5+1]×β.(11)
其中, ttt 是当前迭代次数; TTT 为最大迭代次数。 通过大量实验证明, α=10,β=0.15\alpha=10, \beta=0.15α=10,β=0.15 时寻优效果最 好, 改进后的蚂蚁随机游走公式为:
Xit=[(Xit−ai)×(bi−cit)dit−ai+ci]×q.(12)X_{i}^{t}=\left[\frac{\left(X_{\mathrm{i}}^{t}-a_{i}\right) \times\left(b_{i}-c_{i}^{t}\right)}{d_{i}^{t}-a_{i}}+c_{i}\right] \times q .\tag{12} Xit=[dit−ai(Xit−ai)×(bi−cit)+ci]×q.(12)
2.2 Logistic 混沌映射
由于蚁狮种群的适应度在算法迭代过程中仍然存在着相对较差的个体,而通过轮盘赌可能会选择到适应度较差的蚁狮。若蚂蚁围绕该蚁狮进行游走会影响算法整体的寻优效率,将 Logistic 混沌映射与蚂蚁受轮盘赌选择蚁狮与精英蚁狮影响的随机游走公式相结合,使蚂蚁能够进行混沌搜索,提高蚂蚁的寻优效率,增大算法跳出局部最优解的能力。
Logistic 混池映射如下:
xn∈rand(1),xn+1=4×xn(1−xn).\begin{gathered} x_{n} \in \operatorname{rand}(1), \\ x_{n+1}=4 \times x_{n}\left(1-x_{n}\right) . \end{gathered} xn∈rand(1),xn+1=4×xn(1−xn).
其 中, xnx_{n}xn 是 0 到 1 中的一个随机数, 在公式 (10)中加入混池因子, 有效提高了算法的寻优效 率, 并将本次计算的蚂蚁位置作为下一代的初始位 置, 改进后的公式为:
Antit=(RAt+REt2)×xn+1.(15)A n t_{i}^{t}=\left(\frac{R_{A}^{t}+R_{E}^{t}}{2}\right) \times x_{n+1} .\tag{15} Antit=(2RAt+REt)×xn+1.(15)
2.3 精英反向学习
反向学习(opposition - based learning, OBL) 由 Tizhoosh [15]^{[15]}[15] 斱授千 2005 年提出, 主要是求问题可行 解的反向解, 并对当前可行解与反向解进行评估, 从 中选择较优的解作为下一代个体。反向学习能有效 提高群体多样性, 从中选择较好的解作为当前最优 解,大大提高了算法的效率。本文合理利用精英蚑 狮个体的有效信息, 通过对精英个体的反向学习产 生精英反向解, 增加了种群多样性, 加快了算法的收 敛連度。
定义 1 反向数 Opposition Number [16]{ }^{[16]}[16] : 若 x∈x \inx∈ [a,b][a, b][a,b] 且 x∈Rx \in Rx∈R, 则其反向数 x∗x^{*}x∗ 为:
x∗=a+b−x. x^{*}=a+b-x \text {. } x∗=a+b−x.
定义 2 反向点 Opposition Point [16]{ }^{[16]}[16] : 若 p=p=p= (x1,x2,…,xN)\left(x_{1}, x_{2}, \ldots, x_{N}\right)(x1,x2,…,xN) 之间的任意 N\mathrm{N}N 维空间中的点为 x∈x \inx∈ [ximin,ximax ]、xi∈[ai,bi]\left[x_{i \min }, x_{i \text { max }}\right] 、 x_{i} \in\left[a_{i}, b_{i}\right][ximin,xi max ]、xi∈[ai,bi], 则它反向学习的解如下 所示 [17]{ }^{[17]}[17] :
{P∗=(x1∗,x2∗,…,xD∗)xi∗=ximin +ximax−xi.\left\{\begin{array}{l} P^{*}=\left(x_{1}^{*}, x_{2}^{*}, \ldots, x_{D}^{*}\right) \\ x_{i}^{*}=x_{i \text { min }}+x_{i \max }-x_{i} . \end{array}\right. {P∗=(x1∗,x2∗,…,xD∗)xi∗=xi min +ximax−xi.
定义 3 精英反向学习(elite opposition-based learning, EOBL) [17]{ }^{[17]}[17] 。
本文中将蚂蚁与蚁狮种群的整体适应度中的精 英个体赋值给精英蚁狮, 定义为 DFi=D F_{i}=DFi= (DF1,DF2,…,DFτ)\left(D F_{1}, D F_{2}, \ldots, D F_{\tau}\right)(DF1,DF2,…,DFτ) 。其 中 DFi∈[ai,bi]D F_{i} \in\left[a_{i}, b_{i}\right]DFi∈[ai,bi], [ai,bi]\left[a_{i}, b_{i}\right][ai,bi] 为蚂虽与蚁狮按适应度排序后的最小最大 值。则对应的精英反向解 DFi∗=(DF1∗,DF2∗,…D F_{i}^{*}=\left(D F_{1}^{*}, D F_{2}^{*}, \ldots\right.DFi∗=(DF1∗,DF2∗,…, DFT∗D F_{T}^{*}DFT∗ ) 定义为:
DFi∗=ai+bi−DFi.D F_{i}^{*}=a_{i}+b_{i}-D F_{i} . DFi∗=ai+bi−DFi.
将式 (9) 中最优的适应度与精英蚁狮、精英反 向解作比较, 选出适应度最好的作为当前最优值。
3.实验结果
4.参考文献
[1]王茜,何庆,林杰,杨荣莹.精英反向学习带扰动因子的混沌蚁狮算法[J].智能计算机与应用,2020,10(08):51-57.
5.Matlab代码
6.Python代码
精英反向学习带扰动因子的混沌蚁狮算法-附代码相关推荐
- 【优化求解】基于精英反向学习带扰动因子的混沌蚁狮算法(EOPCALO)求解单目标优化问题附matlab代码
1 简介 针对蚁狮算法易陷入局部最优.收敛速度慢的缺点,本文提出了基于精英反向学习带扰动因子的混沌蚁狮算法.该算法首先通过对蚂蚁的随机游走公式引入扰动因子,有效提高了寻优精度,避免算法陷入局部最优,有 ...
- 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 ...
- 精英反向学习与黄金正弦优化的HHO算法
文章目录 一.理论基础 1.哈里斯鹰优化算法(HHO) 2.融合精英反向学习与黄金正弦的EGHHO (1)精英反向学习机制 (2)黄金正弦算法 (3)EGHHO优化算法 二.实验仿真与结果分析 三.参 ...
- 基于精英反向学习的逐维改进蜻蜓算法-附代码
基于精英反向学习的逐维改进蜻蜓算法 文章目录 基于精英反向学习的逐维改进蜻蜓算法 1.蜻蜓算法 2. 改进蜻蜓算法 2.1 基于精英反向学习的种群初始化 2. 2 基于贪婪保留的逐维更新策略 2.3 ...
- 精英反向与二次插值改进的黏菌算法-附代码
精英反向与二次插值改进的黏菌算法 文章目录 精英反向与二次插值改进的黏菌算法 1.黏菌算法 2.改进黏菌算法 2.1 精英反向学习机制 2.2 二次插值方法 3.实验结果 4.参考文献 5.Matla ...
- 精英反向学习与二次插值改进的黏菌优化算法ISMA(学习笔记_13)
1.理论分析 1.SMA 优点:较强的全局探索能力 缺点:后期迭代震荡作用较弱,易陷入局部最优:收缩机制不强,收敛速度较慢:初始种群质量低,探索和开发过程难以平衡. 2.精英反向学习机制 反向学习OB ...
- 非线性参数的精英学习灰狼优化算法-附代码
非线性参数的精英学习灰狼优化算法 文章目录 非线性参数的精英学习灰狼优化算法 1.灰狼优化算法 2. 改进灰狼优化算法 2.1 精英反向学习 2. 2 调整收敛因子 a 2.3改造位置更新公式 3.实 ...
- 融合柯西变异和反向学习的改进麻雀算法-附代码
融合柯西变异和反向学习的改进麻雀算法 文章目录 融合柯西变异和反向学习的改进麻雀算法 1.麻雀搜索算法 2.融合柯西变异和反向学习的改进麻雀算法(ISA) 2.1 Sine 初始化种群 2.2 动态自 ...
- 混沌精英哈里斯鹰优化算法-附代码
混沌精英哈里斯鹰优化算法 文章目录 混沌精英哈里斯鹰优化算法 1.哈里斯鹰优化算法 2.混沌精英哈里斯鹰优化算法 2.1精英等级制度 2.2 Tent 混沌映射 2.3 非线性逃逸能量更新策略 2.4 ...
最新文章
- 【转】常见系统中文字体的英文名
- 短短6小时,AI设计出40000种毒气分子,很多毒性远超战用神经毒剂
- 如何让用户在用webview访问网页时嵌入我们自己的内容
- 三维数组地址计算_科学计算NumPy
- 关于SAP的SD的定价公式的资料
- 公共课计算机基础怎么样,公共课第一学期《计算机基础》
- 正则表达式||grep的使用
- java多线程调用nsq消费_spark-streaming连接消费nsq
- np.random.seed(0)作用
- OC中数组的遍历方法
- conda 虚拟环境内安装git_用anaconda创建的虚拟环境安装FALCON
- 网络高清视频远程会议系统EasyRTC在Windows10上运行程序无返回信息问题解决
- MDM移动设备管理概述
- Android性能优化系列-监听View inflate周期并动态替换
- php中或者符号,php中的或运算符号
- wsdl2java asmx_在WebService asmx中格式化SOAP消息
- PAT 团体程序设计天梯赛 L2-009 抢红包
- 批量删除PPT第一页最后页——VBS脚本,在office宏中运行即可
- 合理使用过量分配 避免虚拟机配置亮红灯
- java三国志吞食天地_FC三国志吞食天地完整版下载-街机吞食天地完整版模拟器(含出招表)-电玩咖...