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
- 5.参考文献
- 6.Matlab代码
- 7.python代码

摘要：针对缎蓝园丁鸟优化算法(SBO)寻优精度低和收敛速度慢的问题，提出了基于自适应权重的缎蓝园丁鸟优化算法(WSBO)。首先通
过自适应权重的方法改进了缎蓝园丁鸟优化算法的局部搜索能力，提高了收敛精度。另外通过改进原算法中高斯分布函数形式对缎蓝园丁鸟的求偶亭位置进行变异，提高了算法的全局搜索能力，避免了陷入局部最优。

1.缎蓝园丁鸟优化算法

基础缎蓝园丁鸟优化算法算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/107857884

2.改进的缎蓝园丁鸟优化算法

2.1 自适应权重

惯性权重是粒子群中很重要的一个参数，如果惯性权重较大，算法搜索能力较强，便于进行全局搜索;如果惯性权重较小，则有利于算法在最优解周围精确搜索。本文受文献的启发，运用自适应权重策略。当所有个体的适应值差异较大时，将惯性权重减小，当所有个体的适应值趋于一致或趋于局部最优时，将惯性权重增大。惯性权重 W 求解如式所示：
W = W max ⁡ − ( W max ⁡ − W min ⁡ ) ∗ ( t / i t max ⁡ ) 2 W=W_{\max }-\left(W_{\max }-W_{\min }\right) *\left(t / i t_{\max }\right)^ 2 W=Wmax−(Wmax−Wmin)∗(t/itmax)2
式中， W m a x 、 W m i n W_{max} 、W_{min} Wmax、Wmin 分别表示W设置的最大值和最小值， t t t 为当前迭代次数， i t m a x it_{max} itmax 是最大迭代次数。运用上述方法设置权重，在迭代初期， W W W较大，有利于在全局范围进行搜索;在迭代后期， W W W较小，便于向最优解靠近。

2.2 改进原高斯变异形式

高斯分布又叫正态分布，是数理统计中非常重要的概率分布。高斯变异就是在原有的个体上加一个服从高斯分布的随机扰动项来取代原先的个体。高斯变异能以较大的概率产生较小的变异值，在小范围内具有良好的搜索能力，不易像柯西变异因其过大的步长而跳离最优值。在智能优化算法中引入变异算子，既可以增强种群的多样性，又可以避免使算法陷入局部极小。本文对原本的高斯变异方法进行了修改如公式，不仅能使个体跳出局部极值点的束缚收敛于全局极值点:
N ( x i k t , σ 2 ) = x i k t ∗ ( σ + N ( 0 , 1 ) ) N\left(x_{i k}^{t}, \sigma^{2}\right)=x_{i k}^{t} *(\sigma+N(0,1)) N(xikt,σ2)=xikt∗(σ+N(0,1))
其中，N(0，1) 为服从均值为 0、方差为 1 的高斯分布。

改进算法流程图如下：

3.实验结果

5.参考文献

[1]鲁晓艺,刘升,韩斐斐,于建芳.基于自适应权重的缎蓝园丁鸟优化算法[J].智能计算机与应用,2018,8(06):94-100.

6.Matlab代码

7.python代码