基于自适应权重和柯西变异的鲸鱼优化算法
文章目录
- 一、理论基础
- 1、鲸鱼优化算法
- 2、鲸鱼优化算法的改进
- (1)柯西分布的逆累积分布函数
- (2)自适应权重
- (3)算法流程图
- 二、函数测试与结果分析
- 三、参考文献
一、理论基础
1、鲸鱼优化算法
请参考这里。
2、鲸鱼优化算法的改进
为了改进鲸鱼算法容易陷入局部最优和收敛精度低的问题,本文从两个方面对鲸鱼算法进行改进。一方面通过柯西分布积累函数的方法对全局搜索的鲸鱼位置信息变异,提高鲸鱼的全搜索探能力;另一方面通过引入自适应权重方法,从而来提高鲸鱼的局部寻优能力。
(1)柯西分布的逆累积分布函数
当鲸群在进行全局搜索时,需要随机选取一头鲸鱼作为参考鲸鱼,然后其它鲸鱼向参考鲸鱼随机选取靠近。参考鲸鱼的选择影响鲸鱼算法的全局搜索,原算法中参考鲸鱼是随机选择的,因此不容易找到全局最优解,针对这个问题,本文选取了柯西逆累积分布函数对鲸鱼进行变异,通过柯西分布有很长的尾巴的特点,让鲸鱼个体朝更广的范围变异。同时,当鲸鱼进行柯西逆累积分布函数变异时,鲸鱼会采用螺旋行走进行局部寻优,从而避免了鲸鱼盲目变异的特点。柯西逆累积分布函数如式(1)所示,鲸群全局搜索的数学模型如式(2)所示。 F − 1 ( p ; x 0 ; γ ) = x 0 + γ ⋅ tan ( π ⋅ ( p − 1 2 ) ) (1) F^{-1}(p;x_0;\gamma)=x_0+\gamma\cdot\tan\left(\pi\cdot\left(p-\frac12\right)\right)\tag{1} F−1(p;x0;γ)=x0+γ⋅tan(π⋅(p−21))(1) X → ( t + 1 ) = x i j + A → ⋅ tan ( π ⋅ ( r − 1 2 ) ) (2) \overrightarrow X(t+1)=x_{ij}+\overrightarrow A\cdot\tan\left(\pi\cdot\left(r-\frac12\right)\right)\tag{2} X (t+1)=xij+A ⋅tan(π⋅(r−21))(2)其中, F − 1 F^{-1} F−1是柯西分布的逆累积分布函数, x i j x_{ij} xij是变异前的第 i i i头鲸鱼的 j j j个位置点, γ = A → \gamma=\overrightarrow A γ=A , r ∈ [ 0 , 1 ] r\in[0,1] r∈[0,1]的均匀分布。
(2)自适应权重
惯性权重是粒子群中很重要的一个参数,当惯性权重较大时,算法搜索能力较强,可以搜索较大的区域,当惯性权重较小时,算法后期搜索能力较强,可以在最优解周围精细搜索。
本文提出了新的自适应权重方法,鲸鱼接近食物的时候,采用较小的自适应权重改变此时最优的鲸鱼的位置,使得鲸鱼局部寻优能力得到提高。自适应权值公式如式(3)所示,鲸群局部寻优的数学模型如式(4)所示。 w = sin ( π ⋅ t 2 ⋅ i t max ) + 1 (3) w=\sin\left(\frac{\pi\cdot t}{2\cdot it_{\max}}\right)+1\tag{3} w=sin(2⋅itmaxπ⋅t)+1(3) X → ( t + 1 ) = w ⋅ X → ∗ ( t ) − A → ⋅ D → (4) \overrightarrow X(t+1)=w\cdot\overrightarrow X^*(t)-\overrightarrow A\cdot\overrightarrow D\tag{4} X (t+1)=w⋅X ∗(t)−A ⋅D (4)其中, t t t为当前迭代次数, i t max it_{\max} itmax是最大迭代次数。
(3)算法流程图
改进的鲸鱼算法从两个方面优化了鲸鱼捕食行为,一方面是通过柯西变异使鲸鱼获得更好的全局勘探能力,使得鲸鱼获得更好的全局最优解,另一方面通过自适应权重,使鲸鱼有更好的局部寻优能力,通过两方面的改进,改进后的鲸鱼算法流程图如图1所示。
图1 改进的鲸鱼算法流程图
二、函数测试与结果分析
将本文所提出的基于自适应权重和柯西变异的鲸鱼算法(WOAWC)与引力搜索算法(GSA)、粒子群算法(PSO)、鲸鱼算法(WOA)进行对比实验,其中迭代次数为500次,每个算法独立进行50次实验。以文献[1]中30维的F1、F2、F7、F9、F10、F13为例。结果显示如下:
函数:F1
WOA:最差值: 1.9956e-68, 最优值: 4.0286e-86, 平均值: 3.9914e-70, 标准差: 2.8222e-69, 秩和检验: 3.3111e-20
PSO:最差值: 1730.3885, 最优值: 219.752, 平均值: 991.4171, 标准差: 388.4419, 秩和检验: 3.3111e-20
GSA:最差值: 1.5337, 最优值: 5.9234e-17, 平均值: 0.037986, 标准差: 0.22183, 秩和检验: 3.3111e-20
WOAWC:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数:F2
WOA:最差值: 5.0403e-49, 最优值: 6.6396e-58, 平均值: 1.7766e-50, 标准差: 7.4841e-50, 秩和检验: 7.0661e-18
PSO:最差值: 31.3715, 最优值: 10.1303, 平均值: 23.2728, 标准差: 4.6303, 秩和检验: 7.0661e-18
GSA:最差值: 15.2539, 最优值: 3.482e-08, 平均值: 0.65832, 标准差: 2.2659, 秩和检验: 7.0661e-18
WOAWC:最差值: 7.8754e-182, 最优值: 1.657e-208, 平均值: 1.6325e-183, 标准差: 0, 秩和检验: 1
函数:F7
WOA:最差值: 0.020596, 最优值: 7.0149e-06, 平均值: 0.0045717, 标准差: 0.0043059, 秩和检验: 9.0385e-15
PSO:最差值: 6.708, 最优值: 0.45214, 平均值: 1.8912, 标准差: 1.1208, 秩和检验: 7.0661e-18
GSA:最差值: 9.2347, 最优值: 0.047118, 平均值: 0.67628, 标准差: 1.3915, 秩和检验: 7.0661e-18
WOAWC:最差值: 0.00062569, 最优值: 8.4707e-06, 平均值: 0.00015627, 标准差: 0.00013746, 秩和检验: 1
函数:F9
WOA:最差值: 5.6843e-14, 最优值: 0, 平均值: 2.2737e-15, 标准差: 1.1252e-14, 秩和检验: 0.15937
PSO:最差值: 204.2245, 最优值: 99.5442, 平均值: 148.6731, 标准差: 21.1879, 秩和检验: 3.3111e-20
GSA:最差值: 82.5813, 最优值: 19.8992, 平均值: 37.5099, 标准差: 14.0553, 秩和检验: 3.3082e-20
WOAWC:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数:F10
WOA:最差值: 1.5099e-14, 最优值: 8.8818e-16, 平均值: 4.7962e-15, 标准差: 2.7095e-15, 秩和检验: 8.0087e-16
PSO:最差值: 9.7922, 最优值: 6.6035, 平均值: 7.9625, 标准差: 0.82157, 秩和检验: 3.3111e-20
GSA:最差值: 2.4273e-08, 最优值: 7.4046e-09, 平均值: 1.1972e-08, 标准差: 3.1967e-09, 秩和检验: 3.3111e-20
WOAWC:最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0, 秩和检验: NaN
函数:F13
WOA:最差值: 1.0486, 最优值: 0.095879, 平均值: 0.52226, 标准差: 0.20346, 秩和检验: 8.3791e-16
PSO:最差值: 2049.9705, 最优值: 17.6267, 平均值: 125.5263, 标准差: 311.1892, 秩和检验: 7.0661e-18
GSA:最差值: 31.015, 最优值: 0.074611, 平均值: 9.7987, 标准差: 7.3703, 秩和检验: 1.01e-16
WOAWC:最差值: 0.26314, 最优值: 0.043871, 平均值: 0.13822, 标准差: 0.04814, 秩和检验: 1
实验结果表明,改进的鲸鱼算法和原鲸鱼算法、引力搜索算法、粒子群算法相比,收敛精度和算法稳定性上都要优于其它算法。
三、参考文献
[1] 郭振洲, 王平, 马云峰, 等. 基于自适应权重和柯西变异的鲸鱼优化算法[J]. 微电子学与计算机, 2017, 34(9): 20-25.
基于自适应权重和柯西变异的鲸鱼优化算法相关推荐
- 基于自适应权重的缎蓝园丁鸟优化算法-附代码
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 ...
- 基于柯西变异的蚁狮优化算法 - 附代码
基于柯西变异的蚁狮优化算法 文章目录 基于柯西变异的蚁狮优化算法 1.蚁狮优化算法 2. 改进蚁狮优化算法 2.1 基于柯西变异算子改进 3.实验结果 4.参考文献 5.Matlab代码 6.Pyth ...
- 【蚁狮算法】基于柯西变异的蚁狮优化算法求解单目标优化问题matlab代码
1 简介 针对蚁狮优化算法较易陷入局部最优停滞,收敛精度低以及收敛速度较慢等问题,将自适应t分布的柯西变异融入到蚁狮优化算法中,提出了基于柯西变异的蚁狮优化算法(CALO).该算法采用轮盘赌的方法挑选 ...
- 基于动态全局搜索和柯西变异的花授粉算法
文章目录 一.理论基础 1.基本花授粉算法 2.基于动态全局搜索和柯西变异的花授粉算法 (1)混沌映射 (2)动态全局搜索方法 (3)基于柯西变异的优化方法 (4)DCFPA的实现流程图 二.实验仿真 ...
- 基于自适应调整权重和搜索策略的鲸鱼优化算法
文章目录 一.理论基础 1.鲸鱼优化算法 2.鲸鱼优化算法的改进 (1)自适应调整权重 (2)自适应调整搜索策略 (3)AWOA流程图 二.仿真对比与分析 三.参考文献 一.理论基础 1.鲸鱼优化算法 ...
- 一种改进的鲸鱼优化算法
文章目录 一.理论基础 1.鲸鱼优化算法 2.改进的鲸鱼优化算法 (1)准反向学习初始化种群 (2)非线性收敛因子 (3)自适应权重策略与随机差分法变异策略 二.仿真实验及分析 三.参考文献 一.理论 ...
- 一种改进的鲸鱼优化算法-附代码
一种改进的鲸鱼优化算法 文章目录 一种改进的鲸鱼优化算法 1.鲸鱼优化算法 2. 改进鲸鱼优化算法 2.1 准反向学习初始化种群 2.2 非线性收敛因子 2.3 自适应权重策略与随机差分法变异策略 3 ...
- 基于惯性权重与柯西混沌变异的改进正余弦算法
文章目录 一.理论基础 1.正余弦算法SCA 2.基于惯性权重与柯西混沌变异的改进正余弦算法IWCCSCA (1)基于曲线自适应的振幅调整因子 (2)基于惯性权重的位置更新 (3)基于精英柯西混沌变异 ...
- 基于自适应权重和Levy飞行的改进鲸鱼优化算法
文章目录 一.理论基础 1.基本鲸鱼优化算法 2.改进的鲸鱼优化算法 (1)自适应权重方法 (2)Levy飞行策略 (3)改进WOA的算法流程图 二.实验测试及分析 三.参考文献 一.理论基础 1.基 ...
最新文章
- 下一个10年,解决问题靠“大脑”
- VTK:灯光之Light
- unlegal android,cordova-plugin-baidumaplocation百度地图定位Cordova插件
- cropper基本用法
- 信息学奥赛一本通(1235:输出前k大的数)——堆排序
- Django实现简单的用户添加、删除、修改等功能
- MySQL判断中文字符的方法(转)
- python能做什么游戏-Python有做大型游戏的潜力吗?
- mysql5.7 密码不过期,mysql5.7 密码过期问题
- robot frame基础知识--变量
- Ubuntu18.04 Azure Kinect ROS Driver配置
- javascript上传文件到服务器,js实现上传图片到服务器
- linux切换任务栏快捷键,ubuntu常用命令及快捷键整理
- Delphi7学习记录-demo实例
- 基于 ANTLR 自己实现一个 SQL 解析器
- auto.js B0013 查找父控件子控件进入阅读文章视频学习每日答题2021-10-03
- Linux 环境下载百度云资源,Firefox插件(百度网盘助手)
- 关于Android Framework渲染机制,你需要学习哪些?
- Lol的积分机制:埃罗(ELO)预算法详解
- Python入门记录(6)输入三次密码