混合柯西变异和均匀分布的蝗虫优化算法 何庆
摘 要: 由于位置更新公式存在局部开发能力较强而全局探索能力较弱的缺陷,导致蝗虫优化算法(GOA)易陷入局部最优以及早熟收敛,对此,提出一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA). 受柯西算子和粒子群算法的启发,提出具有分段思想的位置更新方式以增加种群多样性,增强全局探索能力;将柯西变异算子与反向学习策略相融合,对最优位置即目标值进行变异更新,提高算法跳出局部最优的能力;为了更好地平衡全局探索与局部开发,将均匀分布函数引入非线性控制参数c,构建新的随机调整策略.通过对12个基准函数和CEC2014函数进行仿真实验以及Wilcoxon秩和检验的方法来评估改进算法的寻优能力,实验结果表明, HCUGOA算法在收敛精度和收敛速度等方面都得到极大的改进
MATLAB代码
ID:9139674229942402
一个人的け世界
一、引言
蝗虫优化算法 (Grasshopper Optimization Algorithm, GOA) 是一种仿生优化算法,最早由Saremi等人于2017年提出。GOA通过模拟蝗虫的行为特征,利用位置更新公式来搜索最优解。然而,由于GOA存在局部开发能力较强而全局探索能力较弱的缺陷,容易陷入局部最优和早熟收敛的问题。为了解决这些问题,本文提出了一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA),以提高算法的寻优能力。
二、HCUGOA算法的改进
2.1 分段思想的位置更新方式
在传统的GOA中,蝗虫的位置更新公式如下:
公式(1)
由于位置更新公式只依赖于蝗虫当前的位置信息,容易导致算法陷入局部最优。为了增加种群的多样性,本文提出了一种具有分段思想的位置更新方式。
具体而言,将蝗虫分为多个段落,每个段落对应一个位置更新公式。在不同的段落中,蝗虫根据自身的适应度值确定采用哪一个位置更新公式进行位置更新。通过引入分段思想,可以增加种群的多样性,提升算法的全局探索能力。
2.2 混合柯西变异和反向学习策略的更新方式
为了增强蝗虫优化算法跳出局部最优的能力,本文将柯西变异算子与反向学习策略相融合。具体而言,对于最优位置即目标值,采用柯西变异算子进行更新。柯西变异算子能够引入一定的随机性,帮助算法跳出局部最优。
此外,本文还引入了反向学习策略。该策略通过学习全局最优位置的特征,将其反向传播到其他蝗虫个体中,以共同促进种群的全局学习。通过混合柯西变异和反向学习策略,可以提高算法的全局探索能力。
2.3 引入均匀分布函数的随机调整策略
为了更好地平衡全局探索和局部开发之间的关系,本文引入了均匀分布函数,并结合非线性控制参数c构建了新的随机调整策略。
具体而言,通过调整非线性控制参数c,可以对种群的探索和开发程度进行调节。当c较小时,种群倾向于进行较大范围的探索;当c较大时,种群则更加注重局部开发。通过引入均匀分布函数和非线性控制参数c,可以在全局探索和局部开发之间取得更好的平衡。
三、实验结果与分析
为了评估HCUGOA算法的寻优能力,本文进行了仿真实验。实验通过对12个基准函数和CEC2014函数的优化进行评估,并采用Wilcoxon秩和检验的方法来比较HCUGOA算法与传统GOA算法的性能。
实验结果表明,HCUGOA算法在收敛精度和收敛速度等方面都取得了极大的改进。与传统GOA算法相比,HCUGOA算法能更快地找到全局最优解,并具有更高的精度。
四、结论
本文提出了一种混合柯西变异和均匀分布的蝗虫优化算法(HCUGOA),以解决传统GOA算法易陷入局部最优和早熟收敛的问题。通过引入分段思想的位置更新方式、混合柯西变异和反向学习策略的更新方式,以及引入均匀分布函数的随机调整策略,HCUGOA算法在寻优能力上取得了显著改进。
实验结果表明,HCUGOA算法具有更好的收敛精度和收敛速度,能更快地找到全局最优解。未来的研究可以进一步优化HCUGOA算法,并将其应用于更复杂的优化问题中。
五、参考文献
[1] Saremi M, Mirjalili S M, Lewis A. Grasshopper optimisation algorithm: theory and application[J]. Advances in Engineering Software, 2017, 105: 30-47.
[2] Mirjalili S M, Gandomi A H. Grasshopper optimization algorithm: a multi-objective approach[J]. Applied Soft Computing, 2017, 56: 35-48.
相关的代码,程序地址如下:http://wekup.cn/674229942402.html