基于矢量包围模型的麻雀搜索算法用于工程优化和数值优化问题

---

1.算法原理

【智能算法】麻雀搜索算法（SSA）原理及实现

——复现文章，本篇论文是东华大学沈波实验室(原麻雀搜索算法SSA提出实验室)提出的改进麻雀搜索算法：基于矢量包围模型的麻雀搜索算法用于工程优化和数值优化问题（A vector-encirclement-model-based sparrow search algorithm for engineering optimization and numerical optimization problems）

2.摘要

麻雀搜索算法（SSA）是一种新的高性能全局优化算法。为了进一步提高其全局和局部搜索能力，本文提出了一种改进的SSA（ISSA），其主要创新在于生产者集中策略、矢量包围模型和方向选择策略。生产者集中策略旨在更新生产者的位置，以期提高生产者的全局搜索能力；而矢量包围模型和方向选择策略则旨在更新觅食者的位置，以期提高觅食者的局部搜索能力。

3.改进点

Producer centralization strategy

在生产者中随机选择一只麻雀作为生产者探索的中心。当更新生产者的位置时，所有生产者都朝选中的麻雀移动。改进后的生产者位置更新:
$$\begin{gathered} G_{i,k}^{r+1}=\{\begin{array}{ll}{B}_{i,k}^r& \text{if}\left(R_1\le R_{p1}\right)\\ G_{i,k}^r& \text{otherwise}\end{array} \\ {B}_{i,k}^r=G_{r_1,k}^r+\varphi \cdot \left|G_{r_2,k}^r-G_{r_3,k}^r\right| \end{gathered}$$

其中，r1，r2和r3是随机互不相等的正整数。$\varphi$表述扰动幅度，R1代表生成者移动概率，Rp1是安全阈值。

Vector encirclement model

在搜索空间中，有两个特殊位置Gbest和Gworst，其中Gbest是当前迭代中生产者中适应度值最好的麻雀的位置，Gworst是当前迭代中麻雀群体中适应度值最差的麻雀的位置。更新后的麻雀位置将位于由向量Gi-Gworst和Gbest-Gi形成的平行四边形内。矢量包围模型来更新觅食者的位置：
$$G_{\mathrm{i},k}^{r+1}=G_{\mathrm{i},k}^r+r_4{\omega }_1\left(G_{\mathrm{i},k}^r-G_{\mathrm{worst},k}^r\right)+r_5{\omega }_2\left(G_{\mathrm{best},k}^r-G_{\mathrm{i},k}^r\right)$$

Scrounger direction selection strategy

基于矢量包围模型，进一步提出了觅食者的方向选择策略。在这一新策略下，麻雀群体的搜索范围可以大幅扩展，同时还能保留觅食者的局部搜索能力。觅食者的方向选择规则表述为：
$$G_{\mathrm{i},k}^{r+1}=G_{\mathrm{i},k}^r+r_6{\omega }_1\left(G_{\mathrm{i},k}^r-G_{d_1,k}^r\right)+r_7{\omega }_2\left(G_{d_2,k}^r-G_{\mathrm{i},k}^r\right)$$

其中，d1和d2计算方式为:
$$\begin{gathered} d_1=\{\begin{array}{ll}worst& \text{if}\left(R_2\le R_{p2}\right)\\ randW& \text{otherwise}\end{array} \\ {d}_2=\{\begin{array}{ll}best& \text{if}\left(R_3\le R_{p3}\right)\\ randB& \text{otherwise}\end{array} \end{gathered}$$
Rp2和Rp3是选择概率，设置Rp2 = Rp3 = 0.5。根据它们的适应度值从低到高对m只麻雀进行排序。其中，Worst和best分别表示适应度最差和最佳位置的指标。randB为[1,0.1 m]中随机选取的麻雀，randW为[0.9 m, m]中随机选取的麻雀。

伪代码

4.结果展示

CEC2017

5.参考文献

[1] Hong J, Shen B, Xue J, et al. A vector-encirclement-model-based sparrow search algorithm for engineering optimization and numerical optimization problems[J]. Applied Soft Computing, 2022, 131: 109777.

6.代码获取