1.摘要
鲸鱼优化算法(WOA)是一种模仿座头鲸捕食行为的优化算法,但是该算法在开发阶段存在局限性,为改善这一问题,本文通过引入联想学习机制和结合爬山法局部搜索技术,增强了算法的探索和开发能力。
2.鲸鱼优化算法(WOA)原理
SCI二区|鲸鱼优化算法(WOA)原理及实现【附完整Matlab代码】
3.改进策略
β \beta β-爬山法(BHC)
爬山法(Hill Climbing, HC)是一种常见的局部搜索策略,通过迭代改进随机近似解以寻求局部最优解,特点是快速收敛但易于陷入局部最优。为了克服这些局部最优的问题,学者们对HC算法进行了改进,引入了随机操作算子,以改善其在多模态问题中的全局搜索能力。2017年,Azmi Al-Betar进一步提出了
β
\beta
β-爬山法(BHC),这种方法通过引入探索性行为和
β
\beta
β算子,平衡了探索与开发,能够更有效地处理全局优化问题:
x
i
′
=
x
i
±
U
(
0
,
1
)
×
b
w
,
i
∈
[
1
,
2
,
3
,
…
,
N
]
x_i^{\prime}=x_i\pm U(0,1)\times bw,i\in[1,2,3,\ldots,N]
xi′=xi±U(0,1)×bw,i∈[1,2,3,…,N]
联想学习和记忆机制
座头鲸通过团队合作的觅食策略来捕猎,研究显示它们能通过声学通讯和从群体内其他成员学习的方式,增进捕猎效率。这种社会学习的机制启发了优化算法的开发,特别是在鲸鱼优化算法(WOA)中加入了学习策略。这些学习策略模拟鲸鱼的社会和狩猎行为,通过参数设置允许算法在全局搜索中综合探索和开发的能力,从而更有效地寻找解决方案。此外,鲸鱼优化算法通过短时记忆机制(STM)帮助模拟狩猎行为,增强算法在动态环境下的适应性和效率。为了模拟STM,在每一步中,它是基于从每个最新鲸鱼到边界的间隔上的均匀高斯分布生成的搜索空间:
x
i
(
t
+
1
)
=
x
i
(
t
)
+
0.001
G
(
x
i
(
t
)
−
l
b
,
u
b
−
x
i
(
t
)
)
+
S
1
r
1
(
x
r
(
t
)
−
x
i
(
t
)
)
+
S
2
r
2
(
x
p
(
t
)
−
x
i
(
t
)
)
\begin{aligned}x_i(t+1)&=x_i(t)+0.001G(x_i(t)-lb,ub-x_i(t))\\&+ S_1r_1(x_r(t)-x_i(t))+S_2r_2(x_p(t)-x_i(t))\end{aligned}
xi(t+1)=xi(t)+0.001G(xi(t)−lb,ub−xi(t))+S1r1(xr(t)−xi(t))+S2r2(xp(t)−xi(t))
其中,xr为上一代随机领导者,S1、S2分别为适应性认知因素和社会因素:
S
1
=
(
1
−
t
/
T
)
S
2
=
2
(
t
/
T
)
\begin{aligned}&S_1=(1-t/T)\\&S_2=2(t/T)\end{aligned}
S1=(1−t/T)S2=2(t/T)
BMWOA通过引入改进策略和整合原始WOA的算子,增强了其在解空间的分布能力和探索及开发的优势,并且其利用基于BHC的局部搜索加速收敛,并通过保留改进的解决方案来提高搜索质量和速度。
伪代码
4.结果展示
CEC2005
5.参考文献
[1] Heidari A A, Aljarah I, Faris H, et al. An enhanced associative learning-based exploratory whale optimizer for global optimization[J]. Neural Computing and Applications, 2020, 32: 5185-5211.