【论文复现】多策略改进蜘蛛黄蜂优化算法用于工程优化问题

---

1.摘要

蜘蛛黄蜂优化（SWO）算法是一种基于群体智能的优化方法，模拟雌性蜘蛛黄蜂的捕猎、筑巢和交配行为，具备快速搜索和高精度的优点。然而，在处理复杂的优化问题时，SWO算法常常面临局部最优、早期收敛较慢以及权衡率参数需要手动调整等问题。因此，本文提出了多策略改进的蜘蛛黄蜂优化算法（MISWO），该算法通过引入灰狼算法增强早期收敛性，优化初始种群的适应度，从而提高全局优化能力。同时，结合自适应步长操作算子和高斯变异，能够在不同优化阶段自动调整搜索范围，提升优化精度并有效避免局部最优。

2.蜘蛛黄蜂优化算法SWO原理

SCI二区TOP|蜘蛛黄蜂优化算法（SWO）原理及实现

3.改进策略

基于灰狼算法初始化种群

【智能算法】灰狼算法（GWO）原理及实现

蜘蛛黄蜂优化（SWO）算法虽然具有较强的种群多样性，有助于搜索最优解，但这种多样性往往会影响算法的收敛性能。本文提出了一种结合灰狼算法初始化种群策略，其首先通过GWO算法初始化蜘蛛黄蜂种群，使得初始种群分布更加集中，优化方向更为明确，从而加速算法的收敛过程：
$$\begin{gathered} \overrightarrow{S{W}_{\mathrm{I}}}=\mathbf{L}+\mathbf{r}\ast (\mathbf{H}-\mathbf{L}) \\ \overrightarrow{G_{\mathrm{I}}}=F_l\left(\overrightarrow{S{W}_{\mathrm{i}}}\right) \end{gathered}$$

自适应步长算子和动态权衡率

在蜘蛛黄蜂优化（SWO）算法的捕猎行为中，采用两种不同的步长进行解空间探索：大步长搜索用于维持种群的全局搜索能力，小步长搜索则专注于已知解的邻域探索。雌性黄蜂通过持续的大步长搜索寻找适合后代的蜘蛛：
$${\overrightarrow{S{W}_{\mathrm{i}}}}^{t+1}={\overrightarrow{S{W}_{\mathrm{i}}}}^t+{\mu }_1\ast \left({\overrightarrow{S{W}_a}}^t-{\overrightarrow{S{W}_b}}^t\right)$$

其中，${\mu }_1$控制蜘蛛黄蜂的移动方向：
$${\mu }_1=\left|\begin{array}{c}rn\end{array}\right|\ast r_1$$

使用小步长探索被丢弃蜘蛛周围的区域：
$${\overrightarrow{S{W}_i}}^{t+1}={\overrightarrow{S{W}_c}}^t+{\mu }_2\ast (\mathbf{L}+{\mathbf{r}}_2\ast (\mathbf{H}-\mathbf{L}))$$

蜘蛛黄蜂优化（SWO）算法在更新种群时采用两种随机选择的搜索方法，但由于使用固定步长，限制了算法在早期快速识别高质量解的能力，并影响了后期的收敛精度。为了解决这一问题，本文引入了自适应步长操作算子$h$，该操作算子确保在早期阶段保持全局搜索能力，并在后期加快收敛速度：
$$h={\left(e^{-\sqrt{\frac{t}{t_{\max }}}}\right)}^{20}$$

为了防止蜘蛛黄蜂优化（SWO）算法在搜索过程中陷入局部最优解，本文引入了高斯变异策略。高斯变异利用高斯分布生成变异向量，能够在均值附近产生较高概率的数据点，进而在当前最优解附近进行精细搜索，提升局部搜索能力。将高斯变异引入自适应步长操作算子和搜索阶段更新：
$$\{\begin{array}{c}{\overrightarrow{SW}}_{\mathrm{i}}^{t+1}=\left({\overrightarrow{SW}}_{\mathrm{i}}^t+{\mu }_1\ast \left({\overrightarrow{SW}}_a^t-{\overrightarrow{SW}}_b^t\right)\ast h\right)+Gauss\\ {\overrightarrow{SW}}_{\mathrm{i}}^{t+1}=\left({\overrightarrow{SW}}_{\mathrm{c}}^t+{\mu }_2\ast (\mathbf{L}+\overrightarrow{r_2}\ast (\mathbf{H}-\mathbf{L}))\ast h\right)+Gauss\end{array}$$

权衡率$TR$控制着捕猎和交配行为之间的平衡：
$$\{\begin{array}{c}F(H)\text{or}F(N)\text{rand}<TR\\ F(M)\text{otherwise}\end{array}$$

其中，$F(H),F(N)$表示狩猎或筑巢行为，$F(M)$表示交配行为。自适应步长算子表述为：
$$T{R}_n=1-\left(e^{\left(\sqrt{\frac{t}{t_{\max }}}-1\right)\ast \mathrm{rand}()}\right)$$

动态透镜成像反向学习策略

反向学习通过计算当前种群位置的反向解来扩展搜索空间，从而显著提升优化性能并加速收敛。然而，随着迭代的进行，反向学习在帮助算法逃脱局部最优解方面可能逐渐失效，导致收敛精度下降。本文提出了动态透镜成像反向学习策略，其灵感来自于凸透镜成像原理，该策略通过模拟透镜成像效应，动态调整搜索范围：
$$x^{\ast }=\frac{(a+b)}{2}+\frac{(a+b)}{2k}-\frac{x}{k}$$

其中，参数$k$表述为：
$$k={\left(10^3+{\left(\frac{3t}{t_{\max }}\right)}^{\frac{1}{2}}\right)}^{10}$$

4.结果展示

CEC2005

5.参考文献

[1] Sui J, Tian Z, Wang Z. Multiple strategies improved spider wasp optimization for engineering optimization problem solving[J]. Scientific Reports, 2024, 14(1): 29048.

6.代码获取