【论文复现】一种多策略鲸鱼优化算法及其应用

---

1.摘要

鲸鱼优化算法（WOA）作为一种有效的优化算法，虽然具有较强的搜索能力，但容易陷入局部最优解并且收敛速度较慢，这限制了其在复杂问题中的应用。为了解决这些问题，本文提出了一种多策略鲸鱼优化算法（MSWOA），MSWOA采用混沌Logistic映射生成初始种群，其通过设置自适应权重和动态收敛因子，增强了探索与开发之间的平衡，从而提升了算法的搜索能力和收敛效率。并且，MSWOA引入了Lévy飞行机制，这一机制有助于保持种群的多样性，避免算法陷入局部最优解。最后，MSWOA引入了进化种群动力学（EPD）机制，进一步提高了搜索个体在寻找最优解时的效率。

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

3.改进策略

混沌映射初始化

混沌映射具有规律性、随机性和可遍历性，本文提出Logistic混沌映射初始化种群，通过其迭代方程能够充分提取并捕捉解空间中的信息：
$${\lambda }_{t+1}=\mu \times {\lambda }_t\left(1-{\lambda }_t\right)$$

动态收敛因子

在鲸鱼优化算法中，参数$A$用于调节局部和全局搜索能力。$A$受收敛因子$a$的影响，$a$较大时，算法进行全局搜索，具备较强的跳出局部最优解的能力；$a$ 较小时，算法表现出较强的局部搜索能力并加速收敛。因此，本文提出一种态收敛因子：
$$a(t)=\frac{m}{e^{n\frac{t}{T_{\max }}}}$$

自适应惯性权重

惯性权重是鲸鱼优化算法中的关键参数，对目标函数的优化至关重要。较大的惯性权重有助于增强算法的全局搜索能力，能够探索更广泛的解空间；而较小的惯性权重则增强了算法的局部搜索能力，帮助精细化搜索最优解附近的区域。本文提出了一种根据迭代次数自适应调整惯性权重的策略：
$$w(t)=m\times {\cos }^n(\log (1+{\mathrm{e}}^{\frac{t}{T_{\max }}}))+0.5$$

通过替换自适应惯性权重，鲸鱼位置更新：
$$\begin{array}{rl}& \overrightarrow{X}(t+1)=w(t)\times {\overline{X}}^{\ast }(t)-\overline{A}\cdot \overline{D}\\ & \overrightarrow{X}(t+1)=w(t)\times {\overrightarrow{X}}_{\mathrm{rand}}(t)-\overrightarrow{A}\cdot \mid \overrightarrow{C}\cdot {\overrightarrow{X}}_{\mathrm{rand}}(t)-\overrightarrow{X}(t)\\ & \overrightarrow{X}(t+1)=\overline{D^{\prime }}\cdot e^{bl}\cdot \cos (2\pi l)+w(t)\times \overline{X^{\ast }}(t)\end{array}$$

Lévy飞行机制

Lévy飞行通过交替进行高频的短程探索和低频的长程探索，避免了在广泛搜索最优解时陷入局部最优解。因此，在许多算法中引入Lévy飞行能够增加种群分布的多样性，从而加速全局最优解的搜索过程。种群位置更新：
$$X_i(t+1)=w(t)\times X_i(t)+(2r-1)\otimes (X_i(t)+r\otimes s)$$

进化种群动力学

EPD（进化种群动力学）理论基于自组织临界理论，认为物种在没有外部干扰的情况下，通过自然突变能够平衡种群内部的矛盾，并淘汰适应性差的个体。EPD的成功在于通过去除适应性差的个体，提高种群的整体表现。在基于种群的算法中，EPD通过首先去除适应性差的个体，然后在最优个体周围对其进行变异或重新定位，从而改善种群质量。在鲸鱼优化算法WOA中，EPD通过每次迭代淘汰一半最差的搜索个体，并在两个随机位置重新初始化，帮助提升算法的搜索效率。将较差候选解重新定位到最优个体位置附近：
$$\overrightarrow{X}(t+1)={\overrightarrow{X}}^{\ast }(t)+\mathrm{sign}(r-0.5)\times (ub-lb\cdot r+lb)$$

将较差候选解重新定位到原始位置：
$$\overrightarrow{X}(t+1)=\overrightarrow{X}(t)+\mathrm{sign}(\mathrm{r}-0.5)\times (ub-lb\cdot r+lb)$$

伪代码

4.结果展示

CEC2019

5.参考文献

[1] Yang W, Xia K, Fan S, et al. A multi-strategy whale optimization algorithm and its application[J]. Engineering Applications of Artificial Intelligence, 2022, 108: 104558.

6.代码获取