【论文复现】一种结合武装力量方案和战略调整的改进鲸鱼优化算法

---

1.摘要

本文提出了一种改进鲸鱼优化算法（WAROA），专门设计用于解决复杂、大规模和有约束的优化问题。此算法的核心创新在于对原始鲸鱼优化算法进行了改进，通过两个主要方面的调整提升了其效率和适用性：首先，通过战略性调整关键参数和建立原始优化算法的基本原则；其次，引入了一个武装力量方案，该方案通过对搜索鲸鱼进行分类，促进了不同类别间的高效合作。

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

WAROA算法创建了一个名为深层猎物组的新搜索组，专注于提升算法的局部开发能力。WOAROA算法设立了一个存档系统，用于记录搜索过程中发现的优秀个体，并将这些数据用于两个搜索组的位置更新。

包围机制采用原论文方式，改进螺旋更新位置：
$$\begin{array}{rl}& {\mathbf{X}}_k(t+1)=w\cdot {\mathbf{X}}^{\ast }(t)+{\mathbf{D}}^{\prime }{e}^{b{l}^{\prime }}\cos (2\pi l^{\prime }),p\ge 0.5\\ & D^{\prime }=X^{\ast }(t)-X_k(t),k=1,2,...,NP\\ & w=w_1-(w_1-w_2)\times (t/T_{\max }{)}^{1/t}\\ & l^{\prime }=2i/NP(i=1,2,...,NP)\end{array}$$

改进猎物搜索：
$$\begin{array}{rl}& {\mathbf{X}}_k(t+1)={\mathbf{X}}_{archive}(t{)}^{\prime }-\mathbf{A}\cdot {\mathbf{D}}_{archive}^{\prime },|A|\ge 1\mathrm{and}p<0.5\\ & {\mathbf{D}}_{archive}^{\prime }=\mathbf{C}\cdot {\mathbf{X}}_{archive}(t{)}^{\prime }-{\mathbf{X}}_k(t),k=1,2,...,NP\end{array}$$

其中，${\mathbf{X}}_{archive}(t)$是从存档中最优秀的个体中选择，这里使用历史最优个体代替了原来WOA方法中的随机个体，目的是使探索搜索过程更有目的性和效率。

深层猎物群位置更新方法，当代中最优秀个体被选为司令鲸：
$${\mathbf{X}}_{commander}(t)={\mathbf{X}}^{\ast }(t)$$
指挥官鲸附近生成数条深水捕食鲸以加速局部搜索:
$${\mathbf{X}}_p(t)={\mathbf{X}}_{com}(t)+k(m-0.5)({\mathbf{X}}_{\mathrm{com}}(t)-{\mathbf{X}}_{archive}(t))$$

为了确保新提出的深层猎物组的有效运作，论文采用了一个特定的调整原则来管理群体规模。根据传统组 X traditional = { x 1 , x 2 , … , x N P } X_\text{traditional}=\{x_1,x_2,\ldots,x_{NP}\} Xtraditional​={x1​,x2​,…,xNP​}和深层猎物组 X d e e p = { x 1 , x 2 , … , x N F } X_\mathrm{deep}=\{x_1,x_2,\ldots,x_{NF}\} Xdeep​={x1​,x2​,…,xNF​}成员的适应度值，两组的人口规模将以单位$N_0$进行适当的增减，同时确保总人口数量保持不变。

流程图

伪代码

4.结果展示

CEC2019

5.参考文献

[1] Jiang R, Yang M, Wang S, et al. An improved whale optimization algorithm with armed force program and strategic adjustment[J]. Applied Mathematical Modelling, 2020, 81: 603-623.

6.代码获取