改进的白骨顶鸡优化算法（Improved Coot Optimization Algorithm，ICOOT）（原文作者）

鹤鸣优化

已于 2024-04-19 15:45:26 修改

阅读量511

点赞数 4

分类专栏：元启发式优化算法文章标签：算法启发式算法机器学习

于 2023-03-09 08:50:52 首次发布

本文链接：https://blog.csdn.net/jiaheming1983/article/details/129382516

版权

元启发式优化算法专栏收录该内容

19 篇文章 45 订阅

订阅专栏

改进的白骨顶鸡优化算法（Improved Coot Optimization Algorithm，ICOOT）（原文作者）

一、算法灵感
二、算法介绍
三、改进的白骨顶鸡优化算法
四、实验结果
五、参考文献

一、算法灵感

白骨顶鸡优化算法(Coot Optimization Algorithm, COOT)是2021年提出的一种元启发式优化算法，灵感来源于白骨顶鸡的移动习性。算法对白骨顶鸡种群进行了层级划分，适应度值高者为种群领导者，其余为跟随者。跟随者具有两种位置更新方式，分别为主动更新和被动更新。主动更新过程中，跟随者根据链式运动或随机运动更新位置，并不依赖领导者;在被动更新过程中，跟随者需要向领导者方向发生靠拢。种群需要朝着最佳区域前进，因此在跟随者向领导者靠拢的同时，领导者也要同时不断调整自身位置向最优区域靠近。图1展示了白骨顶鸡的具体移动过程。
在这里插入图片描述

图1 白骨顶鸡移动过程

二、算法介绍

2.1 初始化

在COOT中，初始化白骨顶鸡种群位置的计算公式如下：
${{rand(}}1,\dim{{)}}.*{{(}}ub - lb{{)}} + lb \tag{1}$ 其中， $C oo tP os (i)$ 表示第i只白骨顶鸡的位置， $u b$ 和 $l b$ 分别表示搜索空间的上界和下界， $r an d$ 为 $0$ 到 $1$ 之间的随机数， $d im$ 表示维度。
从白骨顶鸡种群中随机选取 $N L$ 只白骨顶鸡作为领导者，记为 $L e a d er P os$ ，剩余的 $N coo t$ 只白骨顶鸡为跟随者，记为 $F o ll o wP os$ ， $N L$ 和 $N coo t$ 的计算公式如下：
$\times P \tag{2}$ $\tag{3}$ 其中， $Np o p$ 为种群数量， $P$ 为参数 $0.1$ 。

2.2 跟随者位置更新(探索阶段)

2.2.1 主动更新

当一个取值范围为 $[0, 1]$ 的随机数 $rand_1>0.5$ 时，白骨顶鸡跟随者将选择主动更新策略，主动更新策略包括两种运动方式，通过一个取值范围为 $[0, 1]$ 的随机数 $rand_2$ 来决定选择哪一种运动方式。

2.2.1.1 随机运动

当 $rand_2<0.5$ 时白骨顶鸡跟随者进行随机运动，为了体现运动的随机性，首先在位置空间内生成一个随机位置 $Q$ 。其数学公式如下：
$\tag{4}$ 然后白骨顶鸡个体会向移动到随机生成的位置，其数学公式如下：
$\times {R_1} \times {{(}}Q - FollowPos{{(}}i{{))}} \tag{5}$ 其中， $F o ll o w er P os (i)$ 表示第i个跟随者的位置， $R_1$ 是区间 $[0, 1]$ 中的随机数，参数 $A$ 为在 $[0, 1]$ 中线性递减的因子。其计算公式如下：
$\times {{(}}1/MaxIter{{)}} \tag{6}$ 其中， $t$ 是当前迭代次数， $M a x I t er$ 是最大迭代次数。

2.2.1.2 链式运动

当 $rand_2>0.5$ 时，执行链式运动，算法将相邻两只白骨顶鸡的中间位置用于实现链式运动。其数学公式如下：
$\times {{(}}FollowPos{{(}}i - 1{{)}} + FollowPos{{(}}i{{))}} \tag{7}$ 其中， $F o ll o wP os (i - 1)$ 是上一只白骨顶鸡跟随者的位置。

2.2.2 被动更新

当 $rand_1<0.5$ 时，白骨顶鸡跟随者选择领导者引导更新位置。通常情况下，种群由前面的几只白骨顶鸡领导，其他个体必须根据领导者调整自己的位置，并向它们移动。为了实现这一运动利用式(8)的机制选择领导者。
$\tag{8}$ 其中， $i$ 是跟随者的索引数， $k$ 是领导者的索引数， $m o d$ 为取余函数。跟随者随领导者的位置更新公式如下：
$\times {R_2} \times \cos (2R\pi ) \times (LeaderPos(k) - FollowPos(i)) \tag{9}$ 其中， $L e a d er P os (k)$ 为第 $k$ 个领导者的位置， $R$ 和 $R_2$ 为区间 $[0, 1]$ 中的随机数， $π$ 为圆周率的值。

2.3 领导者位置更新(开发阶段)

$\left\{ \begin{aligned} {B \times {R_3} \times \cos (2R\pi ) \times (gBest - LeaderPos(i)) + gBest\qquad{R_4} < 0.5} \cr {B \times {R_3} \times \cos (2R\pi ) \times (gBest - LeaderPos(i)) - gBest\qquad{R_4} \ge 0.5} \cr \end{aligned}\right. \tag{10}$ 其中， $L e a d er P os (i)$ 为第 $i$ 个领导者的位置， $g B es t$ 是种群最优位置， $R_3$ 和 $R_4$ 是区间 $[0, 1]$ 中的随机数，参数 $B$ 为在 $[0, 2]$ 中线性递减的因子， $B$ 根据公式(11)计算：
$\times {{ (}}1/MaxIter) \tag{11}$

三、改进的白骨顶鸡优化算法

3.1 随机反向学习策略

反向学习策略(opposition-based learning，OBL)是Tizhoosh于2005年提出的群智能领域中的一种改进策略，通过产生一个反向解，比较当前解与反向解的适应度值，择优进入下一次迭代。数学表达式如下：
$\tag{12}$ 由于反向学习策略生成的反向解缺乏随机性，Long等人提出了一种改进的反向学习策略(Random Opposition-based Learning, ROBL)，引入随机值 $r an d$ 进一步加强了种群多样性，提高了种群跳出局部最优的能力。其数学公式如下：
${X_{rand}} = lb + ub - r \times LeaderPos \tag{13}$ 其中， $X_{rand}$ 表示随机反向解， $r$ 表示 $0$ 到 $1$ 之间的随机数。

3.2 复合突变策略

引入复合突变策略来改进COOT。首先该策略在进行位置更新时会产生三个新的白骨顶鸡个体分别为 $V_{i1}$ 、 $V_{i2}$ 、 $V_{i3}$ ，计算公式如下：
${V_{i1,j}} = \left\{ \begin{aligned} &{FollowPo{s_{r1,j}} + {F_1} \times (FollowPo{s_{r2,j}} - FollowPo{s_{r3,j}})\ ,{{ if\ }}rand{{ < }}{C_1}{{\ or\ }}j{{ = }}{j_{rand}}} \cr &{FollowPo{s_{i,j}}\ ,{{otherwise}}} \cr \end{aligned}\right. \tag{14}$ ${V_{i2,j}} = \left\{ \begin{aligned} &{FollowPo{s_{r4,j}} + {F_2} \times {{(}}FollowPo{s_{r5,j}} - FollowPo{s_{r6,j}}{{) + }}{F_2} \times (FollowPo{s_{r7,j}} - FollowPo{s_{r8,j}})\ ,{{if\ }}rand{{ < }}{C_2}{{\ or\ }}j{{ = }}{j_{rand}}} \cr &{FollowPo{s_{i,j}}\ ,{{otherwise}}} \cr \end{aligned} \right. \tag{15}$ ${V_{i3,j}} = \left\{ \begin{aligned} &{FollowPo{s_{i,j}} + {{rand}} \times (FollowPo{s_{r9,j}} - FollowPo{s_{x,j}}) + {F_3} \times (FollowPo{s_{r10,j}} - FollowPo{s_{r11,j}})\ ,{{if\ }}rand{{ < }}{C_3}{{\ or\ }}j{{ = }}{j_{rand}}} \cr &{{X_{i,j}}\ ,{{otherwise}}} \cr \end{aligned} \right. \tag{16}$ 其中 $r 1, r 2,\cdot\cdot\cdot, r 11$ 是 $[1, Np o p]$ 间不同的整数， $FollowPos_{i,j}$ 表示 $i$ 个体在 $j$ 维度的位置， $j_{rand}$ 表示区间 $[1, d im]$ 中的整数。 $C_1，C_2，C_3$ 为交叉率值分别为 $0.1$ 、 $0.2$ 、 $0.9$ 。 $F_1$ ， $F_2$ ， $F_3$ 表示尺度系数分别为 $1$ 、 $0.8$ 、 $1$ 。
从 $V_{i1}$ 、 $V_{i2}$ 、 $V_{i3}$ 中找出最佳候选解，与当前解比较，选择更优的解，其计算公式如下：
$\left\{ \begin{aligned} &{{V_i}\ ,{{if\ }}f({V_i}){{ }} < {{ }}f(FollowPos(i))} \cr &{FollowPos(i){{\ ,otherwise}}} \cr \end{aligned}\right. \tag{17}$ 其中， $V_i$ 为最佳候选解。

3.3 ICOOT算法的伪代码

初始化白骨顶鸡数量 $N$ 和最大迭代次数 $M a x I t er$ 等
根据(2)、(3)式对种群进行层级划分，并对种群进行初始化： $CootPos_i (i=1,2,...,N)$
while $t < M a x I t er$ do
分别计算跟随者和领导者的适应度值，并找到适应度值最佳的白骨顶鸡 $g B es t$
For $i = 1$ to $N coo t$ do
If $rand_1>0.5$ then
If $rand_2<0.5$ then
根据公式(5)更新跟随者位置
Else
根据公式(7)更新跟随者位置
End If
Else
根据公式(9)更新跟随者位置
End If
根据公式(14)、(15)、(16)产生三个新个体，并择优对原个体进行替换
End For
For $i = 1$ to $NP$ do
根据(10)式更新领导者位置
使用公式(13)根据每个领导者产生一个随机反向解，比较当前解与随机反向解的适应度值，并择优
End For
End While
返回吃的最饱的白骨顶鸡(最优解) $g B es t$

四、实验结果

ICOOT和COOT在23个经典测试函数(设置维度 $d im = 30$ )的F4、F6、F12中的收敛曲线，测试函数公式如下：

函数	公式	理论值
F4	${F_4}(x) = \max \{ \left\| {{x_i}} \right\|,1 \le i \le n\}$	$0.00$
F6	${F_6}(x) = {\sum\nolimits_{i = 1}^n {({x_i} + 5)} ^2}$	$0.00$
F12	${F_{12}}(x) = {\pi \over n}\{ 10\sin (\pi {y_1}) + \sum\nolimits_{i = 1}^{n - 1} {{{({y_i} - 1)}^2}[1 + 10{{\sin }^2}(\pi {y_{i + 1}})] + {{({y_n} - 1)}^2}} \} + \sum\nolimits_{i = 1}^n {u({x_i},10,100,4),{{where\ }}{y_i} = 1 + {{{x_i} + 1} \over 4}}$	$0.00$

其中： $u({x_i},a,k,m) = \left\{ \begin{aligned} &k{({x_i} - a)^m}\ \ \ \ ,{x_i} > a \cr &0\qquad\qquad \ \ \ \ ,- a < {x_i} < a \cr &k{( - {x_i} - a)^m}\ ,{x_i} < - a \cr \end{aligned} \right.$