0、简介
黏菌优化算法(Smile Mould Algorithm, SMA)和算术优化算法(Arithmetic Optimization Algorithm,AOA)是最近提出的新型元启发式优化算法。SMA 算法具有较强的全局探索能力,但迭代后期振荡作用较弱,易陷入局部最优,且收缩机制不强,导致收敛速度慢。AOA 算法利用乘除算子进行位置更新,随机性强,具有较好的避免早熟收敛能力。针对上述问题,文章《融合随机反向学习策略的黏菌与算术混合优化算法》将两种算法结合并利用随机反向学习策略提高收敛速度,提出一种性能优越且高效的融合随机反向学习策略的黏菌与算术混合优化算法(Hybrid algorithm of slime mould algorithm and arithmetic optimization algorithm based on random opposition-based learning,HSMAAOA)。改进算法保留了 SMA 全局探索部分位置更新公式,局部开发阶段将乘除算子替换 SMA 收缩机制,提高算法随机性与跳出局部极值的能力。此外,通过随机反向学习策略增强改进算法种群多样性,提高收敛速度。
本人复现了文章《融合随机反向学习策略的黏菌与算术混合优化算法》中的HSMAAOA算法,并将其与SMA和AOA进行对比。
1、算法原理
请查阅相关文献!此处不再赘述。
2、对函数极值的优化效果
在23个函数上进行极值寻优验证,AOA、SMA、HSMAAOA三种方法的对比如下(只列出部分函数的极值寻优结果):
3、优化LSTM用于时间序列预测的效果对比
为了进一步对比AOA、SMA、HSMAAOA三种优化方法在复杂寻优问题上的效果,分别用三种算法优化LSTM的超参数,最后对比优化后LSTM预测模型的预测精度。
优化结果如下: