群智能优化算法改进方法分析与建议

不知名学者999+

已于 2024-01-25 20:00:11 修改

阅读量1.9k

点赞数 32

分类专栏：群智能优化算法分析文章标签：算法启发式算法 matlab

于 2024-01-21 20:09:04 首次发布

本文链接：https://blog.csdn.net/m0_62871758/article/details/135732576

版权

群智能优化算法分析专栏收录该内容

7 篇文章 0 订阅

订阅专栏

目录

前言

以下是我个人对群智能优化算法的一些看法和建议

群智能优化算法作为人工智能的一个重要分支，在很多方向上都有重要应用（科研上）。

其实这里我想对各位研究生说，群智能优化算法可做为你论文中一小点，切勿对其深入探索研究（主要原因是找工作，用处不大，不值得花过多时间）。

如果你是研一，那么我建议你一定换个方向【比如研究移动机器人路径规划，不要用蚁群算法，遗传算法或者是近几年新出的群智能优化算法，我建议用混合A*、A*、RRT等算法，虽然这些算法比较老，但是找工作会发现，路径规划算法还是以这些为主】

如果你决定好要研究群智能优化算法了，但是小方向没定，那么我建议做一些用群智能优化算法优化PID的相关方向，这样以后工作可以往控制方向走，同时不耽误水paper。

如果决定好研究智能算法了，那么希望下述内容对你帮助（下述主要是对改进算法部分的分析）

一、常见的群智能优化算法有哪些？

常见的群智能优化算法有蚁群算法(ACO)、遗传算法（GA）、灰狼优化算法（GWO）、麻雀搜索算法（SSA）、鲸鱼优化算法（WOA）、蝗虫优化算法（GOA）、鹈鹕优化算法（POA）、沙丘猫优化算法（SCSO）、浣熊优化算法（COA）、算术优化算法（AOA）、天鹰优化器（AO）、蜘蛛蜂优化算法（SWO）、斑马优化算法（ZOA）等等。每年都会有大量的群智能优化算法被提出，这里就先举这么多为例。

二、如何选取值得研究的算法？

那么这么多的群智能优化算法，应该研究哪一个呢？是不是越新的算法越好呢？

这里我觉得并不是越新越好的，其实细心观察一下，你就能发现，每年仍有人用遗传算法和粒子群算法发出高质量的论文。

在选择算法上的几个建议

1.选用发表在高影响因子期刊的算法

2.在你的研究方向上用的比较多，比较热的算法。

三、常见的改进方式及我的一些建议

一.创新的定义

之前有人对创新的定义如下，我觉得说的挺有道理

1.新方法解决新问题。2.新方法解决老问题。3.老方法解决新问题

这也就导致很多人都在对常见的改进方法在不同的算法上进行排列组合（这样确实可以发出论文）。

二.常见的改进方法

1.初始化阶段

多数的文章都会采用混沌映射的方法来对算法进行改进，跑程序不难发现混沌映射对算法不会起到质的改变，但是写文章会显得花里胡哨一些。常见的混沌映射有（Logistic 映射、Singer 映射、SPM映射、Sine 映射、Tent 映射、Circle 映射和Chebyshev 映射等等）。

那么别人都用这些，我们难道就把这些映射用在最新出的算法上，当创新吗？

这里我有两点想法，能比直接用这些映射好一些。

1.将不同映射组合起来（如Logistic-tent，同理我们可以结合其他的映射）

2.将映射表达式用在算法搜索过程试一下（跳出局部最优的方法其实也就是增加扰动，那么引入混沌序列试试会不会起到意想不到的效果呢）

2.其他常见方法

初映射之外，相信大家对以下改进方法一定不陌生。

1.Levy飞行；2.螺旋搜索；3.柯西变异；4.高斯变异；5.引入正余弦优化算法；6.引入黄金正弦优化算法；7.反向折射；8.自适应t分布；9.自适应因子；10.三角游走策略等等，

自己改进时可随机结合或改进上诉策略，除了这些策略外的改进方法。

目前我发现将多种算法结合起来的改进方式逐渐流行起来，举个例子就是融合黏菌优化算法的改进鹈鹕算法，或者蚁群算法-黏菌算法，北方苍鹰-蛇优化算法，北方苍鹰-麻雀算法等等。

至于具体与哪个算法相结合，需要自己慢慢调试（在测试函数CEC2005或CEC2017）

四、改进算法与行文流程

写文章流程一般就是以下几个步骤：

1.引言；2.介绍原始算法；3.介绍所采用的改进策略；4.测试函数上的多算法对比结果；5.在应用上的多算法对比结果。

值得说一下的就是，如果你的文章有个具体的且很有实际意义的应用，那么你测试函数部分只采用简单的CEC2005即可；如果你的文章是纯改进算法测试，即应用部分就是常见的工程应用测试问题（压力容器、减速器和压缩弹簧那些），那么你的测试函数部分就要多用一些了（CEC2005、CEC2017和CEC2020等），且需要和一些较新的算法进行效果比对。