随机替换和双重自适应加权的salp群算法的稳定性

文献来源：[1]REN H, LI J, CHEN H, 等. Stability of salp swarm algorithm with random replacement and double adaptive weighting[J/OL]. Applied Mathematical Modelling, 2021, 95: 503-523. DOI:10.1016/j.apm.2021.02.002.

摘要

Salp Swarm算法是一种新的基于种群的搜索算法。由于原始的Salp Swarm算法搜索效率较低，容易陷入局部最优，本文提出了一种增强型的Salp Swarm算法，将两种策略与原始的Salp Swarm算法相结合。一种是随机替换策略，可以以一定概率加快收敛速度的最优解位置替换当前位置。另一种策略是双自适应权重，可以在整个前期扩大搜索范围，在后期增强利用能力。在两种机制的配合和引导下，加快了算法的收敛速度，有效地提高了算法的开发能力。将本文方法与3种主流元启发式算法和4种先进算法在4个必要的测试用例上进行性能比较。大量的分析和记录结果表明，所提出的方法在解的精度和收敛速度方面优于这些算法。最后，我们将所发展的方法应用于四个著名的工程设计问题(焊接梁设计问题;悬臂梁设计;工字梁设计;以及多片离合器制动器)，以验证算法对一些约束挑战的有效性。结果表明，我们的算法在求解带有约束和未知搜索空间的实际问题时具有显著的优势。 

引言

SSA算法最早于2017年被提出[ 27 ]，因为它具有结构简单的优点。然而，原SSA算法的更新机制是位于链首的智能体( leader )引导种群向最佳智能体移动，其余搜索智能体逐渐向leader移动。这种行为很可能导致算法在迭代过程中过早陷入局部最优。因此，为了解决陷入局部最优和停滞的缺点，研究人员增加了许多方法来改进SSA。Zhang等人提出了一种改进的HHO算法( IHHO )，利用SSA的更新策略增强算法的搜索能力。HHO的二进制版本根据改进的IHHO应用于特征选择问题，获得了良好的分类精度[ 28 ]。文献[ 29 ]提出了一种增强型SSA，称为ESSA，并将其应用于变速风电机组。结果表明，它比原始的SSA更成功，成本更低。阿巴西等人提出了基于反向学习的改进SSA ( OLMSSA ) [ 30 ]，用于辨识七参数光伏电池模型的参数。通过与一些著名的算法进行比较，测试结果表明，改进后的算法与最近发展的参数辨识方法相比表现突出。Zhang等人提出了一种包含重启机制和变异策略的增强型SSA版本( CMSRSSSA )。通过求解连续30个测试算例和实际工程问题，验证了改进CMSRSSSA的有效性[ 31 ]。针对基本SSA在求解高维多峰问题时易陷入局部最优和收敛速度慢的缺点，Zhang等人提出了一种改进的CMSSA算法[ 32 ]。它在原始SSA中引入了两种策略。一种是混沌机制来增加算法的开发能力。另一种是结合高斯和柯西变异策略，避免算法过早陷入局部最优。Gupta等人提出了一种改进的SSA算法，命名为m - SSA [ 33 ]。改进后的算法采用了基于对抗学习和基于莱维飞行搜索的两种策略，使得算法在利用和探索之间获得了很好的协调。Zhang等人利用基于对抗的技术和正交学习策略提出了增强型SSA算法( ESSA ) [ 34 ]，并通过求解30个必要的测试用例和真实的实际应用问题验证了其有效性。He等人针对核极限学习机( KELM )提出了一种融入空间变换策略的改进SSA ( STSSA )。结果表明，改进的STSSA比其对比算法具有更好的分类效果[ 35 ]。

在回顾相关文献后，针对SSA容易出现局部优化和优化过程停滞的问题。此外，它在进化核心中的极简主义太多，使其更加不稳定，并且SSA在搜索范围内的解的多样性较低。我们在原始SSA中引入了两种策略来增强算法的性能。两种策略分别为随机替换和双重自适应权重。这种改进的算法称为RDSSA。我们在原SSA中引入随机替换策略，使得算法在迭代过程中具有一定的概率将种群中每个个体的当前位置替换为最优解的位置，从而降低算法陷入局部最优的可能性。双自适应权重策略的引入，使得算法在迭代前期增大了全局搜索范围，在迭代后期增强了局部利用性。两种策略将协调算法的全局探索和局部利用能力。 

在本文中，我们介绍了一种改进的SSA，它基于随机替换和双自适应权重。为了验证改进算法的有效性，从23个基本测试函数[ 25 ]和IEEE CEC 2014 [ 25 ]测试函数中选取了4个标准基本测试函数，包括单峰测试函数、多峰测试函数和组合测试函数，对RDSSA及其竞争者的性能进行了评估。这些比较是我们熟知的元启发式算法：WOA [ 36 ]，SCA [ 37 ]和BA [ 38 ]。此外，我们还与SSA的改进版本和其他算法进行了比较：用于变速风力发电机的增强型SSA ( ESSA ) [ 30 ]，带老化领导者和挑战者的PSO算法( ALCPSO ) [ 39 ]，基于反向学习的混合自适应正弦余弦算法( m _ SCA ) [ 40 ]，自适应进化策略。测试结果表明，在大多数测试案例中，RDSSA在求解精度和收敛速度方面均优于其对比算法。为了进一步证实本文算法在解决实际工程应用中的有效性，我们引入了4个经典的工程优化问题：焊接梁设计、工字梁设计、悬臂梁设计和多盘离合器制动器。测试结果证明了所开发的RDSSA在解决这些工程问题的对比算法中具有较强的竞争力。

论文其余部分控制如下。第二节简要介绍了SSA。第3节对改进的RDSSA算法进行了详细描述。第四节在不同的基准函数上对实验结果进行了讨论和分析。第5节展示了改进的RDSSA算法在实际工程应用中的优势。第6节总结全文并指出未来研究的方向。

3提出的RDSSA方法的结构

本部分将对改进的RDSSA算法进行详细阐述。改进的RDSSA算法受到最近发表的一篇论文的启发[ 44 ]。在文献[ 44 ]的研究中，随机替换和双自适应权重策略被集成以加快原始WOA [ 22 ]的收敛速度并防止陷入局部最优。从理论上和进化行为分析来看，在原始SSA算法中引入这两种策略同样可以显著提高算法的收敛速度和收敛精度。在下一节中，我们将深入介绍两种策略在算法中的作用。

3.1 随机替换策略

我们知道，大多数元启发式算法[ 44、45]在后期容易陷入局部最优。为了实现这一问题的解决，我们引入了随机替换策略。它可以帮助种群中的个体更快地向食物资源移动，从而加快算法的收敛速度。由于当前个体位置在某些维度向量上是可接受的，而在另一些维度向量上可能较低，因此我们以一定的概率将不合适的维度向量替换为最佳个体位置。通过比较算法剩余时间占总运行时间的比例和柯西随机数来确定概率。这种随机替换策略在算法的初始阶段被替换的可能性较大，在后期被替换的可能性较小。该特性提高了算法的收敛速度，降低了迭代过程中陷入局部最优的可能性。

3.2 双自适应权重策略

受RDWOA [ 44、45]和PSO算法[ 46 ]的启发，在SSA算法的基本结构[ 27 ]中，我们还引入了两个关键权重w1和w2，w1作用于算法的前半部分，提高算法的全局搜索范围，w2作用于算法的后半部分，提高算法的局部搜索能力，w1和w2在算法的整个阶段相互配合，很大程度上解决了原始SSA搜索效率低的缺点。式中：( 4 )式和( 5 )式分别为w1和w2的计算公式。

其中FEs和MaxFEs分别表示当前评价和最大评价次数。本实验中，Max FEs设置为30万。当个体位置未更新时，变量s增加1；否则，取值减半。在所提出的RDSSA算法中，当c3≥0.5时，我们公式( 3 ) . ( 6 )在算法的前半部分，( 7 )在算法的后半部分。

 在跟随者位置更新阶段，为了加快跟随者智能体向食物资源的移动速度并获得更高的收敛精度，我们利用式( 3 )。代入式( 10 )可得( 3 ) .