目录
0 引言
为了缓解WOA
易
陷
入
局
部
最优和
收敛
精
度
低
的
问题
,武泽权等人提
出
一种
改
进的
鲸鱼
优
化
算
法
(
IWOA
)
。
该
算
法
通
过
准反
向学习方
法来
初始
化
种
群
,
提
高
种
群的
多
样
性;
然后
将
线
性
收敛
因
子
修
改
为
非
线
性
收敛
因
子,
有
利
于
平
衡
全
局
搜
索
和
局
部
开
发
能力
;
另
外
,通
过
增
加
自
适
应
权
重 改进
鲸鱼
优
化
算
法的
局
部
搜
索
能力
,
提
高
收敛
精
度;
最后
,通
过
随
机
差
分
变
异
策略
及
时
调
整
鲸鱼
优
化
算
法
,
避免陷入
局
部
最优
。
1 数学模型
IWOA是在WOA的基础上引入三个方面的改进策略提高WOA的求解精度和全局搜索性,分别是种群初始化、位置更新策略和预防陷入局部最优。
(1)准反向学习
初始化种群:该方法是在明确变量的范围边界,通过按照一定的规则来求其对应的反向解,
保
证
初始
化种
群的
多
样
性。
式(7)为鲸鱼的反向初始化种群,其中b,a分别为种群上下界,Xi为随机初始化种群;式(8)为鲸鱼的准反向初始化种群,其是式(7)的变形体,为了防止边界差异问题出现而做的变形,其中avg为(b-a)/2;式(9)是在随机种群和准方向种群适应度对比上合并初始化种群,提高种群多样性
(2) 非线性收敛因
子:为了改善鲸鱼算法lAl参数更好调整鲸鱼进行全局和局部搜索策略,提出非线性收敛因子。
式中t为当前迭代次数,max_iter为最大迭代次数,u和φ为相关参数,一般分别取值1/2和0。
(3)自适应权重策略与随机差分法变
异策略:为了防止鲸鱼优化算法在后期局部开发时易陷入局部最优和出现早熟收敛的现象,提出保持算法多样性的策略
式(11)、(12)的X是在自适应权重策略下进行鲸鱼狩猎活动的位置更新。式(13)为DE对上述最优座头鲸进行变异生成种群提高模型全局性。
2 模型对比
对比WOA和IWOA优化BP神经网络的模型性能,由于BP神经网络权值阈值具有随机性,故采用固定随机代码进行固定:
rand('seed',333)%333为随机固定组,可变
模型数据来源UCI回归数据集:
适应度对比:
误差精度对比:
IWOA-BP:
WOA-BP:
3 matlab代码
3.1 伪代码
3.2 IWOA-BP
1)单输出回归预测模型:单输出回归预测:改进的鲸鱼算法(IWOA)优化BP神经网络模型(IWOA-BP)
2)多输出回归预测模型:多输出回归预测:改进的鲸鱼算法(IWOA)优化BP神经网络模型(IWOA-BP)
3)分类模型:分类模型:改进的鲸鱼算法(IWOA)优化BP神经网络模型(IWOA-BP)
4)时间序列:时间序列:改进的鲸鱼算法(IWOA)优化BP神经网络模型(IWOA-BP)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’