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优化支持向量机的模型性能,由于支持向量机训练组数随机性,故对WOA和IWOA采用相同随机组数:
%% WOA训练随机性
temp = randperm(length(Data))
%%IWOA训练随机性
temp1 = temp
误差精度对比:数据来源UCI二分类数据集
IWOA-SVM:
WOA-SVM:
3 matlab代码
3.1 伪代码
3.2 IWOA-SVM
1)回归预测模型(IWOA-SVR):回归预测:改进的鲸鱼算法(IWOA)优化支持向量机(IWOA-SVR)
2)分类模型(IWOA-SVM):分类预测:改进的鲸鱼算法(IWOA)优化支持向量机(IWOA-SVM)
4 视频讲解
B站搜索:‘ 不想学习的陈成 ’