优化算法改进之鲸鱼优化算法详解及效果对比

改进鲸鱼优化算法(IWOA，自己融合了多策略改进，名字自己取的[破涕为笑])，改进包括circle混沌映射，自适应阈值，非线性收敛因子，以及自适应权重和levy飞行策略，具体公式会在readme说明文件中详细给出。
与鲸鱼算法，灰狼算法，麻雀算法，北方苍鹰算法，在初始种群为30，独立运行次数30，迭代500次做比较，效果如下。
该改进仍有很大优化空间，自己可以对参数进行优化，不同参数组合会对效果有较大影响，文件中会给出在哪优化，如何进行优化，只改了一个参数效果有了很大提升，见F4效果对比图。
附带23种测试函数，测试函数对应波形如下，可对应收敛曲线一起看。

ID:7699701656868882

Maya

---

改进鲸鱼优化算法(IWOA，自己融合了多策略改进，名字自己取的[破涕为笑])，改进包括circle混沌映射，自适应阈值，非线性收敛因子，以及自适应权重和levy飞行策略。

鲸鱼优化算法是一种启发式优化算法，模仿了鲸鱼觅食的行为。通过模拟鲸鱼的行动规律，该算法可以用于解决各种优化问题，例如函数优化、参数调优等。然而，原始的鲸鱼优化算法存在一些不足之处，因此我们对其进行了改进。

首先，我们引入了circle混沌映射。混沌映射是一种非线性动力系统，具有复杂的动力学行为。通过引入circle混沌映射，我们可以增加算法的搜索空间，提高其全局搜索能力。具体而言，在每一代的迭代过程中，我们使用circle混沌映射来生成新的候选解，以增加多样性和探索性。

其次，我们引入了自适应阈值。在传统的鲸鱼优化算法中，阈值是一个固定的常数，会对算法的收敛速度和搜索能力产生影响。为了提高算法的自适应性，我们将阈值设置为一个动态变化的值，根据当前最优解的改变情况来调整阈值的大小。这样可以使算法在不同阶段具有不同的收敛速度和搜索策略，提高算法的适应性和鲁棒性。

此外，我们还引入了非线性收敛因子。传统的鲸鱼优化算法中，收敛因子是一个线性函数，用于控制算法的收敛速度。然而，线性收敛因子往往会导致算法陷入局部最优解，缺乏全局搜索能力。为了改善这个问题，我们采用了非线性收敛因子，将收敛因子设置为一个随机变化的函数，以增加算法的多样性和探索性。

最后，我们引入了自适应权重和levy飞行策略。自适应权重可以根据每个个体的适应度动态调整，以提高算法的搜索能力和收敛速度。levy飞行策略是一种随机步长策略，可以增加算法的搜索范围，提高全局搜索能力。通过引入自适应权重和levy飞行策略，我们可以进一步改善算法的性能。

为了评估改进的鲸鱼优化算法的性能，我们将其与鲸鱼算法、灰狼算法、麻雀算法和北方苍鹰算法进行了比较。我们选择了初始种群为30，独立运行次数30，迭代500次作为参数设置，以保证实验的可靠性。实验结果表明，改进的鲸鱼优化算法在解决优化问题方面具有较好的性能。

然而，我们也认识到改进的鲸鱼优化算法仍有很大的优化空间。不同的参数组合会对算法的性能产生较大的影响，因此我们鼓励研究者对参数进行优化。在readme说明文件中，我们将详细介绍如何进行参数优化。实验结果表明，即使只改变一个参数，算法的性能也会有显著提升，相关的F4效果对比图将在文件中给出。

此外，我们还提供了23种测试函数，并给出了对应波形。通过观察测试函数的收敛曲线，可以进一步了解算法的性能和搜索能力。

综上所述，通过改进鲸鱼优化算法的circle混沌映射、自适应阈值、非线性收敛因子、自适应权重和levy飞行策略等方面，我们提升了算法的搜索能力和收敛速度。实验结果表明，改进的鲸鱼优化算法在解决优化问题方面具有较好的性能。然而，仍有很大的优化空间，我们鼓励研究者对参数进行优化，并提供了相关的指导。通过在readme说明文件中详细介绍参数优化方法，我们希望能够进一步推动鲸鱼优化算法的研究和应用。

【相关代码 程序地址】： http://nodep.cn/701656868882.html