鲸鱼优化算法居具有收敛速度较快,简单易实现:相对于一些复杂的优化算法,鲸鱼优化算法的实现相对简单,不需要太多的参数调整和复杂的数学模型。
但是鲸鱼优化算法虽然具有较强的全局搜索能力,但在某些情况下仍可能陷入局部最优解,尤其是对于复杂的多模态问题。
而针对基本鲸鱼优化算法在非线性优化问题中存在的收敛精度低、易陷入局部最优解的问题,提出一种融合 动态概率阈值和自适应变异的鲸鱼优化算法。
首先,利用Fuch混沌和反向学习生成均匀的初始种群;
其次,设计基 于双曲余弦函数的动态调整概率阈值以协调算法全局搜索与局部开采能力,采用可变权重对鲸鱼位置更新公式修正,提高收敛速度和精度;
最后,对鲸鱼精英个体引入自适应变异策略,以避免算法陷入局部最优解而搜索停滞。
WOA算法采用随机方法初始种群个体,使得种群初始分布不均匀,容易导致算法陷入局部最优。
研究结果表明,采用混沌初始化和方向学习初始化 种群均可生成多样性较好的初始可行解.混沌映射 所具有随机性、遍历性等优点,能够保持种群多样性。
反向学习通过搜索反向解和当前解可以获得较好的初始种群,进而提高收敛速度。
Fuch映射:
因此,本文利用这两种初始化方法优点,提出了基于Fuch混沌 和反向学习的种群初始化策略,其中,Fuch混沌映射数学表达式如下:
式中,为迭代次数;是混沌迭代最大次数。
鲸鱼优化算法在气泡网攻击猎物(开采阶段), 采用固定的概率阈值0.5,通过在[0,1]之间生成的值与概率阈值比较。
选择收缩包围或螺旋更新位置觅食行为.这种等概率机制选择方式并未考虑算法 迭代过程种群多样性变化,使得算法可能在迭代前 期收敛速度慢,迭代后期陷入局部最优.
因此,引入基于双曲余弦规律变化的自适应调整选择概率阈值策略,使得鲸鱼个体在不同搜索期有较大概率选择到适合当前种群多样性变化的觅食行为,以协调算法全局探索和局部开发的能力,提高算法收敛精度,数学表达式为:
ath
式中,β∈[2,2.5];γ∈[0,0.5]分别为调节因子;t为当前的迭代次数;Tmax为最大迭代次数.下图给出了动态调整概率阈值曲线。
综上分析,可将执行收缩包围和螺旋式位置更新修改为上式。
可变权重策略:
由原算法可以看出,在每次迭代中,产生新的个体位置仅决定于当前目标个体位置和全局最优个体位置。因此,容易导致算法陷入局部最优。
针对这一问题,受粒子群算法启发,本文设计可变权重,动态修改当前最优解位置,即在鲸鱼个体在搜索初期,采用较大权重对当前最优解位置进行扰动,扩充搜索领域,以更大概率靠近最优位置,在迭代后期以较小权重扰动当前最优位置,达到最优解领域精细搜索和快速收敛的目的。
权重计算公式:
式中,和分别是当代种群个 体适应度函数的最大值;最小值和平均值;为当代所有比小的鲸鱼个体适应度函数平 均值;为当代所有比大的鲸鱼个体 适应度函数平均值;为第t代第i个鲸鱼个体的适应度函数值.结合上述分析,改进的位置更新公式定义为:
自适应变异策略:
在WOA算法的迭代后期,由于群体中所有鲸鱼个体均向最优个体移动,逐渐聚集于当前最优解领域,致使群体多样性损失,则WOA算法易陷入局部最优而搜索停滞。
为了降低算法早熟收敛和陷入局部最优的概率,提出了一种随迭代次数动态调整的柯西与高斯混合变异机制,对当前种群中适应度值最好的前S个最优个体进行自适应变异操作,并从变异前后的精英个体中选择最优个体进入下一次迭代,其具体表达式如下:
式中,cauchy 的权重系数在前期取值相对 较大,并以较大变异步长在更大范围搜索空间探索 可能的最优解,在优化后期,λ1逐渐减小,而 cauchy 权重系数λ2不断增大.而 较小的变异步长,便于算法在最优解领域搜索,提高 算法局部开采能力,提高收敛精度。
算法仿真分析图: F1-F8
参考文献:毕孝儒,牟琦,龚尚福. 融合动态概率阈值和自适应变异的鲸鱼优化
更多内容第一时间发布,关注微信公众号:算法仓库
超越单一算法!AO和AVOA的完美结合,IHAOAVOA助你解决全局优化难题!
Matlab源码链接:https://mbd.pub/o/bread/ZJecm5tv