基于反向策略的麻雀搜索算法 -附代码

基于反向学习策略的麻雀搜索算法

1.反向学习策略

反向学习策略是由 Tizhoosh 于 2005 年提出的，目前已在 GA、DE、ACO 和 BBO 等群体智能优化算法中得到了成功的应用。

定义1. 反向点。假设在$[l，u]$上存在数 $x$，则 $x$ 的反向点定义为 $x^{\prime }=l+u－x$。将反向点的定义扩展到 $D$ 维空间，设 $p=(x_1，x_2，\dots ，x_D)$为 $D$ 维空间中的一个点，其中 $x_i\in ［l_i，u_i］$，$i=1，2，\dots ，D$，则其反向点 $p^{\prime }=(x_1^{\prime }，x_2^{\prime }，\dots ，x_D^{\prime })$，其中$x_i^{\prime }=l_i+u_i-x_i$ 。

根据上述定义，采用反向学习策略来产生初始种群个体的
步骤如下:

a) 在搜索空间中随机初始化 N 个麻雀个体位置$x_{i,j}(i=1,2,...,D;j=1,2,...,N)$作为初始种群$RP$;

b) 根据定义 1，初始种群$RP$中的每个麻雀个体 $x_i$ 的反向
个体 $x_i^{\prime }$ 构成反向种群 $OP$;

c) 合并种群 $RP$和 $OP$，将其 2N 个麻雀个体按照适应度值
进行升序排序，选取适应度值前 N 个麻雀个体作为初始种群。

2.基于反向学习策略的麻雀搜索算法

基础麻雀算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/108830958

该改进主要是在初始化种群时，利用反向学习策略初始化种群

算法流程

Step1： 利用反向学习策略初始化种群，迭代次数，初始化捕食者和加入者比列。

Step2：计算适应度值，并排序。

Step3：麻雀更新捕食者位置。

Step4：麻雀更新加入者位置。

Step5：麻雀更新警戒者位置。

Step6：计算适应度值并更新麻雀位置。

Step7：是否满足停止条件，满足则退出，输出结果，否则，重复执行Step2-6；

3.算法结果：

4.Matlab代码

5.python代码