基于自适应t分布变异的缎蓝园丁鸟优化算法
文章目录
摘要:缎蓝园丁鸟优化算法是一种新型的元启发式优化算法,针对其收敛速度慢、寻优精度低的不足,提出了一 种基于自适应t分布变异的缎蓝园丁鸟优化(tSBO)算法.在tSBO算法中引入了自适应t分布变异算子,使用算法 的迭代次数作为t分布的自由度参数来增强种群的多样性,避免算法陷入局部最优.
1.缎蓝园丁鸟优化算法
基础缎蓝园丁鸟优化算法算法的具体原理参考,我的博客:https://blog.csdn.net/u011835903/article/details/107857884
2.自适应t分布变异
t分布又称学生 分 布,含有参数自由度n,它的曲线形态与自由度n的大小有关,n的值越小,其曲 线越平坦,曲线中间越低,曲线双侧尾部翘得越高, t(n→ ∞)→ N(0,1),t(n = 1)=c(0,1),其 中 N(0,1)为高斯分布,C(0,1)为柯西分布,即标准高 斯分 布 和 柯 西 分 布 是t 分 布的两个边界特例分 布,三者的函数分布如图1所示.
图1 柯西分布、t分布和高斯分布函数分布图
对求偶亭的位置
X
i
=
(
x
i
1
,
x
i
2
,
⋯
,
x
i
n
)
X_{i}=\left(x_{i 1}, x_{i 2}, \cdots, x_{i n}\right)
Xi=(xi1,xi2,⋯,xin)定义见 式:
x
i
t
=
x
i
+
x
i
⋅
t
(
iter
)
x_{i}^{t}=x_{i}+x_{i} \cdot t(\text { iter })
xit=xi+xi⋅t( iter )
式中,
x
i
t
x_i^t
xit为变异后的求偶亭个体位置;
x
i
x_i
xi为第
i
i
i个求偶亭个体的位置;
t
(
i
t
e
r
)
t(iter)
t(iter)为以 算 法 的 迭 代 次 数
i
t
e
r
iter
iter 为参数自由度的
t
t
t分布.该定义式子在
x
i
x_i
xi的基础上增加了
t
t
t分布型随机干扰项
x
i
.
t
(
i
t
e
r
)
x_i.t(iter)
xi.t(iter),充分利用当 前种群的信息干扰,使得个体能够跳出局部最优,收 敛于全局极值点,同时也提高了收敛速度。
自适应t分布变异使用算法的迭代次数作为t 分布的自由度参数,在算法运行初期,迭代次数的值 较小,t分布变异近似于柯西分布变异,算法具有良 好的全局探索能力;在算法运行后期,t分布变异近 似于高斯分布变异,算法具有良好的局部开发能力; 在算法运行中期,t分布变异介于柯西分布变异和高 斯变异之间.t分布的变异算子结合了高斯算子和柯 西算子的优势,同时提高了算法的全局探索性和局 部开发性。
3.建立自适应t分布变异的缎蓝园丁鸟优化算法
针对基本缎蓝园丁鸟算法存在的寻优精度低, 收敛速度慢,易陷入局部最优等缺点,本文提出了一 种自适应 t t t分布变异 的 缎 蓝 园 丁 鸟 优 化 算 法,其 思 想是在求偶亭位置更新后,引入以迭代次数为自由 度参数的自适应 t t t分布,这 样 就 增 强 了 种 群 的 多 样 性,有利于算法跳出局部最优,同时也提高了搜索速 度. t S B O tSBO tSBO的具体步骤如下:
Step1:初始化tSBO 算法的参数,包括变异概率 P P P、最大迭代次数 M a x I t MaxIt MaxIt、最大步长 α \alpha α等;
Step2:计算求偶亭个体的代价函数值,确定最佳求偶亭的位置 x e l i t e x_{elite} xelite及其对应的最优值;
Step3:计算每个求偶亭的适应度值;
Step4:计算每个求偶亭的被选中的概率;
Step5:计算步长,更新求偶亭的位置;
Step6:如果 r a n d < p rand<p rand<p,对求偶亭进行 变异;
Step7:组合旧种群和从变异中获得的种群,计 算组合种群的最优解及对应的最优值,若较全局最 优值更优,则更新全局最优解和全局最优值;
Step8:判断迭代次数是否为最大迭代次 数,若是,结束算法并输出最优解和最优值;若 否,转 向Step3;
4.实验结果
5.参考文献
[1]韩斐斐,刘升.基于自适应t分布变异的缎蓝园丁鸟优化算法[J].微电子学与计算机,2018,35(08):117-121.DOI:10.19304/j.cnki.issn1000-7180.2018.08.025.