多子群的共生非均匀高斯变异樽海鞘群算法-附代码

智能算法研学社（Jack旭）

已于 2022-05-29 22:32:01 修改

阅读量995

点赞数

分类专栏：智能优化算法改进文章标签：算法动态规划数据结构 matlab

于 2022-05-29 16:01:21 首次发布

本文链接：https://blog.csdn.net/u011835903/article/details/125032074

版权

智能优化算法改进专栏收录该内容

200 篇文章 212 订阅

订阅专栏

多子群的共生非均匀高斯变异樽海鞘群算法

文章目录

多子群的共生非均匀高斯变异樽海鞘群算法

摘要：针对樽海鞘群算法求解精度不高和收敛速度慢等缺点，提出一种多子群的共生非均匀高斯变异樽海鞘群算法(MSNSSA).根据不同适应度值将樽海鞘链群分为三个子种群，各个子种群分别进行领导者位置更新、追随者共生策略和链尾者非均匀高斯变异等操作．

1.樽海鞘群算法

基础樽海鞘群优化算法算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/107767869

2.多子群的共生非均匀高斯变异樽海鞘算法

智能算法的核心是为了寻求探索能力和开发能力的平衡，为了实现这一点．本文在标准樽海鞘群算法基础上，以最小化问题为例，保持原种群个体数目不变的条件下，按照适应度值从小到大，均匀的把原有种群分为领导者、追随者和链尾者三个子群体．这三种子群体执行不同的更新策略，分别侧重于平衡搜索、局部搜索和全局搜索．并结合相应的进化策略，改善算法的优化性能．具体描述如下．

2.1 SSA 算法参数分析

领导者位置更新公式(2)中，参数 c 1 可以使 SSA的探索能力和开发能力处于较好状态．因而系数 $c_1$ 是樽海鞘群算法中最重要的参数．式中的幂系数 m的取值大小对算法探索能力和开发能力起到至关重要的作用。本文选取 $m$ 从 1.0 到 3.5 之间分析对算法性能的影响。最终当 $m = 2.5$ 时，参数 $c_1$ 能使 SSA 算法的探索能力和开发能力处于更好的平衡状态．

2.2 共生策略

由式(5)追随者位置更新公式产生的新个体直接替换原个体，此更新方式存在以下缺点：(1)更新后的追随者个体不管适应度值好与坏都直接替换原有个体，具有一定盲目性，会导致收敛速度降低；(2)第i只樽海鞘位置会根据第i和i–1只樽海鞘位置进行更新，对先前个体依懒性较强，缺乏与其它个体学习的部分．若追随者的位置是局部最优解，则会容易陷入局部最优，出现停滞．为增强樽海鞘群算法的开发能力．本文提出一种共生策略对追随者位置进行更新，公式如下：
$x_{j}^{i}=x_{j}^{i}+\operatorname{rand}(0,1) \times\left(F_{j}-C \times R\right)$
式中，rand(0,1)是(0,1)之间的随机数； $F_j$ 为食物源在第 j 维空间的位置； $C=(x_j^i+x_j^{i-1})/2$ 称为共生量，代表樽海鞘链中第 i 和 i–1 只樽海鞘的关系特征；R 的作用解释如下：在自然界中，某些互惠关系可能给一个生物带来比另一个生物更大的有益优势．换句话说，樽海鞘 i 与樽海鞘 i-1 相互作用时可能会获得巨大的利益．同时，樽海鞘 i-1 与樽海鞘 i 相互作用时可能只会获得足够的利益或没有那么显着的利益．在这里，受益因子 R 是随机确定的1 或 2．这些因素代表樽海鞘个体是部分或全部受益于相互作用．经上式新产生的追随者需判断适应度值是否优劣后再替换原有个体．

在上式追随者位置更新策略中，增加了社会部分 $rand(0,1)×(F_j −C×R)$ ，使种群中的最优个体参与追随者的进化．与原来追随者更新公式只使用第 i和 i–1 只樽海鞘位置进行信息交流的方式相比，社会部分引入更多组合模式，使其不再单一围绕前一个追随者附近搜索，即将追随者从原个体位置指引到食物源位置所在附近．从而提高算法的开发能力．

2.3非均匀高斯变异

处于樽海鞘链尾端个体的适应度值较差，被分类为链尾者子群．对于这类樽海鞘个体可以很好地保留自身信息，而不是一味地朝着领导者移动．为增强种群多样性，本文为适应度值较差的链尾者提出一种非均匀高斯变异策略，其更新公式如下：
$x_{j}^{i}=x_{j}^{i}+\Delta\left(t, G D_{t}^{i}\right)$

$\Delta(t, y)=y\left(1-r^{\left(1-t / T_{\max }\right)^{b}}\right)$

$D_{t}^{i}=N\left(\left(F_{j}-x_{j}^{i}\right), \sigma\right)$

式中， $\Delta\left(t, G D_{t}^{i}\right)$ 为非均匀变异步长，是一种通过高斯分布自适应调节步长的变异算子； $r$ 为[0,1]区间均匀产生的随机数； $b$ 为系统参数，决定变异计算的非均匀程度，取值为 $b = 2$ ； $F_j$ 为食物源在第 $j$ 维空间的位置； $σ$ 为高斯分布标准差．