基于自适应调整权重和搜索策略的鲸鱼优化算法-附代码

基于自适应调整权重和搜索策略的鲸鱼优化算法

摘要：针对鲸鱼优化算法( WOA) 收敛速度慢、收敛精度低、易陷入局部最优的问题，提出一种基于自适应调整权重和搜索策略的鲸鱼优化算法( AWOA) ． 设计一种随着鲸鱼种群变化情况而自适应调整权重的方法，提高了算法的收敛速度; 设计一种自适应调整搜索策略，提高了算法跳出局部最优的能力。

1.鲸鱼优化算法

基础鲸鱼算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/107559167

2. 改进鲸鱼优化算法

2.1 自适应调整权重

惯性权重作为鲸鱼优化算法中一个重要的参 数, 对目标函数的优化求解起到了很大的作用. 合 适的权重值对算法寻优能力的提升有很大帮助. 由于 $\mathrm{WOA}$ 在优化求解的过程中, 线性的惯性权 重调整策略若选择不合适, 将影响算法的收敛速 度. 因此, 本文提出了一种根据当前鲸鱼种群分布 情况来自适应改变权值的大小, 公式如下:
$$w=d_1\cdot \left({\mathbf{P}}_{i\text{ worst }}-{\mathbf{P}}_{i\text{ ibest }}\right)+d_2\cdot \left(x_i^{\text{upper }}-x_i^{\text{lower }}\right)/n_{\mathrm{g}}\cdot \text{\hspace{1em}(5)}$$
(5) 式中: $n_{\mathrm{g}}$ 表示当前种群的迭代次数; $x_{\mathrm{i}}^{\text{upper }}$ 和 $x_{\mathrm{i}}^{\text{lower }}$ 分别为变量 $x_i$ 的上界和下界; ${\mathbf{P}}_{\text{iwort }}$ 和 ${\mathbf{P}}_{\text{ibest }}$ 分别为 当前鲸鱼种群中最差鲸鱼的位置向量和最优鲸鱼 的位置向量; $d_1$ 和 $d_2$ 是两个常数. 因此, 当前鲸鱼 个体自适应调整权重收缩包围更新位置和自适应 调整权重螺旋更新位置公式如下:
$$\mathbf{X}(t+1)=w\cdot {\mathbf{X}}^{\ast }(t)-A\cdot \mathbf{D}\text{\hspace{1em}(6)}$$

$$\mathbf{X}(t+1)=w\cdot {\mathbf{X}}^{\ast }(t)+{\mathbf{D}}_p^{\prime }\cdot {\mathrm{e}}^{b\cdot }\cdot \cos (2\pi l)\text{\hspace{1em}(7)}$$

在引人自适应调整权重搜索策略后, 算法可 以根据当前鲸鱼种群的分布情况自适应地改变权 值的大小. 在算法迭代初期, 若鲸鱼种群陷人局部 最优解, 并且最优解和最差解差别不大时, $d_2\cdot \left(x_i^{\text{upper }}-x_i^{\text{lower }}\right)/n_{\mathrm{g}}$ 的值并不受种群分布情况的 影响, 这部分的设计依然可以得到较大的权重值 $w$, 避免了算法在迭代初期就陷人小范围搜索的 缺陷; 随着鲸鱼种群迭代次数的增加, $d_2\cdot (x_i^{\text{upper }}-$ $x_i^{\text{lower }})/n_{\mathrm{g}}$ 的值会逐渐变小, 其对权重 $w$ 的影响减 小,若此时算法并末得到最优解, $d_1\cdot ({\mathbf{P}}_{\text{iworst }}-$ ${\mathbf{P}}_{\text{ibest }})$ 的设计就可以对权重值 $w$ 起到主导作用, 可以使算法以较大的步长寻优. 这样设计自适应 调整权重 $w$ 的好处在于, 其值由两部分决定, 前 半部分对种群迭代次数过大时起主要调节作用, 后半部分对种群陷人局部最优时起主要调节作 用. 权重 $w$ 前后两部分会根据当前种群位置的变 化情况而发生变化, 不拘于某种固定的形式, 具 有很强的自适应性.

2.2 自适应调整搜索策略

为防止算法陷入局部最优，随机搜索阶段，个体根据概率阈值 Q 来选取随机搜索的更新方式概率阈值定义为
$$Q=\frac{\left|\bar{f}-f_{\min }\right|}{\left|f_{\max }-f_{\min }\right|}\text{\hspace{1em}(8)}$$
式中: $\bar{f}$ 表示当前鲸鱼种群的平均适应度值; $f_{\text{min }}$ 为当前鲸鱼种群中最好的适应度值; $f_{\max }$ 为当前鲸 鱼种群中最差的适应度值. 对于每个鲸鱼个体, 以 一个 $[0,1]$ 之间的随机数 $q$ 与计算出的概率阈值 $Q$ 进行数值比较. 若 $q<Q$, 随机选取的鲸鱼个体 ${\mathbf{X}}_{\text{rand }}$ 根据式( 9) 更新其位置, 其他鲸鱼个体位置不 变; 否则, 其他鲸鱼个体根据式 (4) 更新其位置. 这样设计使得算法在迭代前期能以较大的概率在 全局范围内随机产生一组解, 避免鲸鱼因聚集在 一起而导致种群多样性的缺失, 增强了算法的全 局搜索能力.
$${\mathbf{X}}_{\text{rand }}={\mathbf{X}}_{j\text{ min }}+r\cdot \left({\mathbf{X}}_{\mathbf{j}\text{ max }}-{\mathbf{X}}_{\mathbf{j}\text{ min }}\right)\text{\hspace{1em}(9)}$$
式中: $r$ 为 $[0,1]$ 之间的随机数; ${\mathbf{X}}_{\text{min }},{\mathbf{X}}_{\text{max }}$ 分别为 变量 ${\mathbf{X}}_{\text{rand }}$ 取值的最小值和最大值.

3.实验结果

4.参考文献

[1]孔芝,杨青峰,赵杰,熊浚钧.基于自适应调整权重和搜索策略的鲸鱼优化算法[J].东北大学学报(自然科学版),2020,41(01):35-43.

5.Matlab代码

6.Python代码