优选策略的自适应蚁狮优化算法
文章目录
摘要:针对基本蚁狮优化算法收敛速度较慢、易陷入局部极值、高维求解精度较低等缺点,提出具有自适应边界、优选轮盘赌和动态比例系数的改进蚁狮算法.在蚂蚁围绕蚁狮游走的过程中引入自适应边界机制,增加蚂蚁种群活跃性,防止算法陷入局部极值.轮盘赌选择蚁狮过程中加入优选轮盘赌策略,在保持蚁狮个体多样性的同时加快算法收敛速度.在蚂蚁位置更新公式中加入动态比例系数,提高算法前期的探索能力和后期的开发能力.
1.蚁狮优化算法
基础蚁狮优化算法的具体原理参考,我的博客:https://blog.csdn.net/u011835903/article/details/107726004
2. 改进蚁狮优化算法
2.1 自适应边界
在基本蚁狮算法的式 (7) 中, 蚂蚁围绕蚊狮游 走的边界随迭代次数的增加而变小, 变化呈线性分 段趋势且在同一轮迭代中, 所有妈蚁游走的边界都 完全相同, 这降低算法的多样性, 不利于算法寻找全 局最优解. 对此, 本文提出自适应边界策略, 改进式 (7)用于增加蚂蚑在围绕蚑狮游走时的多样性:
I
=
1
0
∗
t
T
(
0.5
+
sin
(
t
π
2
T
⋅
rand
)
)
,
I=10^{*} \frac{t}{T}\left(0.5+\sin \left(\frac{t \pi}{2 T} \cdot \text { rand }\right)\right),
I=10∗Tt(0.5+sin(2Ttπ⋅ rand )),
其中 rand 为
(
0
,
1
)
(0,1)
(0,1) 内均匀分布的随机数.
t
>
{
0.1
T
,
w
=
2
0.5
T
,
w
=
3
0.75
T
,
w
=
4
0.9
T
,
w
=
5
0.95
T
,
w
=
6
t> \begin{cases}0.1 T, & w=2 \\ 0.5 T, & w=3 \\ 0.75 T, & w=4 \\ 0.9 T, & w=5 \\ 0.95 T, & w=6\end{cases}
t>⎩
⎨
⎧0.1T,0.5T,0.75T,0.9T,0.95T,w=2w=3w=4w=5w=6
由式 (6) 可知, 边界的变化主要由
I
I
I 值决定, 与 其呈反比, 而式(9)中
I
I
I 的值由
1
0
w
、
t
T
、
(
0.5
+
sin
(
t
π
2
T
⋅
rand
)
)
10^{w} 、 \frac{t}{T} 、\left(0.5+\sin \left(\frac{t \pi}{2 T} \cdot \text { rand }\right)\right)
10w、Tt、(0.5+sin(2Ttπ⋅ rand ))
三项因子决定. 随着进化代数增加,
1
0
w
10^{w}
10w 呈线性分段指数递增,
t
T
\frac{t}{T}
Tt 呈线性递增,
(
0.5
+
sin
(
t
π
2
T
⋅
rand
)
)
\left(0.5+\sin \left(\frac{t \pi}{2 T} \cdot \text { rand }\right)\right)
(0.5+sin(2Ttπ⋅ rand ))
在
(
0.5
,
1.5
)
(0.5,1.5)
(0.5,1.5) 内呈随机非线性递增趋势. 整体而言,
I
I
I 值随进化代数增加呈现具有一定随机性的非线性自 适应递增趋势, 千是边界大小随进化代数呈现具有 一定随机性的非线性自适应递减趋势, 从而提高蚂 蚁围绕蚁狮游走的随机性和多样性, 提高算法的开 发能力和全局搜索能力, 有利于找到全局最优解.
2.2 优选轮盘赌策略
ALO 使用适应度轮盘赌法选择随机蚁狮, 虽然 这样使蚂蚁有较大概率绕较优蚁狮进行游走, 但是 仍然会有较大可能围绕较差蚁狮进行游走. 本文对 此进行改进, 将初始算法中用于轮盘赌选择的蚁狮 根据适应度大小进行排序, 然后设定: 如果
A
<
A
⋅
P
⋅
rand,
A<A \cdot P \cdot \text { rand, }
A<A⋅P⋅ rand,
A
A
A 参与轮盘赌; 否则
A
A
A 不参与轮盘赌. 其中,
A
A
A 为参与 轮盘赌蚁狮个体的适应度值,
P
P
P 为
M
\boldsymbol{M}
M 中蚁狮适应度 值的平均值, rand 为
(
0
,
1
)
(0,1)
(0,1) 内均匀分布的随机数. 这 种对蚁狮的判断选取既保留大多数蚁狮, 又使蚂蚁 有更大概率围绕较优蚁狮进行游走.
通过改进, 对参与适应度轮盘赌的蚁狮进行有 条件选取, 使蚂蚁有更大概率围绕较优蚁狮进行游 走, 提高算法找到更优解的可能性和速度.
2.3 动态比例系数
标准蚑狮算法采用式 (8) 求取
R
A
t
R_{A}^{t}
RAt 和
R
E
t
R_{E}^{t}
REt 两种随 机游走平均值的方法以平衡探索和开发能力,但忽 略蚂蚁的开发和探索能力在不同时期所占比例应有 不同. 本文改进
R
A
t
R_{A}^{t}
RAt 和
R
E
t
R_{E}^{t}
REt 的比例系数, 让不同时期两 种游走方式占有的权重不同. 算法前期以围绕轮盘 赌选择的蚁狮游走方式为主, 后期以围绕精英蚁狮 的游走方式为主. 改进后的动态比例系数为
A
n
t
i
t
=
(
1
−
0.2
−
0.8
t
T
⋅
rand
)
R
A
t
+
R
E
t
(
0.2
+
0.8
t
T
⋅
rand
)
,
\begin{aligned} A n t_{i}^{t}=&\left(1-0.2-0.8 \frac{t}{T} \cdot \text { rand }\right) R_{A}^{t}+ R_{E}^{t}\left(0.2+0.8 \frac{t}{T} \cdot \text { rand }\right), \end{aligned}
Antit=(1−0.2−0.8Tt⋅ rand )RAt+REt(0.2+0.8Tt⋅ rand ),
其中,
R
A
t
R_{A}^{t}
RAt 为蚂蚁在第
t
t
t 次迭代时围绕轮盘赌所选蚁 狮进行随机游走后的位置,
R
E
t
R_{E}^{t}
REt 为蚂蚁在第
t
t
t 次迭代 时围绕精英蚁狮进行随机游走后的位置,
T
T
T 为最大 迭代次数,
t
t
t 为当前迭代次数, rand 为
(
0
,
1
)
(0,1)
(0,1) 内均匀 分布的随机数.
通过式 (10)的改进, 算法初期主要围绕轮盘赌 选择蚁狮游走, 同时也逐渐增强最优蚁狮的方向性影响.后期主要围绕精英蚁狮游走,兼有一定的随机性,有效提高算法前期的探索能力和后期的开发能力.同时动态比例系数的使用也在一定程度上提升蚂蚁种群的多样性.
3.实验结果
4.参考文献
[1]刘景森,霍宇,李煜.优选策略的自适应蚁狮优化算法[J].模式识别与人工智能,2020,33(02):121-132.