融合莱维飞行与黄金正弦的蚁狮优化算法
摘要:针对蚁狮优化算法较易陷入局部最优停滞、收敛精度低以及收敛速度较慢等问题,将莱维飞行机制和黄金正弦算法融合到蚁狮优化算法中,提出了融合莱维飞行与黄金正弦的蚁狮优化算法(LGSALO)。该算法利用Lévy飞行的变异机制对寻优过程中位置更新方式进行变异操作,可以改善种群多样性,使得算法跳出局部最优,提高全局寻优能力,并在一定程度上避免了算法的过早收敛;同时引入黄金正弦算法改进精英蚁狮的寻优方式,协调算法的全局探索与局部开发能力。
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 Lévy 变异机制
Lévy 飞行的概率密度函数服从 Lévy 分布, 其函数如下:
P
α
,
β
(
x
)
=
1
π
∫
0
∞
exp
(
r
q
α
)
cos
(
q
z
)
d
q
(10)
P_{\alpha, \beta}(x)=\frac{1}{\pi} \int_{0}^{\infty} \exp \left(r q^{\alpha}\right) \cos (q z) \mathrm{d} q \tag{10}
Pα,β(x)=π1∫0∞exp(rqα)cos(qz)dq(10)
其中:0<
α
⩽
2
\alpha \leqslant 2
α⩽2 控制 Lévy 分布图中峰的锐度,
r
>
0
r>0
r>0 控制分布图 形的跨度。当
α
=
2
\alpha=2
α=2 时, Lévy 分布就是高斯分布,
α
=
1
\alpha=1
α=1 时, Lévy 分布就是柯西分布。对于非整数的
α
\alpha
α 取值, 通过 Lévy 分布的 概率密度函数分析较为困难, 需要采用模拟方法来产生 Lévy 分布的随机步长。其位置更新公式㛎下:
x
i
t
+
1
=
x
i
t
+
α
⊕
L
e
ˊ
v
y
(
λ
)
(11)
x_{i}^{t+1}=x_{i}^{t}+\alpha \oplus \operatorname{Lévy}(\lambda) \tag{11}
xit+1=xit+α⊕Leˊvy(λ)(11)
其中:
α
\alpha
α 为随机步长;
⊕
\oplus
⊕ 为点乘; Lévy 为符合 Lévy 分布的随机搜索路径且符合以下约束:
L
e
ˊ
vy
(
λ
)
∼
φ
u
∣
v
∣
1
/
2
(12)
\text { Lévy }(\lambda) \sim \frac{\varphi u}{|v|^{1 / 2}} \tag{12}
Leˊvy (λ)∼∣v∣1/2φu(12)
其中:
u
、
v
u 、 v
u、v 服从标准正态分布;
λ
=
1.5
\lambda=1.5
λ=1.5 。
φ
=
[
Γ
(
1
+
λ
)
sin
(
π
λ
/
2
)
Γ
[
(
1
+
λ
)
/
2
]
λ
2
(
λ
−
1
)
/
2
]
1
/
λ
\varphi=\left[\frac{\Gamma(1+\lambda) \sin (\pi \lambda / 2)}{\left.\Gamma[(1+\lambda) / 2] \lambda 2^{(\lambda-1) / 2}\right]^{1 / \lambda}}\right.
φ=[Γ[(1+λ)/2]λ2(λ−1)/2]1/λΓ(1+λ)sin(πλ/2)
2.2 黄金正弦算法
黄金正弦算法 (golden sine algorithm, golden-SA)是 Tanyildizi等人
[
13
]
{ }^{[13]}
[13] 于 2017 年提出的新型元启发式算法, 该算法 的设计灵感来源于数学中的正弦函数, 该算法利用数学中的正 弦函数进行计算迭代寻优, 其优点是收敛速度快、查棒性好、易 于实现、调节的参数和运算符少。
golden-SA 根据正弦函数与单位圆 的关系, 可以遍历正弦 函数上的所有值即寻遍单位圆上所有的点, 同时在其位置更新 过程中引入黄金分割数缩小解决方案的空间, 以便扫描可能只 产生良好结果的区域, 很大程度上提高了搜索速度, 且使搜索 和开发达到良好的平衡。golden-SA 算法的核心是位置更新过 程, 随机产生
s
s
s 个个体的位置, 并用
X
i
T
=
(
X
i
1
,
X
i
2
,
X
i
3
,
⋯
X_{i}^{T}=\left(X_{i 1}, X_{i 2}, X_{i 3}, \cdots\right.
XiT=(Xi1,Xi2,Xi3,⋯,
X
i
d
)
T
\left.X_{i d}\right)^{T}
Xid)T, 表示
d
d
d 维个体空间中第
T
T
T 次迭代中第
i
(
i
=
1
,
2
,
⋯
,
s
)
i(i=1,2, \cdots, s)
i(i=1,2,⋯,s) 个 个体的空间位置,
P
i
T
=
(
P
i
1
,
P
i
2
,
P
i
3
,
⋯
,
P
i
d
)
T
P_{i}^{T}=\left(P_{i 1}, P_{i 2}, P_{i 3}, \cdots, P_{i d}\right)^{T}
PiT=(Pi1,Pi2,Pi3,⋯,Pid)T 表示第
T
T
T 代个体
i
i
i 的最优位置, 在
T
+
1
T+1
T+1 次迭代中, 第
i
(
i
=
1
,
2
,
⋯
,
n
p
)
i(i=1,2, \cdots, n p)
i(i=1,2,⋯,np) 个个体的 位置更新公式如下:
X
i
T
+
1
=
X
i
T
∣
sin
(
R
1
)
∣
+
R
2
sin
(
R
1
)
∣
x
1
P
i
T
−
x
2
X
i
T
∣
(13)
X_{i}^{T+1}=X_{i}^{T}\left|\sin \left(R_{1}\right)\right|+R_{2} \sin \left(R_{1}\right)\left|x_{1} P_{i}^{T}-x_{2} X_{i}^{T}\right| \tag{13}
XiT+1=XiT∣sin(R1)∣+R2sin(R1)∣
∣x1PiT−x2XiT∣
∣(13)
其中:
R
1
R_{1}
R1 和
R
2
R_{2}
R2 是随机数,
R
1
R_{1}
R1 决定下一次迭代中个体的移动距 离,
R
1
∈
[
0
,
2
π
]
,
R
2
R_{1} \in[0,2 \pi], R_{2}
R1∈[0,2π],R2 决定下一次迭代的位置更新方向,
R
2
∈
R_{2} \in
R2∈
[
0
,
π
]
;
x
1
[0, \pi] ; x_{1}
[0,π];x1 和
x
2
x_{2}
x2 是通过黄金分割得到的系数, 可以缩小搜索空 间引领个体趋近最优值, 黄金分割数
τ
=
(
5
−
1
)
/
2
,
x
1
=
\tau=(\sqrt{5}-1) / 2, x_{1}=
τ=(5−1)/2,x1=
−
π
+
(
1
−
τ
)
×
2
π
,
x
2
=
−
π
+
τ
×
2
π
-\pi+(1-\tau) \times 2 \pi, x_{2}=-\pi+\tau \times 2 \pi
−π+(1−τ)×2π,x2=−π+τ×2π 。
3.实验结果
4.参考文献
[1]于建芳,刘升,王俊杰,鲁晓艺.融合莱维飞行与黄金正弦的蚁狮优化算法[J].计算机应用研究,2020,37(08):2349-2353.