基于混沌映射的自适应樽海鞘群算法-附代码

最新推荐文章于 2024-04-29 11:30:06 发布

智能算法研学社（Jack旭）

最新推荐文章于 2024-04-29 11:30:06 发布

阅读量511

点赞数

分类专栏：智能优化算法改进文章标签：机器学习人工智能算法

本文链接：https://blog.csdn.net/u011835903/article/details/126812608

版权

智能优化算法改进专栏收录该内容

200 篇文章 216 订阅

订阅专栏

基于混沌映射的自适应樽海鞘群算法

文章目录

基于混沌映射的自适应樽海鞘群算法

摘要：针对樽海鞘群算法收敛速度慢、易陷入局部最优等问题，提出了一种基于混沌映射的自适应樽海鞘群算法。在种群初始化阶段引入混沌映射来增强种群的多样性，提高算法的收敛速度;改进领导者的更新方式，同时加入自适应权重，提高算法的探索和开发能力;改进追随者的位置更新方式，减少追随者的盲目性。

1.樽海鞘群算法

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

2.改进樽海鞘群算法

2.1 混沌映射

研究表明, 种群初始化作为群能算法的重要环节, 初始化的位置的好坏可以直接影响算法的收敛速度和解质量 , 例如, 均匀分布比随机分布解空间的覆盖率更全, 更容易得到好的初始解。基本樽海鞘群算法采用随机种群初始化操作, 无法覆盖整个解空间。混池序列在一定范围内具有遍历性、随机性及规律性的特点与随机搜索相比, 混池序列能以更高的概率对搜索空间进行彻底搜索, 可使算法跳出局部最优, 保持群体的多样性。
基于以上分析, 为了更大几率的得到好的初始解位置, 加快种群的收玫速度, 本文采用具有较好遍历均匀性和更快迭代速度的 Tent 混池映射方法, 提高初始解的覆盖空间, 计算方法如式 (8) 所示。
$y_{k+1}^{i}= \begin{cases}2 x_{k}^{i} & x_{k}^{i}<0.5 \\ 2\left(1-x_{k}^{i}\right) & \text { else }\end{cases} \\ \tag{8}$

$\begin{gathered} x_{j}^{i}=y_{k}^{i}(\mathrm{ub}-\mathrm{lb})+\mathrm{lb} \end{gathered}\tag{9}$
式 (8) 中: $y_{k}^{i}$ 为区间 $[0, 1]$ 的混沈序列, 再根据式 (9) 进行逆映射得到种群的初始位置, 这样的混池映射方法能够大幅度的增大初始解空间的覆盖率, 让种群能够更快的靠近最优解, 从而加快算法的收敛速度。

2.2 自适应权重变化

在基本樽海鞘群算法中, 从领导者的位置更新方式我们可以看出,领导者的位置更新主要受到食物源和参数 $c_{1}$ 的影响, $c_{1}$ 值越大时有利于算法的探索能力, $c_{1}$ 值越小时, 有利于算法的开发能力, 同时领导者的位置移动还受到缩放因子 $c_{2}$ 的影响, $c_{2}$ 为均匀分布的随机数, 这样的缩放因子使得领导者的移动具有很大的斍目性, 且 $c_{2}$ 的取值多为无效取值。针对上述问题, 本文提出了一种新的领导者位置更新方式, 在食物源的位置添加自适应权重, 算法前期权重较大, 让算法有足够强的探索能力, 随着迭代次数的增加,权重自适应减小,用于增强算法的局部开发能力, 在算法的中后期, 权重开始增大, 使领导者具备跳出局部最优的能力, 具体数学描述如式 (10) 所示。
$x_{j}^{i}= \begin{cases}F_{j}+c_{1} F_{j} & c_{1} \geqslant 0.8 \\ F_{j}-c_{1} F_{j} & c_{1}<0.8\end{cases} \\ \tag{10}$

$\begin{gathered} c_{1}= \begin{cases}2 \mathrm{e}^{-\left(2 t / T_{\max }\right)} & t<T_{\max } / 2 \\ 2 \mathrm{e}^{-\left[2\left(T_{\max }-t\right) / T_{\max }\right]} & t<T_{\max } / 2\end{cases} \end{gathered}\tag{11}$
式中: $x_{j}^{i}$ 表示个体 $i$ 在捕食空间 $j$ 维的位置, $F_{j}$ 为食物源位置, $c_{1}$ 为先递减后递增的权重, $t$ 代表当前迭代次数, $T_{\max }$ 代表最大迭代次数。

2.3 追随者机制变化

在基本樽海鞘群算法中, 追随者根据式(7) 进行位置更新, 从式中可以看出，第 $i$ 只个体根据第 $i -$ 1 只个体进行位置移动, 而没有考虑上一个体适应度的好与坏, 即追随者的位置移动具有一定的斍目性,追随者 $i$ 的位置移动只与个体 $i - 1$ 有关, 缺乏与其他个体进行信息交流的能力, 这种移动方式极易导致算法陷入局部最优。针对上述缺点, 本文提出了一种新的追随者移动方式, 具体数学描述如式 (12) 所示。
$x_{j}^{i}=\left\{\begin{array}{cl} \left(x_{j}^{c 2}+F x_{j}^{i}\right) / 2 & f\left(x_{j}^{c 2}\right) \leqslant f\left(x_{j}^{i}\right) \\ x_{j}^{i}-\sin \left(x_{j}^{i}\right) & f\left(x_{j}^{c 2}\right)>f\left(x_{j}^{i}\right) \end{array}\right.\tag{12}$
式中: $x_{j}^{i}$ 表示追随者的位置, $F$ 是权重因子, 随迭代次数逐渐递减, $c 2$ 代表了随机从领导者中选择的个体, 如果当前个体 $i$ 的适应度大于领导者 $c 2$ 的适应度, 则在适应度较大的个体位置上添加权重因子, 用来降低较差位置个体的影响, 进而提升了较优个体的权重; 否则, 个体 $i$ 只在自已周围波动。这种移动方式, 可以大大的降低斍目追随性,增强了种群间的信息交流，同时还能保留追随者的自身信息，保证种群的多样性。