集成随机惯性权重和差分变异操作的樽海鞘群算法-附代码

基于衰减因子和动态学习的改进樽海鞘群算法

摘要：为了提高樽海鞘群算法（Salp Swarm Algorithm,SSA）的收敛速度、计算精度和全局优化能力,在分析总结粒子群优化（Particle Swarm Optimization,PSO）和差分进化（Differential Evolution,DE）算法相关研究成果后,提出了一种集成PSO算法随机惯性权重和DE算法差分变异操作的改进SSA算法——iSSA。首先,将PSO算法的随机惯性权重引入SSA算法的追随者位置更新公式中,用于增强和平衡SSA算法的勘探与开发能力;其次,用DE算法的变异操作替代SSA算法的领导者位置更新操作,以提高SSA算法的收敛速度和计算精度。

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 PSO算法随机惯性权重的引入

由 SSA 算法中的式 (3) 可知, 追随者 $i$ 的第 $j$ 维位置 $x_j^i$ 的更新操作直接受前一个追随者 $i-1$ 的第 $j$ 维位置 $x_j^{i-1}$ 的 影响。然而, 在大多数情况下, 追随者 $i-1$ 的位置对应的解 通常较差, 从而导致 $\mathrm{SSA}$ 算法易陷入局部最优, 收敛速度慢 且计算精度低。

在 PSO 算法中, 粒子速度更新直接决定着粒子位置更 新。惯性权重是 PSO 算法粒子速度更新公式中的重要参数, 它体现了上一代粒子对当前粒子速度更新的影响力, 用于平 衡 PSO 算法的勘探与开发 ${}^{[6]}$ 。尽管迄今为止已有大量学者 提出了各种 PSO 算法惯性权重控制策略, 但文献 $[15]$ 的研究 表明, 在总计 18 种 PSO 算法惯性权重控制策略中, 除了随机 惯性权重以外, 常数项惯性权重优于其他所有的惯性权重控 制策略。
常数项惯性权重需要繁琐的算法参数调校, 因此本文将 $\mathrm{PSO}$ 算法的随机惯性权重引入 SSA 算法追随者位置更新操 作中, 从而得到追随者位置更新公式:
$$x_j^i=\frac{1}{2}\left(x_j^i+w\times x_j^{i-1}\right)\text{\hspace{1em}(4)}$$
其中, $w$ 为随机惯性权重系数, 其取值方法如式 (5) 1 [16] 所示:
$$w=0.5+\text{ Random }(0,1)/2\text{\hspace{1em}(5)}$$
其中, Random $(0,1)$ 表示均匀分布于 $(0,1)$ 内的随机数, 故 $w$ 的取值范围为 $(0.5,1)$ 。显然, 此处引入的随机惯性权重没有 改变 SSA 算法的时间复杂度。

2.2 集成DE算法的变异操作

根据 SSA 算法的式(1), 在领导者位置更新操作中, 参与 者是食物源且没有追随者, 缺乏樽海鞘之间的协作和信息共 享, 容易导致 SSA算法过早收敛于较差的局部最优解。
变异操作是 DE 算法的重要组成部分, 它一般通过 3 个 不同的个体来为种群内每一个个体生成一个新个体, 通过比 例因子可以调节算法开发和勘探之间的平衡 。目前 $\mathrm{DE}$ 算法研究中最典型的变异操作有 5 种, 其中与 SSA 算法的式 (1)一样包含最优解且形式最简单的变异操作一般简称为:“DE/best/1” $\mathrm{DE}$ / 。
综上所述, 本文提出用 $\mathrm{DE}$ 算法的上述变异操作来替代 $\mathrm{SSA}$ 算法领导者的位置更新操作, 从而得到如式 (6) 所示的 领导者位置更新操作：
$$x_j^i=F_k+r\times \left(x_j^m-x_j^n\right)\text{\hspace{1em}(6)}$$

3.实验结果

4.参考文献

[1]张志强,鲁晓锋,隋连升,李军怀.集成随机惯性权重和差分变异操作的樽海鞘群算法[J].计算机科学,2020,47(08):297-301.

5.Matlab代码

6.python代码