基于动态分级策略的改进正余弦算法-附代码

基于动态分级策略的改进正余弦算法

摘要：针对正余弦算法存在易陷入局部最优、求解精度不高、收敛速度较慢等问题,提出一种基于动态分级策略的改进正余弦算法。首先,引入拉丁超立方抽样法,将搜索空间均匀划分,使初始种群覆盖整个搜索空间,以保持初始种群的多样性。其次,采用动态分级策略,根据适应度值的排序情况,将种群动态划分为好中差3个等级,并应用破坏策略与精英引导方法对其进行扰动,以提高算法的收敛精度,增强跳出局部最优的能力。最后,引入反向学习方法,设计了动态反向学习全局搜索策略,以提高算法的收敛速度。

1.正余弦算法

基础正余弦算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/107762654

2.改进正余弦算法

2.1 拉丁超立方种群初始化策略

初始种群的好坏会影响收敛速度和精度。 SCA的初始种群是随机产生的，无法保证种群的多样性以及在搜索空间分布的合理性，故 DSCA 通过引入拉丁超立方抽样法生成更加分布均匀的初始点。初始种群是在 $D$ 维空间中生成种群规模为 $\mathrm{N}$ 的种群, 故结合拉丁超立方抽样法可得到 DSCA 中种群初始化策 略, 具体步乑如下。
步骤 1 首先, 确定种群维数 $D$ 和种群规模 $N$ 。
步骤 2 确定变量 $x$ 的区间为 $[\mathrm{ub},\mathrm{lb}]$, 其 中 $\mathrm{ub}$ 和 $\mathrm{lb}$ 分别是变量的下界和上界。
步骤 3 将变量 $x$ 的区间 $[\mathrm{ub},\mathrm{lb}]$ 划分为 $N$ 个相等的 子区间。
步骤 4 在每一维里各个子区间中随机抽取一个点。
步骤 5 将抽取的每一维的点组合形成初始种群。

2.2 动态分级策略

为了解决SCA存在的收敛精度较低且收敛速度较慢的问题, 本文采用动态分级策略根据适应度值对种群进行 排序, 将种群动态地分为 3 个部分, 对适应度值小的部分, 种群处于较好的位置, 通过精英引导加快收敛速度; 对适应 度值处于中间的部分, 按照 $\mathrm{SCA}$ 位置更新公式进行迭代; 对适应度值大的部分, 种群处于较差的位置, 通过破坏算子 进行扰动, 以增加其种群多样性, 提高收敛精度, 避免陷入 局部最优。具体分级为
$${\mathbf{X}}_{i,j}=\{\begin{array}{l}{\mathbf{X}}_{i,a},a=1,2,\cdots ,m\\ {\mathbf{X}}_{i,b},b=m+1,m+2,\cdots ,n\\ {\mathbf{X}}_{i,c},c=n+1,n+2,\cdots ,N\end{array}\text{\hspace{1em}(4)}$$
式中, ${\mathbf{X}}_{i,j}$ 是所有种群, ${\mathbf{X}}_{i,a},{\mathbf{X}}_{i,b}$ 和 ${\mathbf{X}}_{i,c}$ 分别是按照适应度值 排序后得到的较差、中等和较好种群; $m$ 和 $n$ 分别是动态分 级的边界:
$$\begin{array}{rl}& m=\left[\frac{N}{4}+N{\left(0.5-\frac{t}{T}\right)}^3\right]\\ & n=\left[\frac{3N}{4}+N{\left(0.5-\frac{t}{T}\right)}^3\right]\end{array}$$
2.2.1 破坏扰动算子

为了提高 $\mathrm{SCA}$ 的收敛精度和种群的多样性, 并避免陷 入局部最优, 引入一种破坏扰动算子, 其态想源自天体物理 学中“当总质量为 $m^{\prime }$ 的大量受重力束缚的粒子群过于接近 大型物体 $M$ 时,该粒子群往往会被撕开"[23]。为了实现破 坏扰动, 将算法中的最优种群作为大型物体 $M$, 在大型物体 的引力作用下, 其他种群会被破坏和散射, 以提高种群多样 性以及收敛精度。
为了防止算法复杂性的过分增加, 只有在满足
$$\frac{R_{i,j}}{R_{i,\text{ best }}}<C\text{\hspace{1em}(5)}$$
的条件下才使用破坏算子进行扰动。其中, $R_{i,j}=\Vert {\mathbf{X}}_i-{\mathbf{X}}_j\Vert$ 是 粒子 $i$ 和 $j$ 之间的欧式距离, 同理 $R_{i,\text{ best }}=\Vert {\mathbf{X}}_i$ - pgbest $\Vert$ 是 粒子 $i$ 与 pgbest 之间的欧式距离。并且为了减少计算成 本, 粒子 $i$ 和粒子 $j$ 相邻。当种群末收敛时, 阈值 $C$ 必须较 大, 可以探索更多空间, 而随着种群彼此靠近, 参数 $C$ 必须 变小,加快收敛速度。
$$C=C_0\left(1-\frac{t}{T}\right)\text{\hspace{1em}(6)}$$
式中, $C_0$ 是初始阈值。破坏算子为
$$\bar{D}=\{\begin{array}{l}U\left(-\frac{R_{i,j}}{2},\frac{R_{i,j}}{2}\right),R_{i,\text{ best }}⩾1\\ R_{i,j}+U\left(-\frac{R_{i,j}}{2},\frac{R_{i,j}}{2}\right),\text{ 其他 }\end{array}\text{\hspace{1em}(7)}$$
式中, $U\left(-\frac{R_{i,j}}{2},\frac{R_{i,j}}{2}\right)$ 是服从均匀分布的随机数, 其间隔为 $\left[-\frac{R_{i,j}}{2},\frac{R_{i,j}}{2}\right]$, 当 $R_{i,\text{ best }}>1$ 时, 表示粒子 $i$ 与 pgbest 的位置 较远, 利用 $\bar{D}\in U\left(-\frac{R_{i,j}}{2},\frac{R_{i,j}}{2}\right)$ 算子进行对搜索空间进行探 索; 当 $R_{i,\text{ best }}⩽1$ 的时侯, 表示粒子 $i$ 与 pgbest 的位置较近, 此时受到全局极值的吸引, 利用 $\bar{D}\in R_{i,j}+U\left(-\frac{R_{i,j}}{2},\frac{R_{i,j}}{2}\right)$ 算子对搜索空间进行开发。
对适应度值差的部分的种群 ${\mathbf{X}}_{i,a}$, 通过破坏算子进行 扰动, 通过
$$x_{i,a}^{i+1}=\frac{t}{T}{x}_{i,a}^t+\left(1-\frac{t}{T}\right)x_{i,a}^i\bar{D}\text{\hspace{1em}(8)}$$
对满足破坏条件的粒子进行扰动。式(8) 中包含两部 分, 第一部分来自原来的种群信息, 第二部分是包含破坏算 子的部分, 并且是随着时间减小的函数, 算法早期可以受到 破坏, 探索更广阔的区域, 避免陷入局部最优; 在后期可以 更快收玫, 因此主要靠种群本身的信息, 通过破坏算子的扰 动, 从而提高算法收敛精度。

2.2.2 精英引导方式

SCA 通常利用式 (1) 和式 (2) 更新种群, 存在收敛速度 慢等问题, DSCA 对适应度值好的部分种群 ${\mathbf{X}}_{i,c}$ 利用精英引 导方式进行位置更新, 从而加快算法收敛速度, 在位置更新 公式里引入个体极值, 通过精英引导加快收敛速度。首先 更新参数 $r_1、r_2、r_3$ 和 $r_4$,通过控制参数 $p_i$ 在精英引导方式 和原种群更新方式之间转换, 在迭代前期, 需要较大的 $p_i$ 值使粒子向最优方向进行; 到了迭代后期, 则不需要精英引 导种群, 而采用原来的种群更新方式更新种群。因此, 通常 取 $p_i=0.4-0.4t/T_{\circ }$ 具体更新策略为
$$x_{i,c}^{t+1}=\{\begin{array}{l}{x}_{i,c}^t+r_1\sin r_2\left|r_3{\mathrm{pgbest}}_i^t-x_{i,c}^t\right|,r_4<0.5;\text{ rand }⩾p_i\\ x_{i,c}^t+r_1\cos r_2\left|r_3{\mathrm{pgbest}}_i^t-x_{i,c}^t\right|,r_4⩾0.5;\mathrm{rand}⩾p_i\\ {\text{ pbest }}_i^t+r_1\sin r_2\left|r_3{\mathrm{pgbest}}_i^t-x_{i,c}^t\right|,r_4<0.5;\text{ rand }<p_i\\ {\text{ pbest }}_i^t+r_1\cos r_2\mid r_3{\text{ pgest }}_i^t-x_{i,c}^t\mid ,r_4⩾0.5;\text{ rand }<p_i\end{array}\text{\hspace{1em}(9)}$$
式中, $x_{i,c}^t$ 是第 $t$ 次迭代第 $i$ 维上第 $c$ 个解的位置, $i=1,2,\cdots$, $D,c=n+1,n+2,\cdots ,N;{\mathrm{pgbest}}_i^t$ 是第 $t$ 次迭代第 $i$ 维下全 局极值; ${\mathrm{pbest}}_i^t$ 是第 $t$ 次迭代第 $i$ 维个体极值。

2.3 全局搜索策略

通过全局搜索策略进行更新, 将经动态分级策略扰动的 种群合并, 对整个种群应用全局搜索策略更新, 具体构造如下:
为了加快 $\mathrm{SCA}$ 的收敛速度, 将反向学习方法 ${}^{[24-27]}$ 引 入到全局搜索策略, 提出一种动态反向学习的全局搜索策 略, 反向学习是通过计算 $\mathbf{X}=\left[x_1,x_2\cdots ,x_D\right]$ 的反向点 $\overline{\mathbf{X}}=$ $\left[\overline{x_1},\overline{x_2}\cdots \overline{x_D}\right]$, 同时评估当前解和其反向解择优使用, 以增强算法的搜索范围和能力。其中 $x\in [\mathrm{ub},\mathrm{lb}],\mathrm{ub}$ 和 $\mathrm{lb}$ 分别 是变量的下界和上界。 $x_{i,j}$ 的反向点计算公式为
$${\bar{x}}_{i,j}^t=\mathrm{lb}+\mathrm{ub}-x_{i,j}^t\text{\hspace{1em}(10)}$$
反向学习通常用于初始化种群, 可以得到一组好的初 始值, 为了更好地将反向学习运用到搜索策略中, 提出一种 动态反向学习的全局搜索策略, 随着迭代次数增加, $x_{i,j}$ 的 上下限动态变化。 $x_{i,j}$ 的动态反向点 ${\tilde{x}}_{i,j}^t$ 的计算公式为
$${\bar{x}}_{i,j}^t=r_5\left(\overline{a_i}(t)+\overline{b_i}(t)-x_{i,j}^t\right)\text{\hspace{1em}(11)}$$
式中, $x_{i,j}^t$ 是第 $t$ 次迭代中第 $i$ 维上第 $j$ 个解的位置; $\overline{a_i}(t)$ 和 $\overline{b_i}(t)$ 分别为当前种群在第 $i$ 维上的最小值和最大值, $\overline{a_i}(t)=\min \left(X_i^t\right),\overline{b_i}(t)=\max \left(X_i^t\right),i=1,2,\cdots ,D,j=1$, $2,\cdots ,N;r_5$ 为 $[0,1]$ 的随机数。

将动态反向学习数引入到搜索策略中, 既可以在迭代 后期局部的上下限进行跳动以增强跳出局部最优的能力, 又可以加快收敛速度, 根据控制参数 $\mathrm{pr}$ 在全局搜索策略和 动态分级策略之间转换, 全局策略为
$$\{\begin{array}{l}{X}_{i,j}^t=X_{i,a}^{t+1}\cup X_{i,b}^{t+1}\cup X_{i,c}^{t+1},\\ x_{i,j}^{t+1}=\left(1-r_6\right)x_{i,j}^t+r_6{\tilde{x}}_{i,j}^t\end{array}\text{ rand }<\mathrm{pr}\text{\hspace{1em}(12)}$$

$$x_{i,j}^{t+1}=\left(1-r_6\right)x_{i,j}^t+r_6{\tilde{x}}_{i,j}^t,\text{ rand }⩾\mathrm{pr}$$

式中, $t$ 为进化代数; ${\tilde{x}}_{i,j}^t$ 是 $x_{i,j}^t$ 对应的反向解, $r_6$ 为 $[0,1]$ 的随 机数; rand 是范围 $[0,1]$ 的随机数; $X_{i,a}^{t+1},X_{i,b}^{t+1}$ 和 $X_{i,c}^{t+1}$ 分别是 动态分级策略中 $t+1$ 次迭代种群, 通常控制参数 $\mathrm{pr}$ 取 $0.4$ 。

3.实验结果

4.参考文献

[1]魏锋涛,张洋洋,黎俊宇,史云鹏.基于动态分级策略的改进正余弦算法[J].系统工程与电子技术,2021,43(06):1596-1605.

5.Matlab代码

6.python代码