一种改进的进化模型和混沌优化的萤火虫算法-附代码

最新推荐文章于 2024-09-12 19:02:20 发布

智能算法研学社（Jack旭）

最新推荐文章于 2024-09-12 19:02:20 发布

阅读量1.2k

点赞数 1

分类专栏：智能优化算法改进文章标签：算法 python 机器学习

本文链接：https://blog.csdn.net/u011835903/article/details/126962238

版权

智能优化算法改进专栏收录该内容

200 篇文章 212 订阅

订阅专栏

一种改进的进化模型和混沌优化的萤火虫算法

文章目录

一种改进的进化模型和混沌优化的萤火虫算法

摘要：针对传统萤火虫算法在全局寻优搜索中存在收敛速度慢、求解精度低、易陷入局部极值区域等缺陷,提出一种改进的进化模型和混沌优化的萤火虫算法（FAEC）。首先,采用逻辑自映射产生混沌序列对萤火虫个体位置进行初始化,提高种群多样性;其次,在算法进化过程中引入惯性权重,控制前代个体对后代个体的影响,并利用种群最优个体的引导作用加强不同个体之间的信息共享;然后,引入动态步长与对称边界变异操作,解决越界问题并继续提高种群多样性。

1.萤火虫算法

基础萤火虫算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/108492552

2. 改进萤火虫算法

2.1 基于混沌优化策略的种群初始化

在非线性系统中, 存在一种特有的非周期运动现象被称为混沌现象,其特点是行为复杂,与随机现象类似,昍是存在内在的规律性。利用混沌运动的随机性、遍历性和初值敏感性来提高随机优化算法的效率就是混沌优化 ${ }^{[12]}$ 。基本思想为利用混沌变量的遍历性和随机性,通过混沌映射规则将待优化变量映射到混沌变量的取值区间内, 将获得的混沌㢁列,通过线性变换转化到目标函数的搜㝙空间。
在多种混沌序列的模型中, 逻辑自映射函数产生的混沌序列遍历性要优于常用的 Logistics 映射 ${ }^{[13]}$ 。禾用逻辑自映射函数生成混沌㡵列，如式 (5)所示 :
$y_{(n+1) . d}=1-2 * y_{n, d}^2, y_{n, d} \in(-1,1), \quad n=0,1, \cdots \tag{5}$
其中,为避免混沌序列出现全为 1 或 $0.5$ 的情况, 所以初始值不能取 0 和 $0.5, d$ 表示 $D$ 维搜䒺空间的第 $d$ 维。

2. 2 基于惯性权重的进化计算模型

由式 (2) 可知, 随着种群的持续迭代, 个体之间距离不断减小, 个体间的相对吸引力逐渐增大, 降低了算法的局部搜索能力。式 (4)中加人了带有特定系数的随机项, 加大了搜索范围, 避免算法过早陷人局部最优, 但可能需要迭代多次才能达到精度要求, 使得算法在迭代次数受限的情况下, 无法满足精度要求。为了提高算法的局部搜索和全局搜索能力, 在式 (4) 中引人惯性权重, 并增加种群中最优个体对其他个体的牛引作用 ${ }^{[9]}$ 。改进的位置更新公式如式 (7)所示：
$\begin{aligned} &x_j(t+1)=\omega(t) \times x_j(t)+\beta_{i j}\left(r_{i j}\right)\left(x_i(t)-x_j(t)\right)+ \\ &\alpha(\text { rand }-1 / 2)+\omega(t) \times \text { rand } \times\left(x_{\text {best }}(t)-x_j(t)\right) \end{aligned} \tag{7}$
式中, 第一项 $\omega(t) \times x_j(t)$ 表示茧火虫个体的前一次迭代位置对当前位置的影响, 第四项 $\omega(t) \times \operatorname{rand}() \times$ $\left(x_{\text {bess }}(t)-x_j(t)\right)$ 表示当前迭代的种群最优个体对种群中个体提供的㸻引作用, 用来控制当前种群最优个体对其他个体的影响程度, 以及当前个体对前代个体的继承情况。惯性权重分为固定权重和时变的时变权重之一。为充分利用目标函数信息, 加强搜索方向的指导性, 进一步提高个体移动速度 ${ }^{[15]}$ , 提出一种新型的自适应惯性权重,计算公式如式 (8)所示：
$\omega(t)=e^{-\frac{1}{\left(f\left(x_k,(t)-M(f)\right)^2+(f(t-1)-f(t-2))^2\right.}} \tag{8}$
式中, $f\left(x_{\text {best }}(t)\right)$ 为第 $t$ 次迭代的全局最优值, $f_i(t-1)$ 和 $f_i(t-2)$ 分别为 $i$ 萤火虫第 $t - 1$ 和 $t - 2$ 次迭代的值, $M(f)=\frac{1}{n} \sum_{i=1}^n f\left(x_i(t)\right)$ 为第 $t$ 次迭代的种群目标函数值的平均值。
萤火虫的移动距离受到惯性权重的影响, 分析式 (8)可得, 在每一次迭代中, 惯性权重根据上一次迭代产生的全体目标函数值与 $i$ 萤火虫前两次迭代的目标函数值计算所得, 从而减少惯性权重变化的斍目性。由于在惯性权重的求解过程中充分利用了目标函数的信息, 使得萤火虫算法的搜索方向具有指导性, 萤火虫个体向高质量区域快速移动。在算法迭代后期, 茧火虫个体已经接近最优解, 且相邻两次迭代差值减小, 此时惯性权重变小, 萤火虫的移动距离随之减小,加快了算法的收敛速度, 提高了搜索能力,从而改善算法的寻优性能。

2.3 基于高斯分布的种群变异操作

龩火虫种群陷人局部最优的特征是进化出现停滞即连续多次迭代并末使种群最优值发生变化。通过实验总结初步设定, 当经过连续6次迭代, 种群的全局最优值末发生变化, 则判定其进化停滞,已经陷人局部最优区域。为了帮助萤火虫种群脱离局部最优值束缚,本文采用高斯分布对萤火虫种群进行变异操作。高斯概率分布被广泛应于工程应用中, 对工程优化与设计具有良好的促进作用。高斯分布的概率密度函数如式 (9)所示。
$f(x)=\frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x-\mu)^2}{2 \sigma^2}},-\infty<x<+\infty \tag{9}$
其中， $\sigma$ 为高斯分布的方差, $\mu$ 为期望。
将种群中的全部萤火虫个体按目标函数值的大小进行排序,利用最优的 $\% \times n$ 个萤火虫将排名最后的 $\% \times n$ 个萤火虫群体进行状态替换更新, 同时对更新萤火虫群体的状态进行高斯变异处理,变异公式如式 (10) 所示。
$x_i=x_i \times(1+N(0,1)) \tag{10}$
其中, $N (0, 1)$ 为随机向量,并且为服从期望为 0 、方差为 1 的高斯分布。

2.4 动态步长与域约束机制

步长在萤火虫优化算法中扮演着重要的角色, 设置合适的步长值会直接影响到算法的全局搜索和局部搜索能力。标准 $\mathrm{FA}$ 算法采用固定的步长值, 在一定程度上无法体现出个体的差异性, 递减步长能够动态调节个体的移动幅度, 使个体在迭代前期以较大的步长进行全局搜索, 而后期则以较小步长进行局部寻优。本文采用随着迭代次数非线性递减的方式计算步长。如式(11)所示：
$\alpha_{t+1}=\alpha_t \times\left(1-\Delta \alpha_t\right) \tag{11}$
式中, $\Delta \alpha_t$ 为步长的动态衰减系数, 并且 $\Delta \alpha_t=1-$ $\left(10^{-4} / 0.9\right)^{(1 / t)}, t$ 表示迭代次数。随着迭代次数 $t$ 的增大, $\Delta \alpha$ , 逐渐增大, $\left(1-\Delta \alpha_t\right)$ 减小, 使得 $t + 1$ 代的步长逐渐减小。

在崹火虫算法的迭代过程中, 为了保证种群个体能够在搜索空间中进行有效搜索, 当萤火虫的位置超出目标函数的可行域时,一般是将茧火虫的位置替换为超出的边界值, 此时域约束公式如式 (12) 所示:
$x_i=\left\{\begin{array}{l} x_{\min }, x_i<x_{\min } \\ x_{\max }, x_i>x_{\max } \end{array}\right. \tag{12}$
式中, $x_{\text {min }}$ 为搜索空间下限, $x_{\text {max }}$ 为搜索空间上限。这种边界控制策略容易使算法陷人局部最优, 而且超出边界的点全部约束在边界处, 有可能会使算法在边界处过早收敛,降低算法的寻优率。因此, 引人一种对称边界变异操作 ${ }^{[16]}$ , 此时的域约束公式如式 (13)所示:
$x_i=\left\{\begin{array}{l} 2 x_{\min }-x_i, x_i<x_{\min } \\ 2 x_{\max }-x_i, x_i>x_{\max } \end{array}\right. \tag{13}$
对称边界变异操作能够使种群中萤火虫的位置始终保持在可行域内, 避免了萤火虫算法在边界处陷人局部最优, 同时在一定程度上提高了种群的多样性, 动态步长与边界变异操作有效地提高了萤火虫算法的收敛速度和寻优率。

一种改进的进化模型和混沌优化的萤火虫算法，其算法的执行流程描述如下：

步骤 1 : 初始化参数。设置萤火虫数目 $m$ , 问题维度 $d$ ,光强吸收系数 $\gamma$ , 步长因子初始值 $\alpha$ , 最大吸引度因子 $\beta_0$ , 最大迭代次数 MaxGeneration, 搜索精度 $\varepsilon$ 。
步骤 2: 初始化种群。采用式 (5)生成初始混沌序列, 然后根据式 (6)将混沌序列映射到萤火虫算法的解空间, 生成萤火虫种群的初始位置 $x_i(i=1,2, \cdots, m) 。$
步骤 3: 根据种群中个体的位置计算各萤火虫的目标函数值, 作为萤火虫个体各自的最大䓎光亮度 $I_0$ , 对种群中的茧火虫个体按照目标函数值排序并记录最优值 $f_{\text {best }}$ , 同时记录最优个体位置。
步骤 4: 根据式 (3) 计算种群中茧火虫个体之间的距离 $r_{i j}$ , 再由式 (1)计算种群中茧火种个体的相对菼光亮度 $I_{i j}\left(r_{i j}\right)$ , 并比较邻域内萤火虫亮度的大小,确定茧火虫个体的移动方向。
步骤 5 : 根据式 (2)计算萤火虫个体的吸引度 $\beta_{i j}\left(r_{i j}\right)$ , 再由式 (8)计算当前第 $t$ 次迭代的惯性权重 $\omega(t)$ ,最后根据式(7)更新萤火虫的空间位置。
步骤 6: 由式 (11) 对迭代步长进行更新, 并根据式 (13)对种群中的萤火虫个体进行域约束操作。
步骤 7: 重新计算移动后的萤火虫种群的目标函数值, 并记录种群的最优目标函数值 $f_{\text {best }}$ 和最优个体位置 $x_{\text {bess }}(t)$ 。当连续 6 次迭代一直末更新, 则将种群中最差的 $\% \times m$ 个萤火虫的状态替换为最优的 $\% \times m$ 个萤火虫的状态, 并通过式 (10)对过渡种群进行高斯变异操作。
步骤 8: 当满足搜索精度或者达到最大迭代次数, 转步骤 9 ,否则转步骤 3 。