多子群改进的海洋捕食者算法
摘要：文章针对海洋捕食者算法（Marine Predators Algorithm， MPA）求解精度不高和收敛速度慢等缺点，提出一种多子群改进的海洋捕食者算法（Multi-subpopulation Marine Predators Algorithm ，MSMPA）。根据不同适应度值将海洋捕食者种群分为领导者、追随者和衔尾者三个子群。领导者子群保持位置不变，追随者子群进行高斯变异，衔尾者子群由全局最优位置和平均位置矢量生成。使用不同维度的经典基准函数来评估改进海洋捕食者算法的效率。实验结果显示，经过改进的海洋捕食者算法拥有更高的寻优精度和稳定性。
1.海洋捕食者算法
基础海洋捕食者算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/118468662
2.改进海洋捕食者算法
2.1 高斯变异
Bäck 和 Schwefel
[
9
]
{ }^{[9]}
[9] 提出的高斯变异可用于提高 元启发式算法的搜索效率[10-12]。高斯分布由于其曲 线中间高两端较短的特点, 易在亲本候选解附近生 成新解。在搜索过程中, 应用高斯变异时, 它将采 取较小的步长, 探索解空间的更多地方。高斯变异 的主要优点是可以防止搜索过程中多样性的丧失。 将高斯变异用于海洋捕食者算法的位置更新, 如公 式 (10) 所示。
P
i
=
P
i
∗
(
1
+
Gaussian
(
θ
)
)
(10)
P_i=P_i *(1+\operatorname{Gaussian}(\theta)) \tag{10}
Pi=Pi∗(1+Gaussian(θ))(10)
Gaussian
(
θ
)
\operatorname{Gaussian}(\theta)
Gaussian(θ) 为服从高斯分布的随机向量。
2.2 MSMPA 算法
为解决基本的 MPA 全局搜索寻优能力的不足, 容易收玫得到局部最优的问题, 本文提出了多子群 改进的海洋捕食者算法。在海洋捕食者的种群进行 迭代后, 根据获得的种群适应度值的大小对各个种 群进行了排序, 并将排序后的种群分为三个子种群 并对不同的子种群进行不同的操作。将适应度值由 小到大排列, 将种群按数量平均分为三个子群, 将 适应度值最小的到排名
N
/
3
N / 3
N/3 分为一个子群, 命名为 领导者子群; 将适应度值排名为
N
/
3
+
1
N / 3+1
N/3+1 到
2
N
/
3
2 \mathrm{~N} / 3
2 N/3 分 为一个子群, 命名为追随者子群; 将适应度值排名 为
2
N
/
3
+
1
2 \mathrm{~N} / 3+1
2 N/3+1 到
N
\mathrm{N}
N 分为一个子群, 命名为衔尾者子群。 领导者子群由于具有优异的寻优能力, 其位置 保持不变; 将追随者子群根据公式 (11) 进行更新; 将衔尾者子群根据公式 (12) 更新。
P
i
=
P
i
(
1
+
Gaussian
(
θ
)
)
N
/
3
≤
i
≤
2
N
/
3
(11)
P_i=P_i(1+\operatorname{Gaussian}(\theta)) \quad N / 3 \leq i \leq 2 N / 3 \tag{11}
Pi=Pi(1+Gaussian(θ))N/3≤i≤2N/3(11)
P i = P best − P mean − r 3 ( l b i + r 4 ( u b i − l b i ) ) , 2 N / 3 + 1 ≤ i ≤ N (12) P_i=P_{\text {best }}-P_{\text {mean }}-r_3\left(l b_i+r_4\left(u b_i-l b_i\right)\right),2 N / 3+1 \leq i \leq N \tag{12} Pi=Pbest −Pmean −r3(lbi+r4(ubi−lbi)),2N/3+1≤i≤N(12)
3.实验结果
4.参考文献
[1]张磊,刘升,高文欣,郭雨鑫.多子群改进的海洋捕食者算法[J/OL].微电子学与计算机:1-9[2021-11-01].https://doi.org/10.19304/J.ISSN1000-7180.2021.0062.
225
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
