混沌精英黏菌算法-附代码

混沌精英黏菌算法

摘要：为进一步提高标准黏菌算法的收敛速度和求解精度，采用 Tent 混沌映射丰富种群多样性，同时引入精英反向学习策略扩大搜索范围。

1.黏菌算法

基础黏菌算法的具体原理参考，我的博客:https://blog.csdn.net/u011835903/article/details/113710762

2.改进黏菌算法

2.1 混沌初始化

采用 Tent 混沌映射在 SMA 算法迭代初期进行种群初始化，使得个体位置均匀分布在搜索空间内, 有助于提高算法求解 效率。Tent 混池映射的数学表达式为
$$X_{n+1}=\{\begin{array}{ll}2X_n,& 0⩽X_n<\frac{1}{2}\\ 2\left(1-X_n\right),& \frac{1}{2}⩽X_n⩽1\end{array},n=0,1,2,\cdots \text{\hspace{1em}(10)}$$
式（10）中: $n$ 表示映射次数; $X_n$ 表示第 $n$ 次映射函 数值。

2.2 精英反向学习策略

反向学习策略(opposition-based learning, OBL) 是由 Tizhoosh ${}^{[19]}$ 于 2005 年提出一种优化机制, 其主 要原理是针对当前可行解, 同时计算和评估其反向 解, 从中选取较优的解作为下一代个体 ${}^{[20]}$ 。精英反 向学习 (elite opposition-based learning, EOBL) 在前 者基础上利用精英个体比一般个体包括更加丰富 的有效信息和反向种群来增加种群多样性 ${}^{[21]}$, 扩大 搜索空间; 通讨引入 EOBL 策略能够有效增强算法 的全局搜索能力, 进一步提高算法的寻优性能。假 设当前黏窗种群中精英个体（即当前最优解）为 $X_{ij}=\left(X_{i,1},X_{i,2},\cdots X_{i,D}\right)$, 其中 $D$ 为优化问题的空间 维度, 则其精英反向解 $X_{ij}^{\ast }=\left(X_{i,1}^{\ast },X_{i,2}^{\ast },\cdots ,X_{i,D}^{\ast }\right)$ 可 以定义为
$$X_{i,j}^{\ast }=\alpha \left({\mathrm{LB}}_j+{\mathrm{UB}}_j\right)-X_{i,j},j=1,2,\cdots ,D\text{\hspace{1em}(11)}$$
式 (11) 中: $X_{i,j}$ 为第 $j$ 维个体的数值; $\alpha$ 为区间 $[0,1]$ 内服从正态分布的随机数; $\left({\mathrm{LB}}_j,{\mathrm{UB}}_j\right)$ 表示第 $j$ 维搜 索空间的动态边界, 其定义为
${\mathrm{LB}}_j=\min \left(X_{i,j}\right)(12)$
${\mathrm{UB}}_j=\max \left(X_{i,j}\right)(13)$
式中: $\min \left(X_{i,j}\right)、\max \left(X_{i,j}\right)$ 分别为第 $j$ 维个体的最小 值和最大值。
当生成的反向解超出 $\left({\mathrm{LB}}_j,{\mathrm{UB}}_j\right)$ 边界范眷时, 使用随机生成的方法进行越界重置, 具体描述为
$X_{i,j}^{\ast }=\mathrm{rand}\left({\mathrm{LB}}_j,{\mathrm{UB}}_j\right)(14)$
综合上述, 改进的混池精英秥菌算法 (chaotic elite slime mould algorithm, CESMA) 可以利用伪代 码表述其执行流程,如表 1 所示。

3.实验结果

4.参考文献

[1]肖亚宁,孙雪,李三平,姚金言.基于混沌精英黏菌算法的无刷直流电机转速控制[J].科学技术与工程,2021,21(28):12130-12138.

5.Matlab代码

6.python代码