基于逐维高斯变异的混沌麻雀优化算法-附代码

基于逐维高斯变异的混沌麻雀优化算法

摘要：针对麻雀算法初始化种群盲目性、全局搜索能力尚差容易陷入局部最优等问题,提出了一种逐维高斯变异的混沌麻雀优化算法.该算法首先利用singer混沌映射策略对种群进行初始化,克服种群初始化的盲目性。然后引入翻筋斗觅食策略来提高种群的全局搜索能力,最后引入惯性权重因子,针对最优原子采用逐维度高斯变异,提高其跳出局部最优解的能力,提高算法的全局搜索能力。

1.麻雀优化算法

基础麻雀算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/108830958

2. 改进麻雀算法

2.1 Singer 映射

Singer 映射 是混沌映射的典型代表, 它的数学形 式很简单。其表达式女如下：
$$\begin{array}{c}{x}_{k+1}=u\left(7.86x_k-23.31x_k^2+28.75x_k^3-13.302875x_k^4\right),\\ u\in (0.9,1.08)\end{array}\text{\hspace{1em}(5)}$$
Singer 表达式中 $x$ 的范围为 $[0,1]$ 。 Ｓｉｎｇｅｒ 映射分布在［0,1］之间，其混沌性来代替随机初始化，能够使种群在搜索空间更加均匀的分布。

2.2 翻筋斗策略

引人较为新颖的翻筋斗 ${}^{[8]}$ 觅食策略来改善 SSA 的跳 出局部最优能力。这种捕猎行为, 可以将猎物视为一个 支点, 每次捕猎将会更新到当前位置与对称于支点对面 位置的某一位置, 数学模型可列为式:
$$X_i(t+1)=x_i(t)+S\left(r_1\ast x_{bet}-r_2\ast x_i(t)\right)\text{ (6) }$$
式中代表空翻因子, 决定了翻到猎物对面的位置, 取 $S=2,x_{\text{best }}$ 为目前最优位置, $r_1、r_2$ 为两个区间为 $[0,1]$ 的 随机数。

2.3 基于惯性权重因子的高斯变异

为了提高算法的收敛速度, 引人惯性权重因子, 惯性 权重因子定义如下：
$$w=1-(t/\text{ MaxIter }{)}^2\text{\hspace{1em}(7)}$$
为了提高算法的全局搜索能力, 针对最优位置, 引入 惯性权重因子并采用高斯变异 ${}^{[9]}$ 进行变异, 然后采用贪 婪策略保留最优解。针对每个维度进行变异:
$$X\mathrm{best}=w\ast X\mathrm{best}(j)+\mathrm{rand}n\ast X\mathrm{best}(j)\text{\hspace{1em}(8)}$$
采用贪婪策略进行适应度更新:
$$X\text{ best }=\{\begin{array}{l}X\text{ bestnew },\text{ if }f(X\text{ bestnew })<f(X\text{ best })\\ X\text{ best },\text{ else }\end{array}\text{\hspace{1em}(9)}$$
ISSA 算法步骤:

(1)利用 singer 映射策略初始化种群、迭代次数、捕 食者和加人者比列。
(2)计算适应度值, 并排序。
(3) 麻雀更新捕食者位置。
(4) 麻雀更新加人者位置。
(5)麻雀更新警戒者位置。
(6)计算适应度值并更新麻雀位置。
(7) 对所有麻雀利用翻筋斗策略进行更新
(8)对最优麻雀进行逐维惯性因子的高斯变异。
(9) 是否满足停止条件, 满足则退出, 输出结果, 否 则, 重复执行 (2)-(8)

3.实验结果

4.参考文献

[1]楚哲宇,唐秀英,谭庆,张清君.基于逐维高斯变异的混沌麻雀优化算法[J].自动化应用,2021(08):60-63.DOI:10.19769/j.zdhy.2021.08.019.

5.Matlab代码

6.Python代码