一、理论基础
1、标准鲸鱼优化算法
请参考这里。
2、改进鲸鱼优化算法
针对鲸鱼优化算法容易陷入局部最优解且收敛速度慢的问题，提出了一种改进的基于镜像选择的鲸鱼优化算法(WOA-MS)，采用两种改进的方法，从理论上提高了算法的整体性能不同的方面。
（1）自适应惯性权重
在WOA中引入了惯性权重的概念。在迭代开始时，算法应着眼于全局搜索；在迭代的后半部分，算法应注重局部挖掘。因此，惯性权重的值应随着迭代次数的增加而减小。为了实现惯性权重的动态变化，本文引入Branin函数来构造惯性权重。
Branin是一个二维复合函数，其图像是不均匀的。它的函数表达式是：
f
(
x
,
y
)
=
(
y
−
5.1
4
π
2
x
2
+
5
π
x
−
6
)
2
+
10
(
1
−
1
8
π
)
cos
x
+
10
(1)
f(x,y)=\left(y-\frac{5.1}{4\pi^2}x^2+\frac5\pi x-6\right)^2+10\left(1-\frac1{8\pi}\right)\cos x+10\tag{1}
f(x,y)=(y−4π25.1x2+π5x−6)2+10(1−8π1)cosx+10(1)为了实现上述惯性权重的动态调整效果，本文将Branin函数转化为
f
(
x
,
y
)
=
[
(
y
−
5.1
4
π
2
x
2
+
5
π
x
−
6
)
2
+
10
(
1
−
1
8
π
)
cos
(
−
x
)
+
10
]
100
(2)
f(x,y)=\frac{\left[\left(y-\frac{5.1}{4\pi^2}x^2+\frac5\pi x-6\right)^2+10\left(1-\frac1{8\pi}\right)\cos(-x)+10\right]}{100}\tag{2}
f(x,y)=100[(y−4π25.1x2+π5x−6)2+10(1−8π1)cos(−x)+10](2)改变后的函数图像如图1所示。
自适应惯性权重计算过程如下：
（1）在迭代过程的每一代中，每个维度的平均值向量计算如下：
X
a
v
g
(
j
)
=
∑
i
=
1
N
X
(
i
,
j
)
/
N
(3)
\boldsymbol X_{avg}(j)=\sum_{i=1}^N\boldsymbol X(i,j)/N\tag{3}
Xavg(j)=i=1∑NX(i,j)/N(3)其中，
X
(
i
,
j
)
\boldsymbol X(i, j)
X(i,j)表示第
i
i
i头鲸在第
j
j
j个维度上的位置；
N
N
N表示种群规模。
（2）计算种群中每个个体的距离，它是由每个维度的平均值计算得出的。
d
(
j
)
=
∣
X
(
j
)
−
X
a
v
g
(
j
)
∣
(4)
\boldsymbol d(j)=|\boldsymbol X(j)-\boldsymbol X_{avg}(j)|\tag{4}
d(j)=∣X(j)−Xavg(j)∣(4)其中，
X
(
j
)
\boldsymbol X(j)
X(j)表示种群在第
j
j
j维上的位置向量。
（3）
X
\boldsymbol X
X和
y
\boldsymbol y
y由公式(13)(14)计算得到，再代入公式(2)得到
f
(
j
)
\boldsymbol f(j)
f(j)。
x
=
d
(
j
)
d
m
a
x
(
j
)
+
1
0
−
200
(5)
\boldsymbol x=\frac{\boldsymbol d(j)}{\boldsymbol d_{max}(j)+10^{-200}}\tag{5}
x=dmax(j)+10−200d(j)(5)
y
=
t
T
(6)
\boldsymbol y=\frac tT\tag{6}
y=Tt(6)其中，
f
(
j
)
\boldsymbol f(j)
f(j)表示第
j
j
j维种群中个体的惯性权重向量；
T
T
T代表最大迭代次数；
d
m
a
x
(
j
)
\boldsymbol d_{max}(j)
dmax(j)表示所有个体与第
j
j
j维上的平均值之间的最远距离。自适应Branin系数函数的图像如图2所示。
之后根据公式(7)(8)(9)进行位置更新。
X
(
t
+
1
)
=
F
(
t
)
⋅
X
r
a
n
d
−
A
⋅
D
(7)
\boldsymbol X(t+1)=\boldsymbol F(t)\cdot\boldsymbol X_{rand}-\boldsymbol{A\cdot D}\tag{7}
X(t+1)=F(t)⋅Xrand−A⋅D(7)
X
(
t
+
1
)
=
F
(
t
)
⋅
X
∗
(
t
)
−
A
⋅
D
(8)
\boldsymbol X(t+1)=\boldsymbol F(t)\cdot\boldsymbol X^*(t)-\boldsymbol{A\cdot D}\tag{8}
X(t+1)=F(t)⋅X∗(t)−A⋅D(8)
X
(
t
+
1
)
=
X
∗
(
t
)
+
F
(
t
)
⋅
D
e
b
l
cos
(
2
π
l
)
(9)
\boldsymbol X(t+1)=\boldsymbol X^*(t)+\boldsymbol F(t)\cdot\boldsymbol De^{bl}\cos(2\pi l)\tag{9}
X(t+1)=X∗(t)+F(t)⋅Deblcos(2πl)(9)其中，
F
(
t
)
\boldsymbol F(t)
F(t)表示每个维度上个体第
t
t
t代的惯性权重向量。
该方法在迭代初期更新的惯性权重较大，有利于全局搜索；在迭代后期，权重减小，这有利于局部的开发。
（2）镜像选择
镜像选择策略是通过镜像方法对整个种群进行变异的一种策略。它可以大大增加种群的多样性，但同时也增加了种群中的个体数量。因此，选择变异后的个体作为下一代迭代的输入，以增强种群的多样性，提高个体质量，加快收敛速度。镜像选择策略可分为镜像变异和优胜劣汰两部分。具体来说根据公式(10)来产生对称(镜像)解。
X
(
t
)
′
=
B
u
+
B
l
−
X
(
t
)
(10)
\boldsymbol X(t)'=\boldsymbol B_u+\boldsymbol B_l-\boldsymbol X(t)\tag{10}
X(t)′=Bu+Bl−X(t)(10)其中，
X
(
t
)
′
\boldsymbol X(t)'
X(t)′表示镜像独立个体的位置；
B
u
\boldsymbol B_u
Bu和
B
l
\boldsymbol B_l
Bl表示单个上下限向量；
X
(
t
)
\boldsymbol X(t)
X(t)表示原始独立个体位置向量。
之后，种群数量增加到原来的两倍，然后进行“优胜劣汰”。新生成的镜像解与原始解合并，并根据适应度进行排序，选择适合度排名前
N
N
N的个体作为首选个体，进入下一次计算和迭代。
二、WOA-MS算法流程图
三、仿真实验与结果分析
本文对标准粒子群优化算法、标准WOA算法、改进粒子群优化算法(IPSO)和WOA-MS算法进行了比较，其中IPSO算法的改进措施包括加入动态自学习因子
c
1
c_1
c1、动态群学习因子
c
2
c_2
c2和动态惯性权重
w
w
w，并在相同参数下对WOA-MS算法的性能进行了测试。
12个基准函数图形如图4所示。
以F1、F2、F3为例。
仿真结果表明：
（1） WOA-MS具有良好的种群多样性。WOA-MS引入了自适应惯性权重，很好地平衡了全局搜索和局部搜索。因此，在优化过程中，不存在种群高度集中、多样性急剧降低的现象，同时保持多样性以提高全局搜索能力。
（2） WOA-MS算法收敛速度快，局部搜索能力强。镜像选择方法大大提高了每一代的个体质量，加快了算法的收敛速度，提高了局部寻优效率。总之，与其他三种传统算法相比，WOA-MS具有优异的全局优化性能。
四、参考文献
[1] 田东平, 赵天绪. 基于群体适应度方差的自适应粒子群优化算法[J]. 计算机工程与应用, 2010, 46(18):24-26.
[2] LI Jingnan, LE Meilong. Improved whale optimization algorithm based on mirror selection[J]. Transactions of Nanjing University of Aeronautics and Astronautics, 2020, 37(S): 115-123.
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
