文章目录
一、理论基础
1、蝴蝶优化算法(BOA)
请参考这里。
2、融合收敛因子和黄金正弦指引机制的蝴蝶优化算法(AGSABOA)
(1)收敛因子
为进一步增强BOA算法的探索能力和提高收敛精度,受到鲸鱼优化算法的启发,将鲸鱼优化算法中非线性收敛因子
a
a
a引入基本蝴蝶优化算法的全局位置更新处,希望迭代前期
a
a
a值较大以增强全局勘探能力且递减速度较快,而迭代后期
a
a
a值收敛到较小值且递减速度变缓慢,以实现前期快速收敛,提高算法后期的收敛精度。
a
a
a随着迭代次数的增加由2减小到0。公式如下:
a
=
2
(
1
−
t
/
t
max
)
(1)
a=2(1-t/t_{\max})\tag{1}
a=2(1−t/tmax)(1)其中,
t
t
t为当前迭代次数,
t
max
t_{\max}
tmax为最大迭代次数。
改进后全局位置更新公式如下:
x
i
t
+
1
=
a
x
i
t
+
(
r
2
×
g
∗
−
x
i
t
)
×
f
i
(2)
x_i^{t+1}=ax_i^t+(r^2×g^*-x_i^t)×f_i\tag{2}
xit+1=axit+(r2×g∗−xit)×fi(2)
(2)黄金正弦指引机制
具体细节请参考这里。
本文将黄金正弦算法作为局部算子融入基本BOA中,在迭代后期对整个BOA算法进行黄金正弦优化,能够弥补算法在迭代后期的收敛速度慢、收敛精度不高的缺陷。
(3)AGSABOA算法流程
本文提出的融合非线性收敛因子和黄金正弦指引机制的蝴蝶优化算法(AGSABOA)的具体流程图如下图所示。
二、仿真实验结果及分析
本文选取樽海鞘群算法(SSA)、鲸鱼优化算法(WOA)、基本蝴蝶优化算法(BOA) 、单一策略改进的黄金正弦指引机制的蝴蝶算法(GSABOA)、融合收敛因子和黄金正弦指引机制的蝴蝶优化算法(AGSABOA)进行对比实验,由此验证改进策略的有效性。
为保证实验结果的有效性和公平性,本文将所有算法的初始化种群数均设置为30,最大迭代次数设置为500,每个算法独立运行30次,所有算法的公有参数保持一致。BOA、GSABOA、AGSABOA的感官形态
c
c
c初值为0.01,
c
c
c随迭代次数变化的公式为
c
=
c
+
0.025
t
/
t
max
c=c+0.025t/t_{\max}
c=c+0.025t/tmax,幂指数
a
=
0.1
a=0.1
a=0.1,切换概率
p
=
0.8
p=0.8
p=0.8。以文献[1]中的f1、f3、f5、f6、f7、f9为例。
结果显示如下:
函数:F1
SSA:最优值: 3.5938e-08,最差值:2.6965e-06,平均值:2.6543e-07,标准差:5.1426e-07
WOA:最优值: 8.6794e-86,最差值:2.5336e-71,平均值:9.0079e-73,标准差:4.6181e-72
BOA:最优值: 1.1478e-11,最差值:1.5122e-11,平均值:1.2911e-11,标准差:7.8732e-13
GSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
AGSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
函数:F3
SSA:最优值: 0.015231,最差值:1.6784,平均值:0.40997,标准差:0.3804
WOA:最优值: 5.1548e-88,最差值:4.549e-74,平均值:2.7496e-75,标准差:1.0148e-74
BOA:最优值: 9.6753e-12,最差值:1.3963e-11,平均值:1.1459e-11,标准差:9.7604e-13
GSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
AGSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
函数:F5
SSA:最优值: 26.8639,最差值:108.4501,平均值:55.9498,标准差:18.538
WOA:最优值: 0,最差值:5.6843e-14,平均值:1.8948e-15,标准差:1.0378e-14
BOA:最优值: 0,最差值:201.4832,平均值:31.9846,标准差:72.8379
GSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
AGSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
函数:F6
SSA:最优值: 1.1551,最差值:3.5187,平均值:2.4149,标准差:0.55825
WOA:最优值: 8.8818e-16,最差值:7.9936e-15,平均值:3.8488e-15,标准差:2.1035e-15
BOA:最优值: 5.0629e-09,最差值:6.9404e-09,平均值:6.1007e-09,标准差:5.1196e-10
GSABOA:最优值: 8.8818e-16,最差值:8.8818e-16,平均值:8.8818e-16,标准差:0
AGSABOA:最优值: 8.8818e-16,最差值:8.8818e-16,平均值:8.8818e-16,标准差:0
函数:F7
SSA:最优值: 0.000225,最差值:0.045701,平均值:0.017367,标准差:0.011118
WOA:最优值: 0,最差值:0.15013,平均值:0.0091012,标准差:0.03482
BOA:最优值: 1.354e-12,最差值:9.9196e-12,平均值:5.2434e-12,标准差:2.5816e-12
GSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
AGSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
函数:F9
SSA:最优值: 7.9381e-15,最差值:0.043671,平均值:0.0058227,标准差:0.015099
WOA:最优值: 0,最差值:0.043671,平均值:0.018924,标准差:0.02201
BOA:最优值: 6.0635e-13,最差值:0.043869,平均值:0.027684,标准差:0.02142
GSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
AGSABOA:最优值: 0,最差值:0,平均值:0,标准差:0
结果表明,AGSABOA算法在寻优精度、收敛速度、鲁棒性方面更优。
三、参考文献
[1] 高文欣, 刘升, 肖子雅, 等. 收敛因子和黄金正弦指引机制的蝴蝶优化算法[J]. 计算机工程与设计, 2020, 41(12): 3384-3389.