面向全局搜索的自适应领导者樽海鞘群算法

一、理论基础

1、基本樽海鞘群算法

请参考这里。

2、改进算法ALSSA

2.1 改进领导者位置更新公式

2.1.1 引入上一代樽海鞘领导者位置

本文在领导者位置更新公式中引入上一代樽海鞘领导者位置，使得领导者在位置更新阶段既受上一代樽海鞘领导者位置的影响，同时又受上一代全局最优解的影响，有效地避免了基本算法易陷入局部极值的问题，提高了算法的寻优精度。改进后的樽海鞘领导者位置更新公式为：$$X_j^i(t)=X_j^i(t-1)+(FoodPositio{n}_j(t-1)-X_j^i(t-1))\cdot rand\text{\hspace{1em}(1)}$$其中，$X_j^i(t-1)$为上一代中第$i$个樽海鞘领导者在第$j$维的位置，$FoodPositio{n}_j(t-1)$为上一代中第$j$维的全局最优解，通过引入上一代的位置，樽海鞘领导者能够更有效地进行全局搜索，增强算法跳出局部极值的能力。

2.1.2 引入惯性权重

本文还在领导者位置更新公式中引入动态惯性权重，随迭代次数自适应递减的惯性权重$w$表示了樽海鞘领导者受全局最优解影响程度的变化。惯性权重的计算公式为：$$w=\frac{e^{2\cdot (1-t/Max\_iter)}-e^{-2\cdot (1-t/Max\_iter)}}{e^{2\cdot (1-t/Max\_iter)}+e^{-2\cdot (1-t/Max\_iter)}}\text{\hspace{1em}(2)}$$结合公式(1)、(2)，新的樽海鞘领导者位置更新公式为：$$X_j^i(t)=X_j^i(t-1)+(w\cdot FoodPositio{n}_j(t-1)-X_j^i(t-1))\cdot rand\text{\hspace{1em}(3)}$$其中，惯性权重$w$为基于双曲正切函数的非线性递减值，其取值范围为$(0,1)$，$t$为当前迭代次数，$Max\_iter$为最大迭代次数， $X_j^i(t-1)$为上一代中第$i$个樽海鞘领导者在第$j$维的位置，$FoodPositio{n}_j(t-1)$为上一代中第$j$维的全局最优解。通过引入惯性权重，使得改进后的算法能够在全局和局部搜索之间保持较好平衡，樽海鞘领导者更好地发挥领导者作用，提高算法的寻优精度。

2.2 引入领导者-跟随者自适应调整策略

本文引入领导者-跟随者自适应调整策略，樽海鞘领导者的数目随迭代次数的增加自适应减少，跟随者数目自适应增加，在算法前期能够保持很强的全局搜索能力，同时兼顾局部搜索，而在算法运行后期，局部搜索逐渐增强，同时也兼顾全局搜索，从整体上提高了算法的收敛精度。改进后的领导者-跟随者数量计算公式为：
每代中领导者数量等于$r\cdot N$
跟随者数量等于$(1-r)N$$$r=b\cdot \left(\tan \left(-\frac{\pi t}{4\cdot Max\_iter}+\frac{\pi }{4}\right)-k\cdot rand()\right)\text{\hspace{1em}(4)}$$其中，$t$是当前迭代次数，$Max\_iter$是最大迭代次数。$b$为控制领导者-跟随者数量的比例系数，避免迭代前期的樽海鞘领导者或迭代后期的樽海鞘跟随者比例过高，全局和局部搜索失衡降低寻优性能，易陷入局部极值的现象，经大量实验测试，本文取值为0.75。分析式(4)可知，$r$的值随着算法迭代次数的增加呈非线性递减趋势，于是领导者数量逐渐减少，跟随者数量逐渐增加，在迭代后期，更多的樽海鞘跟随者在全局最优值附近深度挖掘。$k$为扰动偏离因子，结合$rand$函数对递减的$r$值进行扰动，经大量实验反复测试，$k$等于0.2时，寻优效果最佳。

3、ALSSA算法流程

ALSSA算法描述如下：

二、仿真实验

为了全面检验本文改进算法的寻优能力，选取12个具有不同寻优特征的CEC2017基准测试函数，将本文算法ALSSA与 SSA(2017)、Improved Salp Swarm Algorithm(ISSA, 2018)[2]、Enhanced Salp Swarm Algorithm(ESSA 2019)[3]和Phasor Particle Swarm Optimization(PPSO, 2019)[4]共五种算法，分别在10维、50维和100维上进行对比测试。本文选取50维的f1~f5进行测试。为保证实验的公平性与客观性，五种算法均在相同条件下独立运行30次，种群大小均为30，最大进化代数$Max\_iter=1000$。
结果显示如下：

函数：F1
ALSSA：最差值: 1.3784e-170,最优值:2.9511e-181,平均值:4.6014e-172,标准差:0
ESSA：最差值: 3.873e-35,最优值:1.9409e-67,平均值:1.3616e-36,标准差:7.0671e-36
SSA：最差值: 4671.7464,最优值:0.080235,平均值:725.8782,标准差:1280.8211
PPSO：最差值: 26861.257,最优值:5.9303,平均值:5109.7118,标准差:6239.9528
ISSA：最差值: 8875.3435,最优值:53.6108,平均值:2806.6147,标准差:2887.2303
函数：F2
ALSSA：最差值: 3.6226e-213,最优值:8.3791e-242,平均值:1.208e-214,标准差:0
ESSA：最差值: 6.8185e-39,最优值:7.5051e-79,平均值:2.273e-40,标准差:1.2449e-39
SSA：最差值: 4.52868283568363e+33,最优值:3.331564698998887e+21,平均值:3.178190306763243e+32,标准差:1.008186450073652e+33
PPSO：最差值: 5.2911e-06,最优值:1.812e-14,平均值:3.2316e-07,标准差:9.679e-07
ISSA：最差值: 1.704601382275537e+38,最优值:1.621108126168587e+27,平均值:6.77598412558555e+36,标准差:3.121402855304758e+37
函数：F3
ALSSA：最差值: 1.0687e-175,最优值:2.012e-187,平均值:4.9956e-177,标准差:0
ESSA：最差值: 1.2426e-43,最优值:1.2088e-87,平均值:4.302e-45,标准差:2.2667e-44
SSA：最差值: 3.5227e-07,最优值:8.7778e-08,平均值:1.804e-07,标准差:7.3417e-08
PPSO：最差值: 0.09579,最优值:1.9342e-05,平均值:0.014775,标准差:0.02086
ISSA：最差值: 1.9982e-07,最优值:7.8953e-08,平均值:1.1748e-07,标准差:2.7033e-08
函数：F4
ALSSA：最差值: 0,最优值:0,平均值:0,标准差:0
ESSA：最差值: 0,最优值:0,平均值:0,标准差:0
SSA：最差值: 0.024524,最优值:0.00011319,平均值:0.0079809,标准差:0.0082814
PPSO：最差值: 0.0057122,最优值:2.8978e-06,平均值:0.00044912,标准差:0.0010256
ISSA：最差值: 0.022691,最优值:2.6505e-05,平均值:0.0047983,标准差:0.0068465
函数：F5
ALSSA：最差值: 0,最优值:0,平均值:0,标准差:0
ESSA：最差值: 0,最优值:0,平均值:0,标准差:0
SSA：最差值: 877.5308,最优值:305.4502,平均值:499.9647,标准差:126.0478
PPSO：最差值: 45.181,最优值:9.2047e-06,平均值:7.4628,标准差:12.5125
ISSA：最差值: 658.6539,最优值:234.8094,平均值:407.8959,标准差:120.6948

上述求解结果和分析表明，ALSSA算法均呈现出较好的求解性能，求解精度和稳定性明显优于其它四个对比算法。

三、参考文献

[1] 刘景森, 袁蒙蒙, 左方. 面向全局搜索的自适应领导者樽海鞘群算法[J]. 控制与决策, 2021, 36(9): 2152-2160.
[2] 王梦秋, 王艳, 纪志成. 基于改进樽海鞘群算法的PMSM多参数辨识[J]. 系统仿真学报, 2018, 30(11): 4284-4292.
[3] M. H. Qais, H. M. Hasanien, S. Alghuwainem. Enhanced salp swarm algorithm: Application to variable speed wind generators[J]. Engineering Applications of Artificial Intelligence, 2019, 80: 82-96.
[4] Ghasemi, M., Akbari, E., Rahimnejad, A. et al. Phasor particle swarm optimization: a simple and efficient variant of PSO[J]. Soft Computing, 2019, 23: 9701-9718.