一、理论基础
1、鲸鱼优化算法
请参考这里。
2、改进的鲸鱼优化算法
（1）自适应权重
受粒子群优化算法的启发，在鲸鱼的位置更新中加入一个随迭代次数变化的惯性权重 w w w。在算法搜索的前期，削弱最优鲸鱼位置对当前个体位置调整的影响，提升算法在前期的全局搜索能力。随着迭代次数的增加，逐渐提升最优鲸鱼位置的影响力，使得其他鲸鱼能够快速收敛到最优鲸鱼的位置，提升整个算法的收敛速度。根据鲸鱼优化算法中更新次数的变化，选用迭代次数 t t t构成的自适应惯性权值如下： w ( t ) = 0.2 cos ( π 2 ⋅ ( 1 − t t max ) ) (1) w(t)=0.2\cos(\frac\pi2\cdot(1-\frac{t}{t_{\max}}))\tag{1} w(t)=0.2cos(2π⋅(1−tmaxt))(1)惯性权值 w w w具有一种在 [ 0 , 1 ] [0,1] [0,1]之间非线性变化的属性，由于 cos \cos cos函数在 [ 0 , π / 2 ] [0,\pi/2] [0,π/2]之间的变化特性，使得权值在算法初期较小，但变化速度稍快；在算法后期其值较大，但变化速度会减缓，这样可以充分保证算法收敛性。改进后的鲸鱼优化算法位置更新公式为： X ( t + 1 ) = { w ( t ) X ∗ ( t ) − A ⋅ ∣ C ⋅ X ∗ ( t ) − X ( t ) ∣ , p < 0.5 w ( t ) X ∗ ( t ) + D ⋅ e b l cos ( 2 π l ) , p ≥ 0.5 (2) X(t+1)=\begin{dcases}w(t)X^*(t)-A\cdot|C\cdot X^*(t)-X(t)|,\quad p<0.5\\w(t)X^*(t)+D\cdot e^{bl}\cos(2\pi l),\quad\quad\quad\,\,\,\,\,\, p≥0.5\end{dcases}\tag{2} X(t+1)={w(t)X∗(t)−A⋅∣C⋅X∗(t)−X(t)∣,p<0.5w(t)X∗(t)+D⋅eblcos(2πl),p≥0.5(2) X ( t + 1 ) = w ( t ) X r a n d ( t ) − A ⋅ ∣ C ⋅ X r a n d ( t ) − X ( t ) ∣ (3) X(t+1)=w(t)X_{rand}(t)-A\cdot|C\cdot X_{rand}(t)-X(t)|\tag{3} X(t+1)=w(t)Xrand(t)−A⋅∣C⋅Xrand(t)−X(t)∣(3)在引入自适应权重之后的位置更新，会根据迭代次数的增加，动态调节权重大小，使得最优鲸鱼位置 X ∗ ( t ) X^*(t) X∗(t)在不同时刻对鲸鱼个体的指导不同。随迭代次数的增加，鲸鱼群的会集中向最优位置方向靠近，并且此时权值较大会使鲸鱼位置移动速度加快，进而加快算法收敛速度。
（2）变螺旋位置更新
为了使鲸鱼能够开发更多样的搜索路径进行位置更新，引入变螺旋搜寻的思想，将参数 b b b设计为随迭代次数改变的变量，动态调整鲸鱼搜寻时的螺旋形状，增加鲸鱼对未知区域的探索能力，进而提升算法全局搜索能力。结合自适应权值后，新的螺旋位置更新公式如下： { X ( t + 1 ) = w ( t ) X ∗ ( t ) + b D ⋅ e l cos ( 2 π l ) b = e 5 ⋅ cos ( π ⋅ ( 1 − t t max ) ) (4) \begin{dcases}X(t+1)=w(t)X^*(t)+bD\cdot e^l\cos(2\pi l)\\b=e^{5\cdot\cos(\pi\cdot(1-\frac{t}{t_{\max}}))}\end{dcases}\tag{4} {X(t+1)=w(t)X∗(t)+bD⋅elcos(2πl)b=e5⋅cos(π⋅(1−tmaxt))(4)参数 b b b是根据螺旋线的数学模型进行设计的，在原有螺旋线模型的基础上，通过引入迭代次数，动态调整螺旋形状。这样设计的参数 b b b会随着迭代次数增加，使螺旋形状从大到小的变化。在算法前期鲸鱼以较大的螺旋形状搜寻目标，鲸鱼尽可能多的去探索全局最优解，提升算法的全局最优搜寻能力；在算法后期鲸鱼以小螺旋形状搜寻目标，提升算法的寻优精度。
（3）最优邻域扰动
引入最优邻域扰动策略，将最优位置的附近随机搜索一遍，找到一个更佳的全局值，这样不仅可以提升算法的收敛速度，而且还能避免算法出现早熟。
最优位置产生随机扰动，增加其对附近空间的搜索，邻域扰动公式为：
X
~
(
t
)
=
{
X
∗
(
t
)
+
0.5
⋅
r
a
n
d
1
⋅
X
∗
(
t
)
,
r
a
n
d
2
<
0.5
X
∗
(
t
)
,
r
a
n
d
2
≥
0.5
(5)
\widetilde X(t)=\begin{dcases}X^*(t)+0.5\cdot rand1\cdot X^*(t),\quad rand2<0.5\\X^*(t),\quad\quad \quad \quad\quad \quad \quad\quad \quad \quad rand2≥0.5\end{dcases}\tag{5}
X
(t)={X∗(t)+0.5⋅rand1⋅X∗(t),rand2<0.5X∗(t),rand2≥0.5(5)其中，
r
a
n
d
1
rand1
rand1和
r
a
n
d
2
rand2
rand2为
[
0
,
1
]
[0,1]
[0,1]之间均匀产生的随机数；
X
~
(
t
)
\widetilde X(t)
X
(t)为生成的新位置。
对于生成的邻域位置，采用贪婪的策略判断是否保留，公式如下：
X
∗
(
t
)
=
{
X
~
(
t
)
,
f
(
X
~
(
t
)
)
<
f
(
X
∗
(
t
)
)
X
∗
(
t
)
,
f
(
X
~
(
t
)
)
≥
f
(
X
∗
(
t
)
)
(6)
X^*(t)=\begin{dcases}\widetilde X(t),\quad f(\widetilde X(t))<f(X^*(t))\\X^*(t),\,\,\,\,f(\widetilde X(t))≥f(X^*(t))\end{dcases}\tag{6}
X∗(t)={X
(t),f(X
(t))<f(X∗(t))X∗(t),f(X
(t))≥f(X∗(t))(6)其中，
f
(
x
)
f(x)
f(x)为位置
x
x
x的适应值。如果生成的位置比原位置好，则将其与原位置替换，使其成为全局最优；反之，最优位置保持不变。
（4）算法流程
改进的鲸鱼优化算法(GS-WOA)的伪代码如下图所示。
二、仿真实验与分析
使用GS-WOA算法在11个基准函数(如文献[1]中表2所示)上进行测试。维数
D
i
m
=
200
Dim=200
Dim=200，并将其与GWO、WOA和MS-WOA[2]算法进行比较，对比4种算法的性能指标。4种算法的参数设置相同：规模
N
=
30
N=30
N=30；最大迭代次数为
M
a
x
_
i
t
e
r
=
500
Max\_iter=500
Max_iter=500，4种算法均单独测试30次。
结果显示如下：
函数：F1
GS-WOA：最差值: 0,最优值:0,平均值:0,标准差:0
WOA：最差值: 4.8866e-69,最优值:1.7644e-83,平均值:2.4843e-70,标准差:9.1639e-70
MS-WOA：最差值: 0,最优值:0,平均值:0,标准差:0
GWO：最差值: 2.4115e-07,最优值:2.7021e-08,平均值:1.0615e-07,标准差:5.9125e-08
函数：F2
GS-WOA：最差值: 1.9763e-322,最优值:0,平均值:4.9407e-324,标准差:0
WOA：最差值: 9.4718e-50,最优值:1.3744e-54,平均值:9.3357e-51,标准差:2.0127e-50
MS-WOA：最差值: 1.6305e-175,最优值:1.715e-194,平均值:5.4663e-177,标准差:0
GWO：最差值: 4.8381e-05,最优值:2.3143e-05,平均值:3.2239e-05,标准差:6.3857e-06
函数：F3
GS-WOA：最差值: 0,最优值:0,平均值:0,标准差:0
WOA：最差值: 8749142.7247,最优值:1584180.3415,平均值:4881635.5254,标准差:1662105.9788
MS-WOA：最差值: 1.0482e-313,最优值:0,平均值:3.4988e-315,标准差:0
GWO：最差值: 60488.008,最优值:8281.9077,平均值:22472.299,标准差:12994.4711
函数：F4
GS-WOA：最差值: 3.9361e-302,最优值:0,平均值:1.3125e-303,标准差:0
WOA：最差值: 98.4389,最优值:8.776,平均值:86.6505,标准差:19.12
MS-WOA：最差值: 1.3588e-168,最优值:1.2077e-184,平均值:6.6552e-170,标准差:0
GWO：最差值: 37.6224,最优值:12.0223,平均值:24.5631,标准差:6.0757
函数：F5
GS-WOA：最差值: 2.1673,最优值:6.4972e-05,平均值:0.20212,标准差:0.40146
WOA：最差值: 198.0109,最优值:197.257,平均值:197.7119,标准差:0.19205
MS-WOA：最差值: 197.1466,最优值:196.9935,平均值:197.0783,标准差:0.032193
GWO：最差值: 198.3376,最优值:196.106,平均值:198.0324,标准差:0.46107
函数：F6
GS-WOA：最差值: 0.013031,最优值:9.4383e-06,平均值:0.0018134,标准差:0.0029393
WOA：最差值: 13.4771,最优值:5.1369,平均值:9.9541,标准差:2.1914
MS-WOA：最差值: 2.8305,最优值:1.2142,平均值:1.8691,标准差:0.43356
GWO：最差值: 31.6024,最优值:25.5141,平均值:28.7462,标准差:1.551
函数：F7
GS-WOA：最差值: 0.00035071,最优值:5.7564e-06,平均值:6.7374e-05,标准差:7.2759e-05
WOA：最差值: 0.021228,最优值:0.00014255,平均值:0.0046156,标准差:0.0053857
MS-WOA：最差值: 0.00037172,最优值:4.1011e-07,平均值:8.4973e-05,标准差:9.4866e-05
GWO：最差值: 0.031828,最优值:0.0093336,平均值:0.015843,标准差:0.0051883
函数：F8
GS-WOA：最差值: 0,最优值:0,平均值:0,标准差:0
WOA：最差值: 0,最优值:0,平均值:0,标准差:0
MS-WOA：最差值: 0,最优值:0,平均值:0,标准差:0
GWO：最差值: 61.2767,最优值:4.8054e-06,平均值:22.0695,标准差:11.4501
函数：F9
GS-WOA：最差值: 8.8818e-16,最优值:8.8818e-16,平均值:8.8818e-16,标准差:0
WOA：最差值: 7.9936e-15,最优值:8.8818e-16,平均值:5.1514e-15,标准差:2.7041e-15
MS-WOA：最差值: 8.8818e-16,最优值:8.8818e-16,平均值:8.8818e-16,标准差:0
GWO：最差值: 3.4431e-05,最优值:1.4461e-05,平均值:2.2918e-05,标准差:5.6618e-06
函数：F10
GS-WOA：最差值: 0,最优值:0,平均值:0,标准差:0
WOA：最差值: 1.1102e-16,最优值:0,平均值:3.7007e-18,标准差:2.027e-17
MS-WOA：最差值: 0,最优值:0,平均值:0,标准差:0
GWO：最差值: 0.074333,最优值:9.9181e-09,平均值:0.0093236,标准差:0.019994
函数：F11
GS-WOA：最差值: 0.00010369,最优值:1.2848e-08,平均值:9.7455e-06,标准差:1.961e-05
WOA：最差值: 0.13837,最优值:0.025291,平均值:0.06635,标准差:0.031157
MS-WOA：最差值: 0.023165,最优值:0.0052051,平均值:0.010956,标准差:0.0041357
GWO：最差值: 0.63728,最优值:0.40361,平均值:0.52973,标准差:0.069597
结果表明，GS-WOA在求解复杂函数的最优解时，比传统WOA的求解精度高很多，与目前改进的WOA算法相比，GS-WOA能找到更好的全局最优解。
三、参考文献
[1] 刘磊, 白克强, 但志宏, 等. 一种全局搜索策略的鲸鱼优化算法[J]. 小型微型计算机系统, 2020, 41(9): 1820-1825.
[2] 何庆, 魏康园, 徐钦帅. 基于混合策略改进的鲸鱼优化算法[J]. 计算机应用研究, 2019, 36(12): 3647-3651+3665.
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
