融合随机反向学习的黏菌与算术混合优化算法

一、理论基础

1、黏菌算法

请参考这里。

2、算术优化算法

请参考这里。

3、随机反向学习策略

反向学习策略(Opposition-based Learning, OBL)是Tizhoosh H R等人于2005年提出的群智能领域中的一种改进策略，其思想是：在种群寻优的过程中，根据当前解产生一个反向解，比较当前解与反向解的目标函数值，择优进入下一次迭代。
反向解定义：存在$n$维坐标系内一点$X$，同时满足$X\in [LB,UB]$，则反向解计算公式如下：$$\tilde{X}=LB+UB-X\text{\hspace{1em}(1)}$$其中，$X$为当前解，$\tilde{X}$为反向解。
由于反向学习策略生成的反向解与当前解距离为一定值，缺乏随机性，无法有效增强搜索空间内种群多样性。因此，Long W等人提出了改进的随机反向学习策略(Random Opposition-based Learning, ROBL)，进一步增强种群多样性，提高种群避免局部最优的能力，计算公式如下：$$X_{rand}=LB+UB-r\times X\text{\hspace{1em}(2)}$$其中，$X_{rand}$表示随机反向解，$r$表示0到1之间的随机数。

4、融合随机反向学习的黏菌与算术混合优化算法

（1）改进混合算法理论分析

本文将SMA和AOA进行了有机融合，提出一种新的混合算法(HSMAAOA)。混合算法分别保留了SMA与AOA的优势特性，首先保留了SMA根据$z$值进行随机初始化的部分，当$rand<z$时，黏菌分离出部分个体探索其他食物源，随后根据随机数$r$与$p$值选择黏菌的位置更新公式，当$r_1＜p$时，通过SMA对应公式进行位置更新，否则通过乘除算子进行位置更新。最后利用ROBL策略产生一个随机反向位置，使用贪婪策略选出表现最优的个体进入下一次迭代，引导黏菌更好地向最优个体位置进化，增强算法跳出局部最优的能力，使得算法获得更好的收敛速度。

（2）HSMAAOA伪代码

begin 
   设置种群数量 N,当前迭代 t,最大迭代次数 T,惯性权重 w, 
   初始化种群位置 
   while t ≤ T 
      计算适应度值,幵选出最佳个体与最差个体 
      通过式(4)更新惯性权重W 
      for i = 1 to N 
         if rand < z 
            通过式(6)计算种群位置 
         else
         更新参数 vb,vc,p 
            if r1 < p 
               通过式(6)计算种群位置 
            else 
               if r4 < 0.5 
                  通过式(8)计算种群位置 
               else 
                  通过式(8)计算种群位置 
               end if 
            end if 
         end if 
         通过式(12)生成随机反向解 
      end for 
   end while 
end

注：公式编号以文献[1]为准。

二、实验仿真与分析

为了更好的验证HSMAAOA算法性能，选取了7种算法进行对比：SMA、AOA、HHO、WOA、SSA、GWO和PSO，这些算法被证实具有良好的寻优性能。为了更准确的验证所提算法与对比算法的优劣性，设定种群规模$N=30$，维度$D=30$，最大迭代次数500次，各算法独立运行30次，各算法参数设置如表1所示。选取最优值、最差值、平均值与标准差作为评价指标。其中，平均值与标准差越小，则证明算法的性能越佳。以F1、F3、F5(单峰函数)、F8、F10、F12(多峰函数)、F15、F20、F23(固定维多峰函数)为例。
结果显示如下：

函数：F1
HSMAAOA：Best: 0,Worst:0,Mean:0,Sstd:0
SMA：Best: 0,Worst:2.2963e-279,Mean:7.6543e-281,Std:0
AOA：Best: 1.4098e-155,Worst:7.6368e-10,Mean:2.5456e-11,Std:1.3943e-10
HHO：Best: 7.4441e-114,Wworst:9.5091e-94,Mean:3.391e-95,Std:1.736e-94
WOA：Best: 7.8606e-85,Worst:1.6945e-70,Mean:6.3586e-72,Std:3.0957e-71
SSA：Best: 3.9325e-08,Worst:5.8885e-06,Mean:4.0201e-07,Std:1.0721e-06
GWO：Best: 4.2705e-32,Worst:6.9072e-30,Mean:8.2783e-31,Std:1.2886e-30
PSO：Best: 5.1581,Worst:30.9431,Mean:13.7722,Std:6.6556
函数：F3
HSMAAOA：Best: 0,Worst:0,Mean:0,Sstd:0
SMA：Best: 0,Worst:4.9289e-252,Mean:1.643e-253,Std:0
AOA：Best: 1.3391e-156,Worst:0.10241,Mean:0.0061081,Std:0.018905
HHO：Best: 3.0666e-102,Wworst:6.3294e-68,Mean:2.1098e-69,Std:1.1556e-68
WOA：Best: 7004.6082,Worst:96128.0163,Mean:42140.6983,Std:16188.1162
SSA：Best: 608.2613,Worst:4087.8833,Mean:1622.4263,Std:758.2963
GWO：Best: 1.2157e-05,Worst:0.013967,Mean:0.0039141,Std:0.0040391
PSO：Best: 284.9097,Worst:1187.5016,Mean:626.4399,Std:240.3469
函数：F5
HSMAAOA：Best: 7.5384e-05,Worst:4.9788,Mean:0.65072,Sstd:1.1218
SMA：Best: 2.9934e-05,Worst:28.2203,Mean:5.2242,Std:9.1322
AOA：Best: 27.7426,Worst:28.8821,Mean:28.4267,Std:0.29386
HHO：Best: 8.6167e-05,Wworst:0.077912,Mean:0.013287,Std:0.01961
WOA：Best: 27.101,Worst:28.747,Mean:27.9974,Std:0.46864
SSA：Best: 25.0583,Worst:1139.4475,Mean:135.1859,Std:206.4895
GWO：Best: 25.2859,Worst:28.7464,Mean:26.7416,Std:0.85842
PSO：Best: 1013.9033,Worst:16363.2089,Mean:5912.7981,Std:4145.8487
函数：F8
HSMAAOA：Best: -12569.4866,Worst:-12567.1934,Mean:-12568.9796,Sstd:0.50003
SMA：Best: -12569.4808,Worst:-12568.1345,Mean:-12569.026,Std:0.35531
AOA：Best: -5834.0816,Worst:-4116.1113,Mean:-5241.4154,Std:418.954
HHO：Best: -12569.4866,Wworst:-12564.0806,Mean:-12568.6021,Std:1.3512
WOA：Best: -12569.0294,Worst:-7074.324,Mean:-10322.405,Std:1934.9
SSA：Best: -9120.6839,Worst:-6408.793,Mean:-7349.3604,Std:608.7949
GWO：Best: -8545.6349,Worst:-3461.5389,Mean:-6618.896,Std:1020.6164
PSO：Best: -6873.7787,Worst:-2451.1958,Mean:-4191.9275,Std:1146.4286
函数：F10
HSMAAOA：Best: 8.8818e-16,Worst:8.8818e-16,Mean:8.8818e-16,Sstd:0
SMA：Best: 8.8818e-16,Worst:8.8818e-16,Mean:8.8818e-16,Std:0
AOA：Best: 8.8818e-16,Worst:8.8818e-16,Mean:8.8818e-16,Std:0
HHO：Best: 8.8818e-16,Wworst:8.8818e-16,Mean:8.8818e-16,Std:0
WOA：Best: 8.8818e-16,Worst:1.5099e-14,Mean:4.0856e-15,Std:3.4089e-15
SSA：Best: 0.93131,Worst:5.1911,Mean:2.5316,Std:0.93001
GWO：Best: 1.5099e-14,Worst:3.2863e-14,Mean:2.0547e-14,Std:4.7329e-15
PSO：Best: 3.2357,Worst:9.7123,Mean:5.192,Std:1.1135
函数：F12
HSMAAOA：Best: 2.4347e-06,Worst:0.0018692,Mean:0.00030965,Sstd:0.00043041
SMA：Best: 1.0492e-07,Worst:0.019239,Mean:0.0039044,Std:0.0051534
AOA：Best: 0.41642,Worst:0.6184,Mean:0.51479,Std:0.053189
HHO：Best: 6.1933e-10,Wworst:6.0642e-05,Mean:1.1308e-05,Std:1.3228e-05
WOA：Best: 0.0043452,Worst:0.26417,Mean:0.030178,Std:0.047226
SSA：Best: 1.2219,Worst:22.2816,Mean:6.7718,Std:3.826
GWO：Best: 0.0022687,Worst:0.13562,Mean:0.021335,Std:0.023772
PSO：Best: 2.5587,Worst:22.262,Mean:8.7699,Std:5.1677
函数：F15
HSMAAOA：Best: 0.00030864,Worst:0.00091102,Mean:0.00047935,Sstd:0.00016528
SMA：Best: 0.00031548,Worst:0.0012255,Mean:0.0005803,Std:0.00027413
AOA：Best: 0.00036261,Worst:0.12146,Mean:0.010216,Std:0.022956
HHO：Best: 0.00030776,Wworst:0.0015524,Mean:0.00037447,Std:0.00022313
WOA：Best: 0.00030751,Worst:0.012678,Mean:0.001223,Std:0.0022351
SSA：Best: 0.0005001,Worst:0.020386,Mean:0.0022074,Std:0.004944
GWO：Best: 0.00030749,Worst:0.020363,Mean:0.0024329,Std:0.0060814
PSO：Best: 0.00030749,Worst:0.022553,Mean:0.0044073,Std:0.0070722
函数：F20
HSMAAOA：Best: -3.322,Worst:-3.2029,Mean:-3.2585,Sstd:0.060346
SMA：Best: -3.322,Worst:-3.201,Mean:-3.2504,Std:0.059451
AOA：Best: -3.2408,Worst:-2.7847,Mean:-3.0328,Std:0.10788
HHO：Best: -3.2455,Wworst:-2.8508,Mean:-3.1185,Std:0.098383
WOA：Best: -3.3217,Worst:-2.8402,Mean:-3.2421,Std:0.11475
SSA：Best: -3.322,Worst:-3.1769,Mean:-3.2248,Std:0.054858
GWO：Best: -3.322,Worst:-3.1377,Mean:-3.283,Std:0.061684
PSO：Best: -3.322,Worst:-2.6381,Mean:-3.1586,Std:0.18509
函数：F23
HSMAAOA：Best: -10.5364,Worst:-10.535,Mean:-10.5358,Sstd:0.00037483
SMA：Best: -10.5364,Worst:-10.5345,Mean:-10.536,Std:0.00037111
AOA：Best: -8.4519,Worst:-1.7403,Mean:-3.8275,Std:1.5087
HHO：Best: -10.3676,Wworst:-5.1077,Mean:-5.4701,Std:1.3182
WOA：Best: -10.5363,Worst:-1.6752,Mean:-7.1461,Std:3.345
SSA：Best: -10.5364,Worst:-2.4273,Mean:-7.7749,Std:3.4973
GWO：Best: -10.5364,Worst:-10.5354,Mean:-10.5361,Std:0.00025163
PSO：Best: -10.5364,Worst:-2.4273,Mean:-10.0084,Std:2.0098

结果表明：融合随机反向学习策略的黏菌与算术混合优化算(HSMAAOA)全局与局部能力均得到加强，优于原始SMA、AOA及其他5种优化算法，表现出更优秀的收敛精度、收敛速度以及稳定性。

三、参考文献

[1] 贾鹤鸣, 刘宇翔, 刘庆鑫, 等. 融合随机反向学习的黏菌与算术混合优化算法[J]. 计算机科学与探索, 2022, 16(5): 1182-1192.