本文介绍了改进的鲸鱼优化算法(IWOA)，通过Tent映射、自适应权重和阈值调整，增强了算法的全局搜索能力和收敛速度。实验对比了IWOA与标准WOA及PSO、GWO在多个测试函数上的性能，显示IWOA在求解精度和收敛速度上优于其他算法。
一、理论基础
1、标准鲸鱼优化算法(WOA)
请参考这里。
2、改进鲸鱼优化算法(IWOA)
（1）Tent映射
混沌具有随机性和遍历性和初值敏感性，能使算法有更快的收敛速度。本文采用Tent映射来产生混沌序列，对种群进行初始化，使得初始解尽可能均匀的分布在解空间内。
z
k
+
1
=
{
2
z
k
,
0
≤
z
≤
0.5
2
(
1
−
z
k
)
,
0.5
<
z
k
≤
1
(1)
z_{k+1}=\begin{dcases}2z_k,\quad\quad\,\,\,\quad 0≤z_≤0.5\\2(1-z_k),\quad 0.5<z_k≤1\end{dcases}\tag{1}
zk+1={2zk,0≤z≤0.52(1−zk),0.5<zk≤1(1)其中，
k
k
k表示映射次数，
z
k
z_k
zk表示第
k
k
k次映射函数值。
经过伯努利移位变换后表示如下：
x
n
+
1
=
(
2
x
n
)
mod
1
(2)
x_{n+1}=(2x_n)\text{mod}\,1\tag{2}
xn+1=(2xn)mod1(2)
（2）引入自适应权重
本文把惯性权重引入WOA中，作用于包围猎物和螺旋更新机制的位置更新中，权值
w
w
w随之迭代次数的增加而非线性递减，当算法在初期时的权重系数比较大时，此时具有较强的全局搜索能力，随着迭代次数的增加，权重系数在减小，算法可以在某一区域内进行精细搜索，防止陷入局部最优，提高求解的精度，鲸鱼位置更新公式如下：
X
(
t
+
1
)
=
w
X
∗
(
t
)
−
A
⋅
D
(3)
X(t+1)=wX^*(t)-A\cdot D\tag{3}
X(t+1)=wX∗(t)−A⋅D(3)
X
(
t
+
1
)
=
D
′
⋅
e
b
l
⋅
cos
(
2
π
l
)
+
w
X
∗
(
t
)
(4)
X(t+1)=D'\cdot e^{bl}\cdot\cos(2\pi l)+wX^*(t)\tag{4}
X(t+1)=D′⋅ebl⋅cos(2πl)+wX∗(t)(4)其中：
w
(
t
)
=
e
−
(
t
M
a
x
_
i
t
e
r
)
k
(5)
w(t)=e^{-\left(\frac{t}{Max\_iter}\right)^k}\tag{5}
w(t)=e−(Max_itert)k(5)其中，
t
t
t为当前迭代次数，
M
a
x
_
i
t
e
r
Max\_iter
Max_iter是最大迭代次数，
k
k
k是调节系数，调节权重的大小。调节系数取不一样值权重变化如图1所示。
本文取 k = 0.4 k=0.4 k=0.4，来平衡鲸鱼优化算法的全局和局部搜索能力。
（3）自适应阈值
标准鲸鱼优化算法设置概率阈值为0.5，来同步包围和螺旋过程。通过随机生成的 p p p值与概率阈值来选择不同的狩猎策略。但是随着迭代次数的增加，这种方式的捕食方式会导致算法陷入局部最优等问题，因此本文提出一个对数形式的自适应概率阈值 p ′ p' p′来平衡全局搜索和局部开发的能力，表达式如下： p ′ = 1 − log 10 ( 1 + 9 t M a x _ i t e r ) (6) p'=1-\log_{10}\left(1+\frac{9t}{Max\_iter}\right)\tag{6} p′=1−log10(1+Max_iter9t)(6)
（4）IWOA算法步骤
综上，本文提出的改进的鲸鱼优化算法的主要步骤如下：
步骤1：初始化鲸鱼算法基本参数，种群规模
N
N
N，最大迭代次数
M
a
x
_
i
t
e
r
Max\_iter
Max_iter，问题维数
D
D
D，对数螺线形状参数
b
b
b；
步骤2：利用Tent混沌映射初始化鲸鱼位置；
步骤3：对目标函数进行求解，计算每个搜索个体的适应度，找到当前最优解；
步骤4：若
p
<
p
′
p<p'
p<p′且
∣
A
∣
<
1
|A|<1
∣A∣<1，按式(3)进行更新；
步骤5：若
p
<
p
′
p<p'
p<p′且
∣
A
∣
≥
1
|A|≥1
∣A∣≥1，按WOA对应公式进行螺旋运动的方式向猎物进行更新；
步骤6：若
p
≥
p
′
p≥p'
p≥p′，按式(4)进行全局搜索；
步骤7：位置更新完毕，计算每个个体的适应度值，与先前的最佳搜索代理位置进行比较，若优于
X
∗
X^*
X∗，则替换
X
∗
X^*
X∗；
步骤8：判断是否达到最大迭代次数，若满足则终止迭代，同时输出最优解和适应度值，反之返回步骤4。
二、函数测试与结果分析
为验证改进鲸鱼优化算法的有效性，选用标准鲸鱼优化算法(WOA)、灰狼优化算法(GWO和粒子群优化算法(PSO)和其进行对比，算法参数设置如文献[1]中表1所示。设置种群规模为30，最大迭代次数为500，每个算法独立运算20次，以文献[1]中表2的6个30维的测试函数为例。结果显示如下：
函数：F1
PSO：最差值: 147.8448,最优值:23.4933,平均值:63.9767,标准差:32.1388,秩和检验:6.7956e-08
GWO：最差值: 1.7889e-26,最优值:7.1869e-29,平均值:1.36e-27,标准差:3.9183e-27,秩和检验:6.7956e-08
WOA：最差值: 1.0992e-72,最优值:2.7991e-84,平均值:9.2059e-74,标准差:2.8764e-73,秩和检验:6.7956e-08
IWOA：最差值: 3.6756e-276,最优值:9.4649e-296,平均值:1.8382e-277,标准差:0,秩和检验:1
函数：F2
PSO：最差值: 13.6415,最优值:3.7539,平均值:8.1522,标准差:2.8786,秩和检验:6.7956e-08
GWO：最差值: 3.699e-16,最优值:7.9544e-18,平均值:8.2037e-17,标准差:8.5695e-17,秩和检验:6.7956e-08
WOA：最差值: 6.4078e-50,最优值:1.1677e-60,平均值:3.5018e-51,标准差:1.4268e-50,秩和检验:6.7956e-08
IWOA：最差值: 9.864e-142,最优值:6.1064e-152,平均值:5.4801e-143,标准差:2.2039e-142,秩和检验:1
函数：F3
PSO：最差值: 632.6858,最优值:100.3085,平均值:254.1884,标准差:144.4872,秩和检验:6.7956e-08
GWO：最差值: 28.7687,最优值:25.8787,平均值:27.0773,标准差:0.90809,秩和检验:1.8074e-05
WOA：最差值: 28.7457,最优值:27.1368,平均值:27.8405,标准差:0.4534,秩和检验:0.00083572
IWOA：最差值: 28.626,最优值:27.9667,平均值:28.2328,标准差:0.18107,秩和检验:1
函数：F4
PSO：最差值: 5.9211,最优值:3.6118,平均值:4.9672,标准差:0.6327,秩和检验:8.0065e-09
GWO：最差值: 1.3589e-13,最优值:6.4837e-14,平均值:1.0036e-13,标准差:1.9356e-14,秩和检验:7.3694e-09
WOA：最差值: 7.9936e-15,最优值:8.8818e-16,平均值:3.908e-15,标准差:2.6473e-15,秩和检验:2.1716e-05
IWOA：最差值: 8.8818e-16,最优值:8.8818e-16,平均值:8.8818e-16,标准差:0,秩和检验:NaN
函数：F5
PSO：最差值: 2.527,最优值:1.2815,平均值:1.6516,标准差:0.32439,秩和检验:8.0065e-09
GWO：最差值: 0.029495,最优值:0,平均值:0.0064644,标准差:0.010063,秩和检验:0.0045321
WOA：最差值: 0.15438,最优值:0,平均值:0.0077188,标准差:0.034519,秩和检验:0.34211
IWOA：最差值: 0,最优值:0,平均值:0,标准差:0,秩和检验:NaN
函数：F6
PSO：最差值: 78.0917,最优值:36.101,平均值:57.2082,标准差:13.0797,秩和检验:8.0065e-09
GWO：最差值: 9.4769,最优值:5.6843e-14,平均值:2.4972,标准差:3.4197,秩和检验:7.4242e-09
WOA：最差值: 5.6843e-14,最优值:0,平均值:2.8422e-15,标准差:1.2711e-14,秩和检验:0.34211
IWOA：最差值: 0,最优值:0,平均值:0,标准差:0,秩和检验:NaN
实验结果表明，IWOA相比于其他三种算法求解精度更高，收敛速度更快，有更好的全局搜索能力。
三、参考文献
[1] 赵晶, 祝锡晶, 孟小玲, 等. 改进鲸鱼优化算法在机械臂时间最优轨迹规划的应用[J/OL]. 机械科学与技术: 1-10 [2021-11-08].
1103
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
