混沌麻雀搜索优化算法

一、理论基础

1、麻雀搜索算法

请参考这里。

2、Tent混沌及高斯变异

2.1 Tent混沌

2.1.1 Tent混沌序列

Tent映射表达式为$$z_{i+1}=\{\begin{array}{l}2z_{i}0\le z_i\le \frac{1}{2}\\ 2(1-z_i)\frac{1}{2}<z_i\le 1\end{array}\text{\hspace{1em}(1)}$$Tent映射通过贝努利移位变换后表示为$$z_{i+1}=(2z_i)\text{mod}1\text{\hspace{1em}(2)}$$分析发现，Tent混沌序列中存在小周期，并且存在不稳定周期点。为避免其落入小周期点或不稳定周期点，同时不破坏混沌变量的特性，引入随机变量$\text{rand}(0,1)\times \frac{1}{N_T}$，改进后的表达式为$$z_{i+1}=\{\begin{array}{l}2z_i+\text{rand}(0,1)\cdot \frac{1}{N_T}0\le z_i\le \frac{1}{2}\\ 2(1-z_i)+\text{rand}(0,1)\cdot \frac{1}{N_T}\frac{1}{2}<z_i\le 1\end{array}\text{\hspace{1em}(3)}$$贝努利变换后的表达式为$$z_{i+1}=(2z_i)\text{mod}1+\text{rand}(0,1)\cdot \frac{1}{N_T}\text{\hspace{1em}(4)}$$其中，$N_T$为混沌序列内的粒子个数；$\text{rand}(0,1)$为$[0,1]$之间的随机数。
根据Tent映射的特性，在可行域中产生混沌序列的步骤如下：
步骤1 随机产生$(0,1)$内的初值$z_0$，记$i=0$；
步骤2 利用式(4)进行迭代，产生$\mathbf{Z}$序列，$i$自增1；
步骤3 如果迭代达到最大次数，程序运行停止，保存产生的$\mathbf{Z}$序列。
如图1所示，可以看出，常见的Logistic映射在$[0,0.05]$和$[0.95,1]$ 2个范围的取值概率较高，因此算法寻优速度受Logistic遍历不均匀性的影响，寻优效率会降低；相反，改进的Tent映射的取值则较为均匀，因此算法能够提高初始解的质量，增强算法的全局搜索能力。

（a）Logistic混沌序列分布图

（b）Logistic混沌序列分布直方图

（c）改进Tent混沌序列分布图

（d）改进Tent混沌序列分布直方图 图1 Logistic混沌和改进Tent混沌序列分布

2.1.2 Tent混沌扰动

本文算法引入混沌扰动，避免其陷入局部最优，提高了全局搜索能力和寻优精度。混沌扰动的步骤描述如下：
步骤1 应用式(4)产生混沌变量${\mathbf{Z}}_d$；
步骤2 将混沌变量载波到待求解问题的解空间：$${\mathbf{X}}_{new}^d=d_{\min }+(d_{\max }-d_{\min }){\mathbf{Z}}_d\text{\hspace{1em}(5)}$$其中，$d_{\max }$和$d_{\min }$分别为第$d$维变量${\mathbf{X}}_{new}^d$的最大和最小值；
步骤3 按式(6)对个体进行混沌扰动：$${\mathbf{X}}_{new}^{\prime }=({\mathbf{X}}^{\prime }+{\mathbf{X}}_{new})/2\text{\hspace{1em}(6)}$$其中，${\mathbf{X}}^{\prime }$为需要进行混沌扰动的个体；${\mathbf{X}}_{new}$为产生的混沌扰动量；${\mathbf{X}}_{new}^{\prime }$为混沌扰动后的个体。

2.2 高斯变异

高斯变异来源于高斯分布，具体指在进行变异操作时，用符合均值为$\mu$、方差为${\sigma }^2$的正态分布的一个随机数来替代原来的参数值。变异公式为$$\text{mutation}(x)=x(1+N(0,1))\text{\hspace{1em}(7)}$$其中，$x$为原来的参数值，$N(0,1)$表示期望为0、标准差为1的正态分布随机数，$\text{mutation}(x)$为高斯变异后的数值。
由正态分布特性可知，高斯变异的重点搜索区域为原个体附近的某个局部区域。高斯分布局部搜索能力强，对具有大量局部极小值的优化问题，有利于算法高效、高精度地找到全局极小值点，同时还提高了本文算法的鲁棒性。

3、改进麻雀搜索算法

CSSOA算法引入Tent混沌搜索和高斯变异，增加了种群多样性，提高了算法的搜索性能和开拓性能，避免陷入局部最优，其具体实现步骤如下：
步骤1 初始化。包括种群规模$N$，发现者个数$p_{\mathrm{N}\mathrm{u}\mathrm{m}}$，侦察预警的麻雀个数$s_{\mathrm{N}\mathrm{u}\mathrm{m}}$，目标函数的维数$D$，初始值的上下界$\text{lb}$、$\text{ub}$，最大迭代次数$T$或者求解精度$\epsilon$。
步骤2 应用2.1.1节中的Tent混沌序列初始化种群，生成$N$个$D$维向量$Z_i$，并将其各分量通过式(5)载波到原问题空间变量的取值范围内。
步骤3 计算每只麻雀的适应度$f_i$，选出当前最优适应度$f_{\mathrm{g}}$和其对应的位置$\mathbf{x}\mathbf{b}$，以及当前最劣适应度$f_{\mathrm{w}}$和其对应的位置$\mathbf{x}\mathbf{w}$。
步骤4 选取适应度优的前$p_{\mathrm{N}\mathrm{u}\mathrm{m}}$个麻雀作为发现者，剩余的作为加入者，并根据基本麻雀算法的对应公式更新发现者和加入者的位置。
步骤5 从麻雀种群中随机选取$s_{\mathrm{N}\mathrm{u}\mathrm{m}}$只麻雀进行侦察预警，并根据基本麻雀算法的对应公式更新其位置。
步骤6 一次迭代完成后，重新计算每只麻雀的适应度值$f_i$和麻雀种群的平均适应度值$f_{\mathrm{a}\mathrm{v}\mathrm{g}}$。
1）当$f_i<f_{\mathrm{a}\mathrm{v}\mathrm{g}}$时，表明出现“聚集”现象，按式(7)进行高斯变异，如果比变异之前的个体更优，则用变异后的个体替代变异前的个体，否则保持原个体不变。
2）当$f_i\ge f_{\mathrm{a}\mathrm{v}\mathrm{g}}$时，表明出现“发散”趋势，按2.1.2节对第$i$个个体进行Tent混沌扰动，如果扰动后的个体性能更优，则用扰动后的个体替代扰动前的个体，否则保持原个体不变。
步骤7 根据麻雀种群当前的状态，更新整个种群所经历的最优位置$\mathbf{x}\mathbf{b}$和其适应度$f_{\mathrm{g}}$以及最差位置$\mathbf{x}\mathbf{w}$和其适应度$f_{\mathrm{w}}$。
步骤8 判断算法运行是否达到最大迭代次数或者求解精度，若是，循环结束，输出寻优结果；否则返回步骤4。

二、仿真实验与结果分析

将CSSOA与PSO、GWO、WOA和SSA算法进行对比，实验中取种群规模$N=30$，最大迭代次数$T=100$，目标函数的维数$D$和初始值的上下界$\mathrm{u}\mathrm{b}$和$\mathrm{l}\mathrm{b}$按照文献[1]表1中的基准函数具体选定，发现者个数$p_{\mathrm{N}\mathrm{u}\mathrm{m}}$和侦察预警的麻雀个数$s_{\mathrm{N}\mathrm{u}\mathrm{m}}$均取种群规模的$20\%$，安全阈值$S_T=0.6$。为避免寻优结果的偶然性，以及证明CSSOA的稳定性，选取各基准函数独立运行30次的实验结果作为实验数据。以文献[1]中表1的F4、F5、F7、F8、F10、F11为例，结果显示如下：

函数：F4
PSO：最差值: 11.5764, 最优值: 6.8762, 平均值: 9.4895, 标准差: 1.2626, 秩和检验: 3.0199e-11
GWO：最差值: 3.0595, 最优值: 0.41086, 平均值: 1.3539, 标准差: 0.65191, 秩和检验: 3.0199e-11
WOA：最差值: 86.5089, 最优值: 13.8877, 平均值: 63.918, 标准差: 19.535, 秩和检验: 3.0199e-11
SSA：最差值: 1.0146e-18, 最优值: 0, 平均值: 5.0046e-20, 标准差: 2.02e-19, 秩和检验: 2.3535e-05
CSSOA：最差值: 5.0018e-52, 最优值: 0, 平均值: 1.6981e-53, 标准差: 9.1273e-53, 秩和检验: 1
函数：F5
PSO：最差值: 23.429, 最优值: 0.23344, 平均值: 2.7862, 标准差: 4.8172, 秩和检验: 3.0199e-11
GWO：最差值: 0.045264, 最优值: 0.0062914, 平均值: 0.018387, 标准差: 0.010365, 秩和检验: 3.0199e-11
WOA：最差值: 0.14599, 最优值: 0.00039392, 平均值: 0.030096, 标准差: 0.031288, 秩和检验: 2.9215e-09
SSA：最差值: 0.0083458, 最优值: 6.8491e-05, 平均值: 0.0025517, 标准差: 0.0020772, 秩和检验: 0.00030059
CSSOA：最差值: 0.0037456, 最优值: 8.2143e-05, 平均值: 0.00098385, 标准差: 0.00092906, 秩和检验: 1
函数：F7
PSO：最差值: 197.896, 最优值: 94.9562, 平均值: 129.5424, 标准差: 21.5, 秩和检验: 1.2118e-12
GWO：最差值: 95.6919, 最优值: 15.0778, 平均值: 35.0699, 标准差: 16.8391, 秩和检验: 1.2118e-12
WOA：最差值: 203.2543, 最优值: 5.6843e-14, 平均值: 8.0508, 标准差: 37.3147, 秩和检验: 1.2009e-12
SSA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
CSSOA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数：F8
PSO：最差值: 8.5533, 最优值: 4.5545, 平均值: 6.2201, 标准差: 1.0968, 秩和检验: 1.2118e-12
GWO：最差值: 0.058817, 最优值: 0.0099613, 平均值: 0.028611, 标准差: 0.010838, 秩和检验: 1.2118e-12
WOA：最差值: 4.0606e-06, 最优值: 1.5562e-09, 平均值: 5.1568e-07, 标准差: 9.2432e-07, 秩和检验: 1.2118e-12
SSA：最差值: 4.4409e-15, 最优值: 8.8818e-16, 平均值: 1.0066e-15, 标准差: 6.4863e-16, 秩和检验: 0.33371
CSSOA：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：F10
PSO：最差值: 6.9033, 最优值: 0.998, 平均值: 2.1515, 标准差: 1.7185, 秩和检验: 0.0002996
GWO：最差值: 15.5038, 最优值: 0.998, 平均值: 5.4593, 标准差: 3.8656, 秩和检验: 7.0833e-11
WOA：最差值: 15.5038, 最优值: 0.998, 平均值: 3.6164, 标准差: 3.6157, 秩和检验: 6.471e-10
SSA：最差值: 12.6705, 最优值: 0.998, 平均值: 7.8366, 标准差: 5.3965, 秩和检验: 0.00011932
CSSOA：最差值: 2.9821, 最优值: 0.998, 平均值: 1.0642, 标准差: 0.36223, 秩和检验: 1
函数：F11
PSO：最差值: -2.7015, 最优值: -3.322, 平均值: -3.128, 标准差: 0.17688, 秩和检验: 1.8608e-06
GWO：最差值: -3.0219, 最优值: -3.3219, 平均值: -3.2397, 标准差: 0.091212, 秩和检验: 8.4848e-09
WOA：最差值: -2.8718, 最优值: -3.3045, 平均值: -3.1655, 标准差: 0.10153, 秩和检验: 1.411e-09
SSA：最差值: -3.203, 最优值: -3.322, 平均值: -3.2823, 标准差: 0.057011, 秩和检验: 0.0083146
CSSOA：最差值: -3.2029, 最优值: -3.322, 平均值: -3.3061, 标准差: 0.04113, 秩和检验: 1

结果表明：所提算法能够克服SSA易陷入局部最优的缺点，提高算法的搜索精度、收敛速度和稳定性。

三、参考文献

[1] 吕鑫, 慕晓冬, 张钧, 等. 混沌麻雀搜索优化算法[J]. 北京航空航天大学学报, 2021, 47(8): 1712-1720.