基于Logistic回归的麻雀搜索算法

一、理论基础

1、麻雀搜索算法

请参考这里。

2、改进麻雀搜索算法

（1）逐维小孔成像反向学习优化发现者位置

请参考这里。

（2）基于Logistic模型的自适应因子

为了平衡算法的全局搜索能力与局部开发能力，提出一种基于Logistic模型的自适应因子。Sigmoid函数是生物学中一种常见的Logistic曲线，也常应用于神经网络中，它可将变量映射到区间$[0,1]$之间，其表达式为：$$S(x)=\frac{1}{1+e^{-x}}\text{\hspace{1em}(1)}$$显而易见，Sigmoid函数是一个严格单调递增、连续光滑的阈值函数，对式(1)进行伸缩平移，并引入幅值、伸缩与平移因子，得到$$S(x)=L(\frac{1}{1+e^{ax+b}}+\omega )\text{\hspace{1em}(2)}$$其中：$L$表示幅值增益，$a$、$b$分别表示伸缩与平移因子， $\omega \in [0,1)$，可动态设定函数的上下界。
图1为不同参数下对应的函数曲线图，其中$\omega$设为0.05，可根据实际应用设定。在算法迭代前期的发现者阶段，可保证安全阈值长时间处于较大值的范围内，发现者对安全区域进行大范围的搜索，指引种群往最优位置附近收敛；随着迭代次数的增加，安全阈值开始非线性减小，当到迭代后期时，安全阈值往往处于较小值的范围内，发现者在最优位置的附近进行局部开发，逼近理论最优解，提高算法的收敛精度。

（a）Sigmoid函数

（b）幅值增益

（c）伸缩因子

（d）平移因子 图1 不同参数下对应的函数曲线图

（3）算法伪代码

MSSA算法描述如下：

图2 MSSA算法伪代码

二、仿真实验与分析

为了验证 MSSA在求解实际问题中的性能，选取6个标准测试函数进行仿真实验，如文献[1]中表1所示。同时，将MSSA与PSO、SCA、人工蜂群算法(artificial bee colony algorithm, ABC)、SSA及ISSA进行性能对比。算法的通用参数设置为：种群大小$P=100$，最大迭代次数$G=200$，函数维度$D=30$，其他参数设置如文献[1]中表2所示，并记录各个算法运行30次的结果，算法的运行结果如下所示：

函数：F1
PSO：最差值: 74.3186, 最优值: 3.5197, 平均值: 25.4447, 标准差: 20.669, 秩和检验: 3.0199e-11
SSA：最差值: 1.1263e-49, 最优值: 0, 平均值: 3.827e-51, 标准差: 2.0552e-50, 秩和检验: 2.5206e-11
SCA：最差值: 79.7686, 最优值: 7.1613, 平均值: 41.9293, 标准差: 16.4323, 秩和检验: 3.0199e-11
ISSA：最差值: 9.3026e-25, 最优值: 6.6434e-36, 平均值: 5.3756e-26, 标准差: 1.7468e-25, 秩和检验: 3.0199e-11
ABC：最差值: 328.7419, 最优值: 192.3728, 平均值: 259.6696, 标准差: 31.9056, 秩和检验: 3.0199e-11
MSSA：最差值: 0.0044762, 最优值: 1.1194e-08, 平均值: 0.00069083, 标准差: 0.0011122, 秩和检验: 1
函数：F2
PSO：最差值: 7.1163, 最优值: 2.6924, 平均值: 4.4517, 标准差: 1.2844, 秩和检验: 3.0199e-11
SSA：最差值: 7.2913e-31, 最优值: 0, 平均值: 2.4304e-32, 标准差: 1.3312e-31, 秩和检验: 0.00039733
SCA：最差值: 3.5517, 最优值: 0.088904, 平均值: 0.83642, 标准差: 0.77812, 秩和检验: 3.0199e-11
ISSA：最差值: 4.4306e-25, 最优值: 1.5322e-32, 平均值: 2.1848e-26, 标准差: 8.0865e-26, 秩和检验: 3.0199e-11
ABC：最差值: 14.7339, 最优值: 8.4043, 平均值: 11.5685, 标准差: 1.5778, 秩和检验: 3.0199e-11
MSSA：最差值: 3.3399e-179, 最优值: 8.5774e-276, 平均值: 1.1133e-180, 标准差: 0, 秩和检验: 1
函数：F3
PSO：最差值: 2692.4507, 最优值: 138.2822, 平均值: 573.9262, 标准差: 496.8886, 秩和检验: 1.2118e-12
SSA：最差值: 2.5266e-59, 最优值: 0, 平均值: 8.5085e-61, 标准差: 4.6115e-60, 秩和检验: 1.7016e-08
SCA：最差值: 29584.3664, 最优值: 3122.0931, 平均值: 13112.7551, 标准差: 6722.7503, 秩和检验: 1.2118e-12
ISSA：最差值: 1.5526e-31, 最优值: 4.6375e-50, 平均值: 1.0647e-32, 标准差: 3.4297e-32, 秩和检验: 1.2118e-12
ABC：最差值: 44861.9452, 最优值: 23563.4552, 平均值: 37407.7044, 标准差: 4563.0919, 秩和检验: 1.2118e-12
MSSA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数：F4
PSO：最差值: 100.1031, 最优值: 32.9811, 平均值: 64.3731, 标准差: 15.4058, 秩和检验: 1.2118e-12
SSA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SCA：最差值: 164.7633, 最优值: 10.4628, 平均值: 82.179, 标准差: 35.1376, 秩和检验: 1.2118e-12
ISSA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
ABC：最差值: 264.3028, 最优值: 184.0573, 平均值: 245.1119, 标准差: 16.2708, 秩和检验: 1.2118e-12
MSSA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
函数：F5
PSO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SSA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SCA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
ISSA：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
ABC：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
MSSA：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: -1, 最优值: -1, 平均值: -1, 标准差: 0, 秩和检验: NaN
SSA：最差值: -1, 最优值: -1, 平均值: -1, 标准差: 0, 秩和检验: NaN
SCA：最差值: -1, 最优值: -1, 平均值: -1, 标准差: 0, 秩和检验: NaN
ISSA：最差值: -1, 最优值: -1, 平均值: -1, 标准差: 0, 秩和检验: NaN
ABC：最差值: -1, 最优值: -1, 平均值: -1, 标准差: 0, 秩和检验: NaN
MSSA：最差值: -1, 最优值: -1, 平均值: -1, 标准差: 0, 秩和检验: NaN

实验结果表明该改进算法的收敛精度与速度均优于其他算法。

三、参考文献

[1] 陈刚, 林东, 陈飞, 等. 基于Logistic回归麻雀算法的图像分割[J]. 北京航空航天大学学报, 2023, 49(3): 636-646.