一、理论基础
1、黏菌算法
请参考这里。
2、加入领导者的黏菌算法
尽管SMA已显示出很好的寻优效果,但在搜索过程中仍有改进的余地。第
t
+
1
t+1
t+1次迭代时第
i
i
i个黏菌浓度的更新主要取决于当前迭代次数
t
t
t的全局最佳黏菌浓度
X
G
l
o
b
a
l
B
e
s
t
X_{GlobalBest}
XGlobalBest,以及由从
N
N
N个个体中汇集的两个随机黏菌浓度
X
R
1
X_{R_1}
XR1和
X
R
2
X_{R_2}
XR2确定的偏差。当随机黏菌远离搜索空间时,随机化可能需要更长时间才能达到最佳位置。GWO利用3个迄今为止最好的候选解(
α
\alpha
α、
β
\beta
β和
γ
\gamma
γ)来更新狼的搜索位置,EO利用迄今为止最好的4个候选对象作为平衡候选对象来达到平衡状态,受此启发,本文使用3个迄今为止最好的候选解作为领导者来更新黏菌的位置。因此,提出了加入领导者的黏菌算法(Leader slime mould algorithm, LSMA),该算法将迄今为止最好的候选解作为领导者与随机黏菌浓度
X
R
1
X_{R_1}
XR1和
X
R
2
X_{R_2}
XR2进行融合。其中,全局最佳浓度命名为
l
e
a
d
e
r
1
(
L
1
)
leader1(L1)
leader1(L1),第二和第三浓度分别命名为
l
e
a
d
e
r
2
(
L
2
)
leader2(L2)
leader2(L2)和
l
e
a
d
e
r
3
(
L
3
)
leader3(L3)
leader3(L3)。这种模型使得算法的效率足够高,能够在开发和探索之间进行更有效的权衡,从而获得最优解。
LSMA中第
t
+
1
t+1
t+1次迭代第
i
i
i个黏菌的新的更新规则建模为:
X
→
i
(
t
+
1
)
=
r
1
⋅
(
U
B
−
L
B
)
+
L
B
,
when
r
1
<
z
(1)
\overrightarrow X_i(t+1)=r_1\cdot(UB-LB)+LB,\,\,{\text{when}}\,\, r_1<z\tag{1}
Xi(t+1)=r1⋅(UB−LB)+LB,whenr1<z(1)
X
→
i
(
t
+
1
)
=
X
→
L
1
(
t
)
+
V
→
a
⋅
(
(
W
→
⋅
X
→
L
2
−
X
→
R
1
)
+
(
W
→
⋅
X
→
L
3
−
X
→
R
2
)
)
,
when
r
2
<
p
and
r
1
≥
z
(2)
\overrightarrow X_i(t+1)=\overrightarrow X_{L1}(t)+\overrightarrow V_a\cdot((\overrightarrow W\cdot\overrightarrow X_{L2}-\overrightarrow X_{R_1})+(\overrightarrow W\cdot\overrightarrow X_{L3}-\overrightarrow X_{R_2})),\,\,{\text{when}}\,\, r_2<p\,\,\text{and}\,\,r_1\geq z\tag{2}
Xi(t+1)=XL1(t)+Va⋅((W⋅XL2−XR1)+(W⋅XL3−XR2)),whenr2<pandr1≥z(2)
X
→
i
(
t
+
1
)
=
V
→
b
⋅
X
→
i
(
t
)
,
when
r
2
≥
p
and
r
1
≥
z
(3)
\overrightarrow X_i(t+1)=\overrightarrow V_b\cdot\overrightarrow X_i(t),\,\,{\text{when}}\,\, r_2\geq p\,\,\text{and}\,\,r_1\geq z\tag{3}
Xi(t+1)=Vb⋅Xi(t),whenr2≥pandr1≥z(3)首先,确定问题维数
D
D
D、具有上界
U
B
UB
UB和下界
L
B
LB
LB的搜索空间中的黏菌个体数量
N
N
N 、最大迭代次数
T
T
T、消除和分散的概率
z
z
z;以及适应度函数
f
f
f,用于评估给定问题的适应度值。提出的LSMA的伪代码如下图所示:
二、仿真实验与结果分析
将LSMA与SMA、EO、HHO、GWO和WOA进行对比,实验设置种群规模为30,最大迭代次数为500,每个算法独立运行30次,以文献[1]中F3、F4(30维/单峰函数)、F11、F12(30维/多峰函数)、F21、F22(4维、4维/固定维度多峰函数)为例,结果显示如下:
函数:F3
LSMA:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SMA:最差值: 7.3056e-313, 最优值: 0, 平均值: 2.4352e-314, 标准差: 0, 秩和检验: 0.33371
EO:最差值: 1.4189e-07, 最优值: 3.2914e-13, 平均值: 8.9959e-09, 标准差: 3.0847e-08, 秩和检验: 1.2118e-12
HHO:最差值: 4.64e-73, 最优值: 1.3439e-105, 平均值: 1.5523e-74, 标准差: 8.4704e-74, 秩和检验: 1.2118e-12
GWO:最差值: 2.2872e-05, 最优值: 4.6654e-09, 平均值: 4.5601e-06, 标准差: 6.5199e-06, 秩和检验: 1.2118e-12
WOA:最差值: 77774.2415, 最优值: 18254.7886, 平均值: 43463.0062, 标准差: 14156.2866, 秩和检验: 1.2118e-12
函数:F4
LSMA:最差值: 2.934e-240, 最优值: 0, 平均值: 9.7801e-242, 标准差: 0, 秩和检验: 1
SMA:最差值: 4.208e-152, 最优值: 3.3316e-288, 平均值: 1.4049e-153, 标准差: 7.6823e-153, 秩和检验: 6.4721e-11
EO:最差值: 4.809e-09, 最优值: 8.69e-12, 平均值: 4.8032e-10, 标准差: 1.0067e-09, 秩和检验: 2.9155e-11
HHO:最差值: 8.2148e-50, 最优值: 1.2172e-61, 平均值: 7.4345e-51, 标准差: 2.1349e-50, 秩和检验: 2.9155e-11
GWO:最差值: 4.2206e-06, 最优值: 5.5231e-08, 平均值: 7.6547e-07, 标准差: 8.2845e-07, 秩和检验: 2.9155e-11
WOA:最差值: 89.2008, 最优值: 2.2572, 平均值: 51.1707, 标准差: 28.2423, 秩和检验: 2.9155e-11
函数:F11
LSMA:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
SMA:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
EO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
HHO:最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0, 秩和检验: NaN
GWO:最差值: 1.1102e-16, 最优值: 0, 平均值: 3.7007e-18, 标准差: 2.027e-17, 秩和检验: 0.33371
WOA:最差值: 0.23679, 最优值: 0, 平均值: 0.015983, 标准差: 0.051826, 秩和检验: 0.081523
函数:F12
LSMA:最差值: 0.013146, 最优值: 1.3704e-05, 平均值: 0.00070379, 标准差: 0.0023843, 秩和检验: 1
SMA:最差值: 0.036726, 最优值: 5.03e-06, 平均值: 0.0048006, 标准差: 0.0078485, 秩和检验: 0.0083146
EO:最差值: 1.4438e-06, 最优值: 5.0458e-08, 平均值: 5.0757e-07, 标准差: 4.4779e-07, 秩和检验: 3.0199e-11
HHO:最差值: 2.3567e-05, 最优值: 2.6327e-07, 平均值: 6.5308e-06, 标准差: 6.8143e-06, 秩和检验: 6.0658e-11
GWO:最差值: 0.1211, 最优值: 0.013131, 平均值: 0.042094, 标准差: 0.025659, 秩和检验: 3.3384e-11
WOA:最差值: 0.19991, 最优值: 0.0049453, 平均值: 0.026668, 标准差: 0.034714, 秩和检验: 7.3891e-11
函数:F21
LSMA:最差值: -10.1526, 最优值: -10.1532, 平均值: -10.1531, 标准差: 0.00012938, 秩和检验: 1
SMA:最差值: -10.1522, 最优值: -10.1532, 平均值: -10.1527, 标准差: 0.00032597, 秩和检验: 3.5923e-05
EO:最差值: -2.6829, 最优值: -10.1532, 平均值: -8.8907, 标准差: 2.364, 秩和检验: 0.0018218
HHO:最差值: -5.055, 最优值: -10.1503, 平均值: -5.225, 标准差: 0.93024, 秩和检验: 3.0199e-11
GWO:最差值: -2.6827, 最优值: -10.1528, 平均值: -8.9139, 标准差: 2.5706, 秩和检验: 4.5043e-11
WOA:最差值: -2.6287, 最优值: -10.1524, 平均值: -8.701, 标准差: 2.4614, 秩和检验: 3.0199e-11
函数:F22
LSMA:最差值: -10.402, 最优值: -10.4029, 平均值: -10.4027, 标准差: 0.00022194, 秩和检验: 1
SMA:最差值: -10.4016, 最优值: -10.4029, 平均值: -10.4026, 标准差: 0.00031635, 秩和检验: 0.0083146
EO:最差值: -2.7659, 最优值: -10.4029, 平均值: -8.9944, 标准差: 2.6328, 秩和检验: 0.00038631
HHO:最差值: -2.7659, 最优值: -10.4028, 平均值: -5.1874, 标准差: 1.0723, 秩和检验: 8.9934e-11
GWO:最差值: -5.1281, 最优值: -10.4027, 平均值: -10.2253, 标准差: 0.96272, 秩和检验: 1.4643e-10
WOA:最差值: -2.7628, 最优值: -10.4008, 平均值: -6.493, 标准差: 2.9748, 秩和检验: 3.0199e-11
实验结果表明:LSMA在收敛速度、收敛精度、鲁棒性方面较对比算法均有较大提升。
三、参考文献
[1] Manoj Kumar Naik, Rutuparna Panda, Ajith Abraham. Normalized square difference based multilevel thresholding technique for multispectral images using leader slime mould algorithm[J]. Journal of King Saud University - Computer and Information Sciences, 2020.