基于自适应反向学习的黏菌算法

一、理论基础

1、黏菌算法

请参考这里。

2、自适应反向学习黏菌算法

（1）反向学习

反向学习(Opposition-based learning, OBL)在搜索空间中使用了一个向量$X{o}_i$，该向量与每个粘菌($i=1,2,\cdots ,n$)的位置$X{n}_i$正好相反，并进行比较以更新下一次迭代的位置。这一步可提高避免陷入局部最优的机会，从而提高收敛性。因此，第$i$个黏菌第$j$维的$X{o}_i$为：$$X{o}_i^j(t)=\min (X{n}_i(t))+\max (X{n}_i(t))-X{n}_i^j(t)\text{\hspace{1em}(1)}$$其中，$i=1,2,\cdots ,n$，$j=1,2,\cdots ,d$。
将$X{s}_i$表示为第$i$个黏菌位置，该位置用于最小化问题，如下所示：$$X{s}_i(t)=\{\begin{array}{l}X{o}_i(t)\text{if}f(X{o}_i(t))<f(X{n}_i(t))\\ X{n}_i(t)\text{if}f(X{o}_i(t))\ge f(X{n}_i(t))\end{array}\text{\hspace{1em}(2)}$$

（2）自适应决策策略

当黏菌沿着死亡的营养路径前进时，将根据当前适应值$f(X{n}_i(t))$和旧适应值$f(X_i(t))$做出自适应决策。自适应决策有助于在需要时通过OBL补充额外的探索。最后，使用AOSMA的自适应决策策略更新下一次迭代的位置，其数学模型如下：$$X_i(t+1)=\{\begin{array}{l}X{n}_i(t)\text{if}f(X{n}_i(t))\le f(X_i(t))\\ X{s}_i(t)\text{if}f(X{n}_i(t))>f(X_i(t))\end{array}\text{\hspace{1em}(3)}$$

（3）AOSMA算法伪代码

AOSMA算法伪代码如图1所示。

图1 AOSMA算法伪代码

二、仿真实验与结果分析

将AOSMA与SMA、EO、HHO、SSA和WOA进行对比，实验设置种群规模为30，最大迭代次数为500，函数维度为30，每个算法独立运行30次，以文献[1]中F1、F10、F11、F15、CEC14-F24、CEC14-F27为例，结果显示如下：

函数：F1
AOSMA：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: 2.5777e-259, 最优值: 0, 平均值: 8.5923e-261, 标准差: 0, 秩和检验: 0.1608
EO：最差值: 1.9826e-39, 最优值: 1.78e-44, 平均值: 9.4141e-41, 标准差: 3.6115e-40, 秩和检验: 1.2118e-12
HHO：最差值: 6.6372e-96, 最优值: 6.6047e-111, 平均值: 4.0498e-97, 标准差: 1.3836e-96, 秩和检验: 1.2118e-12
SSA：最差值: 2.9221e-06, 最优值: 2.5514e-08, 平均值: 2.9016e-07, 标准差: 6.8012e-07, 秩和检验: 1.2118e-12
WOA：最差值: 7.1835e-72, 最优值: 2.1365e-87, 平均值: 2.5491e-73, 标准差: 1.3108e-72, 秩和检验: 1.2118e-12
函数：F10
AOSMA：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
SMA：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
EO：最差值: 1.5099e-14, 最优值: 7.9936e-15, 平均值: 8.4673e-15, 标准差: 1.5425e-15, 秩和检验: 6.1337e-14
HHO：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
SSA：最差值: 4.2979, 最优值: 0.10076, 平均值: 2.5012, 标准差: 0.88972, 秩和检验: 1.2118e-12
WOA：最差值: 7.9936e-15, 最优值: 8.8818e-16, 平均值: 4.9146e-15, 标准差: 2.234e-15, 秩和检验: 8.966e-11
函数：F11
AOSMA：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
SSA：最差值: 0.035528, 最优值: 0.00015927, 平均值: 0.011885, 标准差: 0.0102, 秩和检验: 1.2118e-12
WOA：最差值: 0.22726, 最优值: 0, 平均值: 0.01542, 标准差: 0.054324, 秩和检验: 0.081523
函数：F15
AOSMA：最差值: 0.0005019, 最优值: 0.00030807, 平均值: 0.00039631, 标准差: 6.4434e-05, 秩和检验: 1
SMA：最差值: 0.0012233, 最优值: 0.00031025, 平均值: 0.00050936, 标准差: 0.00020961, 秩和检验: 0.074827
EO：最差值: 0.020363, 最优值: 0.00030749, 平均值: 0.0017329, 标准差: 0.0050721, 秩和检验: 0.0015966
HHO：最差值: 0.00032371, 最优值: 0.00030752, 平均值: 0.00031077, 标准差: 4.3397e-06, 秩和检验: 7.1186e-09
SSA：最差值: 0.0015181, 最优值: 0.00049345, 平均值: 0.00092156, 标准差: 0.00026949, 秩和检验: 3.3384e-11
WOA：最差值: 0.0020576, 最优值: 0.0003081, 平均值: 0.00065769, 标准差: 0.00039688, 秩和检验: 0.0010035
函数：CEC14-F24
AOSMA：最差值: 2600, 最优值: 2600, 平均值: 2600, 标准差: 0, 秩和检验: NaN
SMA：最差值: 2600, 最优值: 2600, 平均值: 2600, 标准差: 0, 秩和检验: NaN
EO：最差值: 2600.0644, 最优值: 2600.0067, 平均值: 2600.0218, 标准差: 0.012102, 秩和检验: 1.2118e-12
HHO：最差值: 2600.004, 最优值: 2600, 平均值: 2600.0003, 标准差: 0.00089869, 秩和检验: 3.4526e-07
SSA：最差值: 2665.3212, 最优值: 2630.832, 平均值: 2645.1486, 标准差: 8.0232, 秩和检验: 1.2118e-12
WOA：最差值: 2630.6305, 最优值: 2602.4225, 平均值: 2609.6181, 标准差: 7.1977, 秩和检验: 1.2118e-12
函数：CEC14-F27
AOSMA：最差值: 2900, 最优值: 2900, 平均值: 2900, 标准差: 0, 秩和检验: NaN
SMA：最差值: 2900, 最优值: 2900, 平均值: 2900, 标准差: 0, 秩和检验: NaN
EO：最差值: 3479.0808, 最优值: 3121.2413, 平均值: 3296.8543, 标准差: 77.2282, 秩和检验: 1.2118e-12
HHO：最差值: 2900, 最优值: 2900, 平均值: 2900, 标准差: 0, 秩和检验: NaN
SSA：最差值: 3969.2372, 最优值: 3112.0542, 平均值: 3617.3727, 标准差: 220.4189, 秩和检验: 1.2118e-12
WOA：最差值: 4283.9885, 最优值: 3256.6892, 平均值: 3993.8558, 标准差: 248.1743, 秩和检验: 1.2118e-12

实验结果表明：AOSMA的性能优于其他优化算法。

三、参考文献

[1] Naik, M.K., Panda, R., Abraham, A. Adaptive opposition slime mould algorithm[J]. Soft Computing, 2021, 25: 14297-14313.