一种基于金鹰优化和灰狼优化的混合算法

一、理论基础

1、金鹰优化算法

请参考这里

2、灰狼优化算法

请参考这里

3、提出的混合算法

首先介绍了个体示例学习GEO(PELGEO)。其次,介绍了具有差分变异的简化GWO(DMSGWO)。最后,使用自适应交叉机制将两种算法进行杂交。

3.1 个体示例学习GEO(PELGEO)

请参考这里

3.2 差分变异的简化GWO(DMSGWO)

3.2.1 差分变异策略

GWO具有强大的开发能力。然而,它的全局搜索能力可以提高。为了提高GWO的全局搜索能力,受DE启发,将DE中的差分变异策略引入到GWO中。变异操作是通过选择群体中两个个体的加权差来执行的。这种变异操作可以增加种群多样性,并大大提高GWO的探索能力。差分变异策略的更新公式如下: X i t + 1 = X i t + F ∗ ( X k t − X i t ) (1) X_i^{t+1}=X_i^t+F*(X_k^t-X_i^t)\tag{1} Xit+1=Xit+F(XktXit)(1) k = c e i l ( p o p s i z e ∗ r a n d ) (2) k=ceil(popsize*rand)\tag{2} k=ceil(popsizerand)(2) F = 1 − Q ∗ ( t T ) (3) F=1-Q*\left(\frac tT\right)\tag{3} F=1Q(Tt)(3)其中, F F F是差分变异因子,其值随着迭代次数的增加而线性减小; Q Q Q是控制算子。早期较大的 F F F值有利于算法跳出局部最优,增强算法的全局搜索能力;后期较小的 F F F值有利于算法的局部搜索。 k k k是从种群中随机选择的个体指数, p o p s i z e popsize popsize是种群规模。

3.2.2 简化策略

在GWO中, C C C值在算法的探索和开发中起着至关重要的作用,但在算法更新迭代过程中,需要用 C C C值计算解的每个维度。这些操作需要一定量的计算,手动设置 C C C值也需要一定的时间。因此, C C C值将导致时间复杂度的增加和算法的可操作性差。为了解决这个问题,提出了一种简化的策略来改进GWO。公式如下: x 1 = x α t − A 1 ⋅ ∣ x α t − x t ∣ (4) x_1=x_\alpha^t-A_1\cdot\left|x_\alpha^t-x^t\right|\tag{4} x1=xαtA1 xαtxt (4) x 2 = x β t − A 2 ⋅ ∣ x β t − x t ∣ (5) x_2=x_\beta^t-A_2\cdot\left|x_\beta^t-x^t\right|\tag{5} x2=xβtA2 xβtxt (5) x 3 = x δ t − A 3 ⋅ ∣ x δ t − x t ∣ (6) x_3=x_\delta^t-A_3\cdot\left|x_\delta^t-x^t\right|\tag{6} x3=xδtA3 xδtxt (6) x t + 1 = ( x 1 + x 2 + x 3 ) 3 (7) x^{t+1}=\frac{(x_1+x_2+x_3)}{3}\tag{7} xt+1=3(x1+x2+x3)(7)由于去除了 C C C值,这在一定程度上导致了算法搜索能力的恶化。然而,该操作降低了一定的时间复杂度,并提高了算法的可操作性。简化GWO和PELGEO的混合可以有效地解决由于去除 C C C导致的搜索能力降低的问题。

3.2.3 混合差异变异策略和简化策略

GWO具有强大的开发能力。为了在探索和开发之间实现有效平衡,引入正弦平衡因子 T r T_r Tr来控制DMSGWO的更新。当随机数 r 3 > T r r_3>T_r r3>Tr时,算法由式(7)更新,否则,算法由式(1)更新。平衡因子 T r T_r Tr的表达式如下: T r = 1 2 ∗ ( sin ⁡ ( 2 π ∗ 1 4 ∗ t + π ) ∗ t T + 1 ) (8) T_r=\frac12*\left(\sin\left(2\pi*\frac14*t+\pi\right)*\frac tT+1\right)\tag{8} Tr=21(sin(2π41t+π)Tt+1)(8)差分变异策略不仅提高了GWO的全局搜索能力,而且增强了种群多样性,有利于算法跳出局部最优。简化策略降低了GWO在更新过程中的时间复杂度,提高了算法的可操作性。 T r T_r Tr用于平衡这两种策略。在迭代的早期阶段, T r T_r Tr略有波动,两种策略的执行概率相似。因此, T r T_r Tr使种群多样性更高。在迭代的后期, T r T_r Tr波动很大。较大的 T r T_r Tr使算法通过差分变异策略更新。较小的 T r T_r Tr使算法通过简化策略进行更新。平衡因子 T r T_r Tr用于控制这两种策略的使用,这有利于平衡算法的探索和开发。图1展示了平衡因子 T r T_r Tr的变化曲线。
在这里插入图片描述

图1 平衡因子 T r T_r Tr的变化曲线

3.3 自适应混合策略

将PELGEO和DMSGWO进行了混合,以充分发挥其算法的优势,并提出了一种自适应混合策略。对于群体中的第一个搜索代理,其示例只能是其本身,没有其他的例子可以学习,PELGEO对搜索代理的优化效果不如DMSGWO显著。因此,第一个个体用DMSGWO更新。如果个体在 k k k次迭代后获得的当前解不比前 k k k次迭代生成的全局最佳解差,则执行DMSGWO,否则执行PELGEO。根据搜索代理的质量,自适应地交替执行这两种算法。这种更新方法可以使搜索代理跳出局部最优,更好地平衡探索阶段和开发阶段。图2展示了HEOGWO的伪代码。
在这里插入图片描述

图2 HGEOGWO算法伪代码

二、仿真实验与结果分析

将HGEOGWO与GEO、MFO、WOA和GWO进行对比,以CEC2013测试函数中的F3、F4(单峰函数/50维)、F14、F15(基本多峰函数/50维)、F23、F24(组合函数/50维)为例,实验设置种群规模为100,最大迭代次数为1000,每种算法独立运算1次,结果显示如下:
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

函数:F3
HGEOGWO:最优值: 731349770.0029
GEO:最优值: 962449810.216
MFO:最优值: 55762342377.9971
WOA:最优值: 61102565429.7079
GWO:最优值: 19873621259.3144
函数:F4
HGEOGWO:最优值: 30654.0696
GEO:最优值: 50609.3424
MFO:最优值: 203104.5936
WOA:最优值: 56303.2594
GWO:最优值: 53661.7941
函数:F14
HGEOGWO:最优值: 5817.5033
GEO:最优值: 8317.212
MFO:最优值: 7980.8913
WOA:最优值: 8104.5424
GWO:最优值: 5337.6434
函数:F15
HGEOGWO:最优值: 6921.2354
GEO:最优值: 13786.923
MFO:最优值: 9096.3567
WOA:最优值: 11961.4701
GWO:最优值: 7301.5594
函数:F23
HGEOGWO:最优值: 7115.6472
GEO:最优值: 10523.2567
MFO:最优值: 12285.3648
WOA:最优值: 11527.8449
GWO:最优值: 8536.171
函数:F24
HGEOGWO:最优值: 1294.2482
GEO:最优值: 1283.5325
MFO:最优值: 1369.3116
WOA:最优值: 1421.0253
GWO:最优值: 1308.6954

实验结果表明:对于大多数基准函数,该算法在收敛速度和精度上优于其他算法。

三、参考文献

[1] Ji-Xiang Lv, Li-Jun Yan, Shu-Chuan Chu, et al. A new hybrid algorithm based on golden eagle optimizer and grey wolf optimizer for 3D path planning of multiple UAVs in power inspection[J]. Neural Computing and Applications, 2022, 34: 11911-11936.

  • 4
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心️升明月

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值