多策略融合改进的自适应蜉蝣算法

心️升明月

已于 2022-10-15 16:57:40 修改

阅读量2.5k

点赞数 4

分类专栏：最优化问题 matlab 文章标签： matlab 改进蜉蝣算法

于 2022-10-13 10:38:31 首次发布

本文链接：https://blog.csdn.net/weixin_43821559/article/details/127295293

版权

matlab 同时被 2 个专栏收录

332 篇文章 342 订阅

订阅专栏

最优化问题

304 篇文章 190 订阅

订阅专栏

文章目录

一、理论基础
二、仿真实验与结果分析
三、参考文献

一、理论基础

1、标准蜉蝣算法

请参考这里。

2、多策略融合改进的自适应蜉蝣算法

2.1 Sin混沌映射初始化种群

群体初始化对当前大多数智能优化算法的效率有很大影响，均匀分布的种群可以适度地扩大算法的搜索范围，从而提高收敛速度和求解精度。混沌映射具有随机性、遍历性和规律性特点，常用于优化搜索问题，以保持种群多样性及跳出局部最优解。本文以Sin混沌映射生成初始种群，定义如下： $x_{n+1}=\mu\sin(\pi x_n),\,\,0\leq x_n\leq1\tag{1}$ 其中， $x$ 表示迭代值， $\mu$ 为范围为 $[0, 1]$ 的控制参数。通过Sin混沌映射可以让生成的初始种群较为均匀地充斥整个解空间，提高初始种群质量，利于前期的全局搜索。

2.2 基于Tent混沌映射和高斯变异的种群调节

为了增加种群多样性、提高求解进度，使算法不容易在迭代末期陷入局部最优区域而无法脱出，需要在每个迭代环节末对种群进行调节。设 $f_i$ 为蜉蝣适应度函数值， $f_a$ 为种群适应度函数值的平均值，则按如下方式判断：
1）若 $f_i<f_a$ ，即出现“聚集”现象，进行高斯变异，若新位置适应度函数值低于旧位置则进行位置替换；
2）若 $f_i\geq f_a$ ，即出现“发散”现象，进行Tent混沌映射，按同样原则进行位置替换。

2.2.1 Tent混沌映射

若利用混沌映射初始化种群后再对种群进行调节，使用多种混沌映射能避免多次陷入重复点，导致调节失效。Tent混沌映射定义如下： $x_{n+1}=\begin{dcases}2x_n\quad\,\,\,\,\text{if}\,\,x_n\in[0,0.5]\\[2ex]0.5x_n\quad\text{if}\,\,x_n\in(0.5,1]\end{dcases}\tag{2}$ 其中， $x$ 表示迭代值。Tent混沌映射容易在小循环周期和不动点上出现问题。针对此，在Tent混沌映射基础上引入随机变量，改进后表达式为： $x_{n+1}=\begin{dcases}2x_n+rand(0,1)/N\quad\,\,\,\,\text{if}\,\,x_n\in[0,0.5]\\[2ex]0.5x_n+rand(0,1)/N\quad\text{if}\,\,x_n\in(0.5,1]\end{dcases}\tag{3}$ 其中， $N$ 为混沌序列内粒子个数， $r a n d (0, 1)$ 表示范围为 $[0, 1]$ 的随机数。

2.2.2 高斯变异

高斯分布即正态分布，在自然界中很多随机因素和影响都可以近似地用它来描述，许多概率分布可以用它来近似或导出，在统计学等诸多领域有重大的影响力。高斯变异就是在原有个体的状态上加一个服从高斯分布的随机向量，高斯变异定义如下： $mutation(x)=x\cdot[1+\sigma N(0,1)]\tag{4}$ 其中， $x$ 表示蜉蝣原本的位置， $\sigma N(0,1)$ 表示服从高斯分布的均值为0、方差为1的随机数， $m u t a t i o n (x)$ 为变异后的蜉蝣位置。
由高斯分布特性可知，多数变异算子分布在原始位置周围，局部搜索能力强，能够提高优化算法的寻优精度，有利于跳出局部最优区域。同时，少数算子远离当前位置，提高了种群的多样性，有利于更好地搜索潜在区域，从而加快搜索速度，提高了逃出局部最优解的概率。

2.3 不完全伽马函数的自适应重力系数

重力系数，或称惯性权重，对算法的搜索能力和开发能力具有一定的指导作用，体现出蜉蝣能够借鉴一定先验行为的能力。较大的重力系数具有良好的全局搜索能力；较小的惯性权重具有较好的局部开发能力。文中引入一种非线性递减的自适应重力系数，从而更好地平衡全局搜索和局部开发能力。重力系数 $g (t)$ 的表达式如下： $g(t)=(1-t/T)^{\sqrt[\alpha]{t/T}}\tag{5}$ 其中， $t$ 为当前迭代次数， $T$ 为最大迭代次数， $\alpha$ 为重力系数控制系数。
但考虑到具有确定性数学表达式的重力系数将按照固定规律搜索，很容易陷入局部最优，做不到真正的自适应机制。因此，引入不完全伽玛函数]，重构自适应动态调节的重力系数 $g (t)$ ，其表达式如下： $g'(t)=(1-t/T)^{\sqrt[\alpha]{t/T}}\cdot\Gamma(\lambda,1-t/T)\tag{6}$ 其中， $\Gamma(\lambda,\mu)$ 是不完全的伽玛函数， $\lambda$ 为大于0的随机变量，取0.1。
雄性蜉蝣的速度表达式更新如下： $v_{i,j}^{t+1}=\begin{dcases}g'(t)\cdot v_{i,j}^t+a_1e^{-\beta r_p^2}\left(pbest_{i,j}-x_{i,j}^t\right)+a_2e^{-\beta r_g^2}\left(gbest_j-x_{i,j}\right)\quad\text{if}\,\,f(x_i^t)>f_{\min}\\[2ex]g'(t)\cdot v_{i,j}^t+d\cdot r\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\,\,\,\,\text{if}\,\,\,f(x_i^t)=f_{\min}\end{dcases}\tag{7}$ 若改变后的速度超过范围 $\left[V_{\min},V_{\max}\right]$ ，则限制为边界值。
雌性蜉蝣的速度表达式更新如下： $v_{i,j}^{t+1}=\begin{dcases}g'(t)\cdot v_{i,j}^t+a_3e^{-\beta r_{mf}^2}\left(x_{i,j}^t-y_{i,j}^t\right)\quad\,\,\text{if}\,\,f(y_i^t)>f(x_i^t)\\[2ex]g'(t)\cdot v_{i,j}^t+fl\cdot r\quad\quad\quad\quad\quad\quad\quad\quad\text{if}\,\,f(x_i^t)\leq f(y_i^t)\end{dcases}\tag{8}$ 若改变后的速度超过范围 $\left[V_{\min},V_{\max}\right]$ ，则限制为边界值。

2.4 随机反向学习策略

变异公式如下： $mutation(x)=x_{\min}+x_{\max}-r^*x\tag{9}$ 其中， $x$ 表示蜉蝣原本的位置， $x_{\max}$ 、 $x_{\min}$ 分别表示 $x$ 的上下界， $r$ 为是 $[0, 1]$ 之间的随机数。

2.5 MIMA算法流程图

文中提出的“基于Tent混沌映射和高斯变异的种群调节”和“随机反向学习策略”两种变异策略皆采用贪心算法。简而言之，就是当且仅当变异后蜉蝣个体的适应度函数值减小，才进行此次变异，蜉蝣个体的位置才会因此发生改变。
综合上述引入的四项改进策略，文中提出的MIMA算法流程图如下：
在这里插入图片描述

图1 MIMA算法流程图

二、仿真实验与结果分析

将MIMA与PSO、GWO、SCA和MA进行对比，以文献[1]中表3的F3、F4(单峰函数/30维)、F7、F11(不定维多峰函数/30维)、F12、F13(固定维度函数/2维、4维)为例，实验设置种群规模为40，其中雄性和雌性个体数量均为20，最大迭代次数为500，每种算法独立运算30次，结果显示如下：
在这里插入图片描述

函数：F3
MIMA：最差值: 2.6873e-242, 最优值: 1.2398e-258, 平均值: 8.9576e-244, 标准差: 0, 秩和检验: 1
PSO：最差值: 6.8857, 最优值: 1.3119, 平均值: 3.3744, 标准差: 1.2628, 秩和检验: 3.0199e-11
GWO：最差值: 3.582e-07, 最优值: 1.6782e-08, 平均值: 9.4994e-08, 标准差: 8.195e-08, 秩和检验: 3.0199e-11
SCA：最差值: 54.0801, 最优值: 14.2064, 平均值: 31.7387, 标准差: 10.528, 秩和检验: 3.0199e-11
MA：最差值: 1.9328, 最优值: 0.10163, 平均值: 0.54714, 标准差: 0.35882, 秩和检验: 3.0199e-11
函数：F4
MIMA：最差值: 1.6825e-07, 最优值: 1.6895e-11, 平均值: 2.0681e-08, 标准差: 3.9044e-08, 秩和检验: 1
PSO：最差值: 1.3806, 最优值: 0.52926, 平均值: 0.84919, 标准差: 0.2247, 秩和检验: 3.0199e-11
GWO：最差值: 1.0062, 最优值: 7.5232e-05, 平均值: 0.52388, 标准差: 0.26601, 秩和检验: 3.0199e-11
SCA：最差值: 72.4994, 最优值: 4.5331, 平均值: 12.58, 标准差: 15.8766, 秩和检验: 3.0199e-11
MA：最差值: 5.4194e-07, 最优值: 7.5025e-13, 平均值: 1.9849e-08, 标准差: 9.865e-08, 秩和检验: 0.0090688
函数：F7
MIMA：最差值: -12569.4866, 最优值: -12569.4866, 平均值: -12569.4866, 标准差: 1.0176e-05, 秩和检验: 1
PSO：最差值: -2067.2095, 最优值: -6124.4384, 平均值: -3455.5922, 标准差: 745.6586, 秩和检验: 3.0199e-11
GWO：最差值: -4881.8033, 最优值: -7083.9518, 平均值: -6133.5834, 标准差: 523.4658, 秩和检验: 3.0199e-11
SCA：最差值: -3354.0103, 最优值: -4408.5449, 平均值: -3894.1365, 标准差: 243.3033, 秩和检验: 3.0199e-11
MA：最差值: -6836.3416, 最优值: -9647.4076, 平均值: -8133.7376, 标准差: 623.4033, 秩和检验: 3.0199e-11
函数：F11
MIMA：最差值: 6.2153e-08, 最优值: 1.2727e-12, 平均值: 5.3102e-09, 标准差: 1.2968e-08, 秩和检验: 1
PSO：最差值: 5.9933, 最优值: 0.58619, 平均值: 3.4413, 标准差: 1.3656, 秩和检验: 3.0199e-11
GWO：最差值: 0.083983, 最优值: 0.0060995, 平均值: 0.036141, 标准差: 0.019423, 秩和检验: 3.0199e-11
SCA：最差值: 750546.5172, 最优值: 0.50556, 平均值: 33685.551, 标准差: 138055.6305, 秩和检验: 3.0199e-11
MA：最差值: 1.4552, 最优值: 4.6765e-08, 平均值: 0.20824, 标准差: 0.3305, 秩和检验: 3.3384e-11
函数：F12
MIMA：最差值: 0.998, 最优值: 0.998, 平均值: 0.998, 标准差: 5.8312e-17, 秩和检验: 1
PSO：最差值: 5.9288, 最优值: 0.998, 平均值: 1.7892, 标准差: 1.4973, 秩和检验: 2.3638e-12
GWO：最差值: 12.6705, 最优值: 0.998, 平均值: 3.3172, 标准差: 3.6983, 秩和检验: 2.3638e-12
SCA：最差值: 10.7632, 最优值: 0.998, 平均值: 1.5887, 标准差: 1.8629, 秩和检验: 2.3638e-12
MA：最差值: 2.2038, 最优值: 0.998, 平均值: 1.0402, 标准差: 0.22005, 秩和检验: 0.11193
函数：F13
MIMA：最差值: 0.0012232, 最优值: 0.00030749, 平均值: 0.00050311, 标准差: 0.00037246, 秩和检验: 1
PSO：最差值: 0.020365, 最优值: 0.00052207, 平均值: 0.0028871, 标准差: 0.0058073, 秩和检验: 1.9932e-06
GWO：最差值: 0.020363, 最优值: 0.00030749, 平均值: 0.0050644, 标准差: 0.0085873, 秩和检验: 7.7072e-06
SCA：最差值: 0.001518, 最优值: 0.00049764, 平均值: 0.0010384, 标准差: 0.0003409, 秩和检验: 2.5584e-07
MA：最差值: 0.020363, 最优值: 0.00030749, 平均值: 0.0030245, 标准差: 0.0069211, 秩和检验: 0.041856