群智能优化算法-MEWOA

群智能优化算法-MEWOA

摘要：鲸鱼优化算法(WOA)收敛速度慢，容易陷入局部最优。 针对这些问题，本文提出了一种基于多种群进化(MEWOA)的WOA变体。 首先，根据个体的适应度将个体划分为三个大小相等的子种群：探索子种群、开发子种群和适度子种群。 其次，利用不同的机制分配每个子种群的移动策略。 探索性子种群和开发性子种群分别进行全局搜索和局部搜索，而适度子种群随机搜索或开发搜索空间。 最后，我们引入了一种新的种群进化策略来帮助MEWOA提高全局寻优能力，避免局部最优。

Whale optimization algorithm

座头鲸的捕食行为启发了WOA(Mirjalili&Lewis，2016)。它们的捕食行为包括包围猎物、泡网攻击法和寻找猎物三个阶段。

包围猎物

鲸鱼通过公式(4)更新自己的位置，接近最好的鲸鱼捕捉食物。
$$D=\left|C\cdot X^{\ast }(t)-X(t)\right|\text{\hspace{1em}(1)}$$
$$A=2a\cdot r_a-a\text{\hspace{1em}(2)}$$
$$C=2\cdot r_b\text{\hspace{1em}(3)}$$
$$X(t+1)=X^{\ast }(t)-A\cdot D\text{\hspace{1em}(4)}$$
其中，t为当前迭代次数，X*(t)为最佳鲸鱼的位置向量，X(t)为位置向量需要更新的鲸鱼。A和C是系数向量，其中$r_a$和$r_b$是[0,1]之间的两个随机向量，向量A与迭代次数成正比，从2线性下降到0。

泡网攻击法

WOA的泡网攻击方法如公式(6)。
$$D^{\prime }=\left|X^{\ast }(t)-X(t)\right|\text{\hspace{1em}(5)}$$
X ( t + 1 ) = D ′ ⋅ e b l ⋅ cos ⁡ ( 2 π l ) + X ∗ (