麻雀搜索算法（Python）

最新推荐文章于 2024-04-28 09:19:14 发布

水文康

最新推荐文章于 2024-04-28 09:19:14 发布

阅读量1.2k

点赞数 6

文章标签： python 开发语言数据分析数学建模

本文链接：https://blog.csdn.net/weixin_51956867/article/details/136518447

版权

麻雀搜索算法是中国学者Jiankai Xue和Bo Shen受到麻雀的觅食行为和反捕食行为的启发，提出一种最新的群体优化算法。
麻雀是一种聪明的群居生物，具有良好的记忆力，所以麻雀种群在觅食过程中具有一些生物学特性:麻雀种群通常分为两种类型分别是发现者，也称探索者，和加入者，也被称为追随者。发现者寻找食物来源的搜索空间更大，而加入者则根据生产者寻找食物。麻雀具有较强的抗捕食能力，在觅食过程中，部分麻雀被选择作为侦察者以躲避捕食者。发现者和加入者可以动态转化，以获得更好的食物来源。加入者总能找到生产商提供的更好的食物来源，有些加入者甚至监视发现者以获得更多的食物。

麻雀的位置用下列矩阵表示为:
在这里插入图片描述其中，n表示麻雀数量，d表示待优化变量的维数。

所有麻雀的适应度值表示为：
在这里插入图片描述

其中，矩阵的每一行的值表示个体的适应度值。在搜索过程中，先得到食物的是有着较好适应度值发现者，发现者的搜索范围是最大的，因为需要给整个种群寻找食物。发现者的位置更新方法：
在这里插入图片描述其中t是当前迭代次数，j=1,2,3,…,d，Xti,j代表的是在迭代t次时，第i行第j维的值，Itermax表示最大迭代次数，Q表示的是服从正态分布的随机数，L为一个1×d的矩阵，其中每个元素都是1。R2和ST分别表示报警值和安全阈值。当R2<ST时，发现者能够在没有捕食者的情况下继续广泛搜索，当R2≥ST时，意味着麻雀已经被捕食者发现，所有麻雀应该迅速飞到其他安全区域。一些加入者会在整个觅食过程中会盯紧发现者，如果发现者找到了更好的
食物，加入者会立即去争夺食物，加入者的位置更新公式为：
在这里插入图片描述其中，Xp代表当前发现者的最佳位置，Xworst代表麻雀最坏的位置，A表示一个1× d的矩阵，其每个元素值随机被赋值为1或−1,A+=AT(AAT)-1

当i>n/2时表示侦查者没有得到食物，需要飞到其他地方以获得更高的能量。为了注意危险环境，随机选择10% - 20%的麻雀作为侦察麻雀，并根据下式更新侦察麻雀的位置。
在这里插入图片描述
其中，Xbest是种群当前的最优位置，β是随机数，服从正态分布，均值为0，方差为1。K是控制因子，它是一个随机数，当前麻雀的适应度值由fi所表示，fg和fw分别表示当前全局最优适应度值以及当前全局最差适应度值，
ε是常数，值为很小，防止分母为0。当fi≠fg时，此时的麻雀正位于种群的边缘，在那里更容易遇到捕食者；当fi=fg时，表示麻雀位于种群的中心，需要接近其他麻雀以防止捕食。

代码如下：

# -*- coding: utf-8 -*-
""" 
@Time    : 2022/10/20 22:39
@Author  : Xu Yong Kang 
"""
def SSA(pop,dim,lb,ub,Maxiter,fun):
    '''Sparrow Search Algorithm'''
    '''
    Input:
    pop:种群数量
    dim:每个个体的维度
    ub:上边界
    lb:下边界
    fun:适应度函数
    Maxiter:最大迭代次数
    
    Output:
    Bestscore:最优解对应的适应度值
    Bestposition:最优解
    Itercurve:迭代曲线
    '''
    ST=0.8     #安全阈值
    PD=0.2     #探索者比例
    SD=0.1     #意识到危险的麻雀数量占总数比例
    PDnumber=int(pop*PD)            #探索者数量
    SDNumber=int(pop*SD)            #意识到有危险的麻雀数量
    X=initialization(pop,ub,lb,dim)  #种群初始化
    fitness=CaculateFitness(X,fun)    #适应度值计算
    fitness,sortIndex=SortFitness(fitness)
    X=SortPosition(X,sortIndex)
    Bestscore=copy.copy(fitness[0])
    Bestposition=np.zeros([1,dim])
    Bestposition[0,:]=copy.copy(X[0,:])
    Itercurve=np.zeros([Maxiter])
    for t in range(Maxiter):
        print("迭代次数："+str(t))
        bestfit=copy.copy(fitness[0])
        worstX=copy.copy(X[-1,:])
        bestX=copy.copy(X[0,:])

        pass
        #探索者位置更新
        R2=np.random.random()     #产生随机报警值
        alpha=np.random.random()  #产生随机数alpha
        Q=np.random.randn()
        L=np.ones([1,dim])
        for i in range(PDnumber):
            if R2<ST:
                X[i,:]=X[i,:]*np.exp(-1/(alpha*Maxiter))
            else:
                X[i,:]=X[i,:]+Q*L

        pass

        X=BorderCheck(X,ub, lb, pop, dim)
        fitness=CaculateFitness(X,fun)

        best1=np.argmin(fitness)
        bestX=copy.copy(X[best1,:])
        #加入者位置更新
        for j in range(PDnumber,pop):
            if j>pop/2:
                X[j,:]=Q*np.exp((worstX-X[j,:])/j**2)
            else:
                  #A=np.ones([1,dim])
                  A=np.ones([dim,1])
                  for k in range(dim):
                      if np.random.random()>0.5:
                          A[k]=-1
                # k=[k for k in range(dim) if np.random.random()>0.5]
                # A[k]=-1

            AA=np.dot(A,np.linalg.inv(np.dot(A.T,A)))
            X[j,:]=X[0,:]+np.abs(X[j,:]-Bestposition)*L*AA.T

            pass
        X = BorderCheck(X, ub, lb, pop, dim)
        fitness = CaculateFitness(X, fun)
        pass
        #感知到危险的麻雀位置更新
        Randpop=random.sample(range(pop),pop)     #产生随机种群
        SDchoosepop=Randpop[0:SDNumber]            #产生意识到危险的种群
        beta=np.random.randn()
        K=2*np.random.random()-1   #产生控制因子K
        for y in range(SDNumber):
            if fitness[SDchoosepop[y]]>bestfit:
                X[SDchoosepop[y],:]=bestX+beta*np.abs(X[SDchoosepop[y],:]-bestfit)

            elif fitness[SDchoosepop[y]]==bestfit:
                X[SDchoosepop[y],:]=X[SDchoosepop[y],:]+K*(np.abs(X[SDchoosepop[y],:]-X[-1,:])/(fitness[SDchoosepop[y]]-fitness[-1]
                                                                                                +10e-9))

测试函数仍然为：

def F(X):
    n=X.shape[0]
    F=-20*np.exp(-0.2*np.sqrt(np.sum(X**2)/n))-np.exp(np.sum(np.cos(2*np.pi*X))/n)+20+np.exp(1)
    return F

在这里插入图片描述
结果：

The best optional value: [0.0850355]
The bset solution: [[-0.00282788 -0.00146369  0.01408579 -0.00973133 -0.00969662 -0.0088424
  -0.00358105 -0.0017604  -0.00982527 -0.02395902 -0.02844884 -0.02027057
  -0.03025529 -0.04562353  0.01922214 -0.0099868  -0.0269303   0.00876854
  -0.00822057 -0.00665446  0.00968401  0.00882307 -0.00867802  0.00393968
   0.0112454  -0.00879882 -0.01709775 -0.03064086 -0.01997446  0.01088274]]