博文
多子群的共生非均匀高斯变异樽海鞘群算法
|
引用本文
陈忠云, 张达敏, 辛梓芸. 多子群的共生非均匀高斯变异樽海鞘群算法. 自动化学报, 2022, 48(5): 1307−1317 doi: 10.16383/j.aas.c190684
Chen Zhong-Yun, Zhang Da-Min, Xin Zi-Yun. Multi-subpopulation based symbiosis and non-uniform gaussian mutation salp swarm algorithm. Acta Automatica Sinica, 2022, 48(5): 1307−1317 doi: 10.16383/j.aas.c190684
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190684?viewType=HTML
文章简介
关键词
樽海鞘群算法, 多子群, 共生策略, 非均匀高斯变异, 函数优化
摘 要
针对樽海鞘群算法求解精度不高和收敛速度慢等缺点, 提出一种多子群的共生非均匀高斯变异樽海鞘群算法(Multi-subpopulation based symbiosis and non-uniform Gaussian mutation salp swarm algorithm, MSNSSA). 根据不同适应度值将樽海鞘链群分为三个子种群, 各个子种群分别进行领导者位置更新、追随者共生策略和链尾者非均匀高斯变异等操作. 使用统计分析、收敛速度分析、Wilcoxon检验、经典基准函数和CEC 2014函数的标准差来评估改进樽海鞘群算法的效率. 结果表明, 改进算法具有更好的寻优精度和收敛速度. 尤其在求解高维和多峰测试函数上, 改进算法拥有更好性能.
引 言
近年,元启发式算法作为一种有效的演化计算技术, 已受到众多学者的重视. 元启发式算法是指受到生物行为和物理现象的启发提出的一类算法, 其核心思想是实现搜索过程中随机性行为和局部搜索的平衡. 常用的元启发式算法包括粒子群算法(Particle swarm optimization, PSO)、正弦余弦算法(Sine cosine algorithm, SCA)、蝴蝶优化算法(Butterfly optimization algorithm, BOA)、飞蛾扑火优化算法(Moth-flame optimization algorithm, MFO)、大红斑蝶优化算法(Monarch butterfly optimization, MBO)、蚯蚓优化算法、大象放牧优化(Elephant herding optimization, EHO)等. 这些算法已成功应用于各种科学领域, 如过程控制、生物医学信号处理、图像处理以及许多其他工程设计问题.
樽海鞘群算法(Salp Swarm algorithm, SSA)是2017年由Mirjalili等提出的一种新型启发式智能算法. 樽海鞘群算法相对于粒子群算法等其他算法, 具有结构简单、参数少、容易实现等优点. 虽然樽海鞘群算法在求解大部分优化问题具有优越性, 但与其他群智能算法一样, 仍然存在求解精度低和收敛速度慢等缺陷. 文献[9]提出固定惯性权重, 可以加快搜索过程中的收敛速度, 并应用于特征选择问题. 文献[10]把樽海鞘群算法和混沌理论结合提出混沌樽海鞘群算法, 在解决特征提取问题时, 能发现最优特征子集, 最大程度地提高分类精度, 最小化所选特征的数目. 文献[11]提出采用子群规模调整, 每个子种群的大小随着进化的过程而逐渐增加, 有利于提高算法在初始阶段的探测能力和后期的开采能力. 文献[12]在算法中加入共享机制, 改进原始算法的随机追踪的位置更新公式, 降低搜索盲目性, 提高收敛速度. 文献[13]提出非均匀变异演化算法, 使个体能够跳出局部最优, 以克服早熟现象. 文献[14]通过高斯变异来增强蝙蝠算法种群的多样性.
为解决标准樽海鞘群算法存在的求解精度不高和收敛速度慢等问题, 本文提出了一种多子群的共生非均匀高斯变异樽海鞘群算法(Multi-subpopulation based symbiosis and non-uniform Gaussian mutation salp swarm algorithm, MSNSSA). 根据适应度值大小, 将种群分为领导者、追随者和链尾者三个子群. 首先对领导者位置更新公式中参数c1进行分析, 以更好平衡探索和开发能力; 然后对追随者位置更新公式采用共生策略, 增加与最优个体的交流, 增强局部开发能力; 最后链尾者更新使用非均匀高斯变异, 增强种群多样性. 通过求解14个典型测试函数和CEC 2014测试函数的最优解, 验证了改进算法MSNSSA的有效性和鲁棒性.
图 1 c_1变化曲线
图 2 基准函数平均收敛曲线
请点击左下角“阅读原文”了解更多！
作者简介
陈忠云
贵州大学大数据与信息工程学院硕士研究生. 主要研究方向为智能优化算法和认知无线网络.
E-mail: chenzhongyun315@hotmail.com
张达敏
贵州大学大数据与信息工程学院教授. 主要研究方向为智能优化算法和认知无线网络. 本文通信作者.
E-mail: dmzhang@gzu.edu.cn
辛梓芸
贵州大学大数据与信息工程学院硕士研究生. 主要研究方向为智能优化算法和认知无线网络.
E-mail: muz_e@sina.cn
相关文章
（请向上滑动阅读）
[1] 季新芳, 张勇, 巩敦卫, 郭一楠, 孙晓燕. 异构集成代理辅助的区间多模态粒子群优化算法. 自动化学报. doi: 10.16383/j.aas.c210223
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210223?viewType=HTML
[2] 邢致恺, 贾鹤鸣, 宋文龙. 基于莱维飞行樽海鞘群优化算法的多阈值图像分割. 自动化学报, 2021, 47(2): 363-377. doi: 10.16383/j.aas.c180140
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180140?viewType=HTML
[3] 龙文, 伍铁斌, 唐明珠, 徐明, 蔡绍洪. 基于透镜成像学习策略的灰狼优化算法. 自动化学报, 2020, 46(10): 2148-2164. doi: 10.16383/j.aas.c180695
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180695?viewType=HTML
[4] 马炫, 李星, 唐荣俊, 刘庆. 一种求解符号回归问题的粒子群优化算法. 自动化学报, 2020, 46(8): 1714-1726. doi: 10.16383/j.aas.c180035
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180035?viewType=HTML
[5] 乔俊飞, 李霏, 杨翠丽. 一种基于均匀分布策略的NSGAII算法. 自动化学报, 2019, 45(7): 1325-1334. doi: 10.16383/j.aas.c180085
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180085?viewType=HTML
[6] 董易, 施心陵, 王霞, 王耀民, 吕丹桔, 张松海, 李孙寸. 斐波那契树优化算法求解多峰函数全局最优解的可达性分析. 自动化学报, 2018, 44(9): 1679-1689. doi: 10.16383/j.aas.2017.c160703
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c160703?viewType=HTML
[7] 吴铁洲, 王越洋, 许玉姗, 郭林鑫, 石肖, 何淑婷. 基于PMP算法的HEV能量优化控制策略. 自动化学报, 2018, 44(11): 2092-2102. doi: 10.16383/j.aas.2017.c170176
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2017.c170176?viewType=HTML
[8] 吕柏权, 张静静, 李占培, 刘廷章. 基于变换函数与填充函数的模糊粒子群优化算法. 自动化学报, 2018, 44(1): 74-86. doi: 10.16383/j.aas.2018.c160547
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c160547?viewType=HTML
[9] 王东风, 孟丽. 粒子群优化算法的性能分析和参数选择. 自动化学报, 2016, 42(10): 1552-1561. doi: 10.16383/j.aas.2016.c150774
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150774?viewType=HTML
[10] 周晓君, 阳春华, 桂卫华, 董天雪. 带可变随机函数和变异算子的粒子群优化算法. 自动化学报, 2014, 40(7): 1339-1347. doi: 10.3724/SP.J.1004.2014.01339
http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2014.01339?viewType=HTML
[11] 于坤杰, 王昕, 王振雷. 基于反馈的精英教学优化算法. 自动化学报, 2014, 40(9): 1976-1983. doi: 10.3724/SP.J.1004.2014.01976
http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2014.01976?viewType=HTML
[12] 潘峰, 周倩, 李位星, 高琪. 标准粒子群优化算法的马尔科夫链分析. 自动化学报, 2013, 39(4): 381-389. doi: 10.3724/SP.J.1004.2013.00381
http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.00381?viewType=HTML
[13] 郝志凯, 王硕, 谭民. 基于优化策略的混合定位算法. 自动化学报, 2010, 36(5): 711-719. doi: 10.3724/SP.J.1004.2010.00711
http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.00711?viewType=HTML
[14] 潘峰, 陈杰, 辛斌, 张娟. 粒子群优化方法若干特性分析. 自动化学报, 2009, 35(7): 1010-1016. doi: 10.3724/SP.J.1004.2009.01010
http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2009.01010?viewType=HTML
[15] 黄肖玲, 柴天佑. 粒子群优化算法在大型选矿企业原料采购计划中的应用. 自动化学报, 2009, 35(5): 632-636. doi: 10.3724/SP.J.1004.2009.00632
http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2009.00632?viewType=HTML
[16] 吕强, 刘士荣, 邱雪娜. 基于信息素机制的粒子群优化算法的设计与实现. 自动化学报, 2009, 35(11): 1410-1419. doi: 10.3724/SP.J.1004.2009.01410
http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2009.01410?viewType=HTML
[17] 钟一文, 蔡荣英. 求解二次分配问题的离散粒子群优化算法. 自动化学报, 2007, 33(8): 871-874. doi: 10.1360/aas-007-0871
http://www.aas.net.cn/cn/article/doi/10.1360/aas-007-0871?viewType=HTML
[18] 潘峰, 陈杰, 甘明刚, 蔡涛, 涂序彦. 粒子群优化算法模型分析. 自动化学报, 2006, 32(3): 368-377.
http://www.aas.net.cn/cn/article/id/15822?viewType=HTML
[19] 唐昊, 奚宏生, 殷保群. CTMDP基于随机平稳策略的仿真优化算法. 自动化学报, 2004, 30(2): 229-234.
http://www.aas.net.cn/cn/article/id/16186?viewType=HTML
[20] 李敏强, 寇纪淞. 多模态函数优化的协同多群体遗传算法. 自动化学报, 2002, 28(4): 497-504.
http://www.aas.net.cn/cn/article/id/15562?viewType=HTML
https://blog.sciencenet.cn/blog-3291369-1337750.html
上一篇：深海起重机系统的实时轨迹规划方法
下一篇：基于卦限卷积神经网络的3D点云分析
