基于自适应t分布与随机游走的麻雀搜索算法_聂方鑫.pdf
《基于自适应t分布与随机游走的麻雀搜索算法_聂方鑫.pdf》由会员分享,可在线阅读,更多相关《基于自适应t分布与随机游走的麻雀搜索算法_聂方鑫.pdf(6页珍藏版)》请在咨信网上搜索。
1、2023 年第 36 卷第 7 期Electronic Sci.Tech./Jul.15,2023https:/收稿日期:2022-03-17基金项目:国家自然科学基金(61703270)National Natural Science Foundation of China(61703270)作者简介:聂方鑫(1996 ),男,硕士研究生。研究方向:进化计算。王宇嘉(1979 ),女,博士,副教授。研究方向:群智能算法、进化计算。基于自适应t分布与随机游走的麻雀搜索算法聂方鑫,王宇嘉(上海工程技术大学 电子电气工程学院,上海 201620)摘要针对麻雀搜索算法在解决复杂问题时存在的收敛精度降
2、低以及陷入局部最优等问题,文中提出了一种基于自适应 t 分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应 t 分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。关键词麻雀搜索算法;自适应 t 分布;反向学习策略;随机游走策略;函数优化;局部最优;全局最优;优化算法中图分类号TP301 6文献标识码A文章编号1007 7820(2023)07 075 06doi:10.16180/ki.issn1007 782
3、0.2023.07.011Sparrow Search Algorithm Based on Adaptive t Distribution andandom WalkNIE Fangxin,WANG Yujia(School of Electronic and Electrical Engineering,Shanghai University of Engineering Science,Shanghai 201620,China)AbstractIn view of the problems of low convergence accuracy and falling into loc
4、al optimum when solvingcomplex problems,a sparrow search algorithm based on adaptive t distribution and random walk is proposed in thisstudy In the initialization process,the algorithm uses reverse learning to generate reverse solutions from which excel-lent individuals are selected to form the init
5、ial population In the original sparrow search algorithm,the adaptive t distribution strategy and Gaussian random walk strategy are used to improve the optimization ability of the sparrow in-dividuals,and can prevent the algorithm from premature The simulation results show that the proposed algorithm
6、 im-proves the convergence accuracy and convergence speed when compared with the comparison algorithmKeywordssparrow search algorithm;adaptive t distribution;opposition based learning strategy;randomwalk strategy;function optimization;local optimum;global optimum;optimistic algorithm麻雀搜索算法(Sparrow S
7、earch Algorithm,SSA)1 属于群智能优化算法。SSA 因具有寻优能力强、收敛速度快等优点,被广泛应用于各个领域2 4。但 SSA与粒子群优化算法5 和萤火虫算法6 存在相同的问题,其在勘探能力上存在不足,并且有陷入局部最优的趋势。为了解决上述的 SSA 问题,文献 7提出了一种多策略 SSA。该算法采用均匀 多样化定向策略帮助初始种群提高多样性和随机性,然后在危险感知转移策略中避免算法进入停滞状态,并在动态演化策略中引入三角形相似理论来提高算法的搜索能力。文献 8 提出一种混沌 SSA,该算法利用混沌映射初始化过程中个体的位置,使个体更接近最优点。此外,该算法使用两个自适应超
8、参数来更新发现者的位置和警戒者的数量,并采用变异算子提高种群的多样性,有效提高了 SSA 的寻优能力。文献 9提出了一种自适应SSA,该算法分别在发现者、加入者和警戒者位置更新时引入一个自适应学习因子,从而提高麻雀个体的开采能力。文献 10 提出了一种改进的 SSA,该算法中的个体根据自身位置采用不同的更新策略来加快算法收敛速度。为了防止陷入停滞,该算法还引入了聚集度来提高种群的多样性。文献 11提出了一种基于逐维高斯变异的混沌 SSA,该算法为了解决初始化过程中个体随机分布的问题,采用 Singer 混沌映射使种群均匀分布,并采用一种新颖的翻筋斗觅食策略12 来帮助麻雀个体跳出局部最优,最后
9、采用高斯变异来提高算法的勘探能力。虽然现有的改进 SSA 提高了优化性能,但这些算57Electronic Science and Technology聂方鑫,等:基于自适应 t 分布与随机游走的麻雀搜索算法https:/法仍然存在局限性和不确定性,容易陷入局部最优,无法获得更好的收敛精度,影响了原 SSA 的优化性能。因此,为了提高 SSA 的综合优化性能并解决 SSA 的这些缺点,本文提出了一种基于自适应 t 分布与随机游走的麻雀搜索算法(Sparrow Search Algorithm Based onAdaptive t Distribution and andom Walk,ASSA
10、),采用 3 种策略改进并提高了原 SSA 的性能。1麻雀搜索算法在 SSA 中有 3 种不同类型的麻雀,每个麻雀都对应于所求解问题的一个解13。第 1 种麻雀被称为发现者,它在种群中处于领导地位,负责为整个种群中的其它个体提供搜索方向,从而获得食物,其适应度值在种群中处于领先位置。第 2 种麻雀被称为加入者,它会通过跟随发现者来获得食物,以提高自身适应度值。第 3 种麻雀被称为警戒者,负责观察周围的同伴和危险的捕食者,从而提高捕食成功的概率和风险防范能力。发现者和警戒者之间可以转换,但是在种群中的比例不变。由 n 只麻雀所构成的种群及其空间位置由式(1)所示X=x1,1x1,2x1,dx2,
11、1x2,2x2,dxn,1xn,2xn,d(1)式中,d 是决策变量的维数;n 是麻雀个体的数量。在模型中,发现者的位置更新如式(2)所示XT+1i,j=XTi,j exp i iter()max,2 STXTi,j+Q L,2ST(2)式中,XTi,j表示在第 T 次迭代中,第 i 个麻雀在第 j 维的位置;rand(0,1;itermax是最大迭代次数;2rand 0,1表示预警值;ST rand 0 5,1表示安全值;2 ST 表示周围没有发现危险,发现者可以在搜索空间中寻找食物;2 ST 表示有麻雀意识到了危险,需要所有麻雀立即飞往其它安全位置捕食;Q 是服从标准正态分布的随机数;L是
12、1 d的矩阵,每个元素都为 1。加入者的位置更新如式(3)所示XT+1i,j=Q expXworst XTi,ji()2,i n/2XT+1p+XTi,j XT+1p A+L,otherwise(3)式中,Xp是发现者历史最优位置;Xworst是当前种群最差位置;A 是 1 d 的矩阵,每个元素随机赋值为 1 或 1,其中A+=AT(AAT)1。当i n/2 时,此时加入者的适应度值排名靠后,表明该麻雀获取的食物不够,需要到其它地方获得食物来补充能量;否则就在发现者所处位置的附近获取食物。在觅食活动中,假设意识到危险的这些麻雀,即警戒者,占整个种群的 10%20%。当它们意识到任何不确定的危险
13、时,会为了安全立即靠近其他麻雀或进行其他反捕食行为。其位置更新如式(4)所示XT+1i,j=XTbest+XTi,j XTbest,fi fgXTi,j+K XTi,j XTworstfi f()w+(),fi=fg(4)式中,Xbest表示全局最优位置;是服从标准正态分布的随机数,表示步长控制参数;K rand 1,1;fi是麻雀的适应度值;fg是全局最优适应度值;fw是全局最劣适应度值;K 是当前麻雀移动方向的参数;是起调节的参数,可以避免分母为0。当fi fg时,表示警戒者处于种群的边缘,此时易被天敌捕食;当 fi=fg时,表示警戒者处于种群中心,必须接近其它麻雀来降低被捕获的危险。2自
14、适应t分布与随机游走的麻雀搜索算法2 1精英初始化策略反向学习策略14 可以有效增加种群的多样性,并证明反向解有 50%的可能性比当前解更接近于全局最优点。假设在 d 维搜索空间中,个体是 Xi=(x1,x2,x3,xd),其反向解为 X*i=(x*1,x*2,x*3,x*d),数学表征如式(5)所示x*i=r(a+b)xi(5)式中,r 是0 1 之间的随机数;a 和 b 是 xi的上界和下界。在初始化种群的过程中,当前种群中的所有个体可以通过反向学习先得到一个反向种群,然后再在当前种群和反向种群中选取适应度值排名靠前的个体构建初始化种群。此时不但可以提高解的质量,还增加了种群中个体的探索性
15、,同时也能够有效地防止算法早熟。2 2自适应t分布策略高斯分布(Gaussian Distribution,GD)和柯西分布(Cauchy Distribution,CD)都已经被证明可以有效地提升算法的优化能力,其中 GD 可以增强个体在最优点附近的搜索能力,加快算法的收敛速度,CD 可以增强个体在解空间中的搜索能力,增加种群的多样性。t 分布同时具有 GD 和 CD 这两者的优点15。自由度参数67聂方鑫,等:基于自适应 t 分布与随机游走的麻雀搜索算法Electronic Science and Technologyhttps:/为 m 的 t 分布概率密度函数如式(6)所示。pt(x)
16、=m+1()2mm()21+x2()mm+12,x +(6)本文把 t 分布的自由度参数设置为 T。在算法迭代开始时,t 分布和 GD 比较相似,随着 T 增加,t 也会增加,t分布逐渐由CD慢慢转变为GD。基于上述分析,由于发现者在种群中处于领导位置,因此采用自适应t分布改进发现者的位置更新计算式,可以帮助发现者更快地搜索到最优点,如式(7)所示。Xt+1i,j=Xti,j(1+t(T),2 STXti,j+t(T)L,2ST(7)式中,=1 i/itermax。在迭代初期,t分布与CD相似,发现者在搜索空间中具有较强的勘探能力。在迭代中期,t 分布在 CD 和GD 之间,可以使算法的收敛性
17、和种群多样性在迭代过程中保持平衡。在迭代后期,t 分布和 GD 类似,此时发现者可以在最优点附近进行搜索,具有良好的局部开采能力,可以使算法快速收敛到最优点。2 3高斯随机游走策略当种群中最优的个体在迭代过程中不能搜索到更好的适应度值时,此时算法迭代进入停滞状态。随机游走模型中的高斯随机游走策略(Gaussian andomWalk Strategy,GWS)可以利用种群中适应度值最好的个体对所有个体的位置进行调整,从而对整个种群中的所有个体进行扰动,帮助个体跳出局部最优点。基于最优个体的 GWS 如式(8)和式(9)所示。XTi,G=Gaussian(XTbest,)+(r1 XTbest
18、r2 XTi)(8)=log(T)T(XTi XTbest)(9)式中,XTi,G表示的是在第 T 次迭代中,个体 i 经过扰动后所生成的新个体;r1和r2是0 1 之间的均匀分布的随机数;r1 XTbest r2 XTi表示的是个体 i 的搜索方向;的值跟 T 是负相关关系。从式(8)和式(9)中可以得出,GWS 利用种群中适应度值最好的个体对其它个体进行扰动后产生了新的随机种群。扰动后的个体分布在适应度值最好的个体附近,帮助适应度值最好的个体寻找到最优点,不仅增强了算法的开采能力,还帮助最优个体跳出局部最优点。2 4ASSA 算法步骤ASSA 算法流程如图 1 所示。图 1 ASSA 流程
19、Figure 1 Flow chart of the ASSA3仿真实验3 1测试函数为了检验 ASSA 的优化效果,选取 10 个测试函数进行仿真对比,下面给出了这 10 个测试函数的数学描述,维数 d 分别取 30 和 100。F1函数di=1x2i(10)式中,xi 100,100,最优值为 0。F2函数di=1xi+di=1xi(11)式中,xi 10,10,最优值为 0。F3函数di=1ij=1x()j2(12)式中,xi 100,100,最优值为 0。F4函数max1idxi(13)式中,xi 100,100,最优值为 0。F5函数di=1100(xi+1 x2i)2+(1 x2i
20、)2(14)式中,xi 30,30,最优值为 0。F6函数di=1xi+52(15)77Electronic Science and Technology聂方鑫,等:基于自适应 t 分布与随机游走的麻雀搜索算法https:/式中,xi 100,100,最优值为 0。F7函数di=1i x4i+rand 0,1(16)式中,xi 128,128,最优值为 0。F8函数di=1 xisinxi(17)式中,xi 500,500,最优值为 418 982 9 d。F9函数di=1x2i 10cos(2xi)+10(18)式中,xi 5 12,5 12,最优值为 0。F10函数14 000di=1x2
21、idi=1cos(xii)+1(19)式中,xi 600,600,最优值为 0。3 2算法设置本文 将 提 出 的 ASSA 算 法 与 EGWO16、TL-BO17、SSA1、自适应变异 SSA(AMSSA)18、基于等级制度与布朗运动的混沌 SSA(CSSAHB)19 进行仿真对比。在实验中,所有算法的参数设置如表 1 所示,其中 PD 为发现者的数量,SD 为警戒者的数量。对于所有的算法,n=50,对 F1 F10的实验重复 30 次。在F1 F8中 itermax=1 000,在 F9和 F10中 itermax=500,计算 30 次寻优结果的平均值和标准差。表 1 不同算法参数设置
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 自适应 分布 随机 游走 麻雀 搜索 算法 聂方鑫
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。