-
基于阶梯式Tent混沌和模拟退火的樽海鞘群算法
一、理论基础
1、樽海鞘群算法
请参考这里。
2、基于阶梯式Tent混沌的模拟退火樽海鞘群算法
（1）Tent混沌映射序列
请参考这里。
（2）“阶梯式”惯性权值
针对SSA算法容易陷入局部最优的缺陷，本文提出“阶梯式”惯性权值调整策略，惯性权值在算法前期取固定最大值用于提高算法的全局探索能力，在算法后期取固定最小值用来提高算法的局部开发能力，其表达式为： x j i = 1 2 ( x j i + ω ( t ) x j i − 1 ) (1) x_j^i=\frac12\left(x_j^i+\omega(t)x_j^{i-1}\right)\tag{1} xji=21(xji+ω(t)xji−1)(1) ω ( t ) = { ω max , t / T max ≤ λ ω min , t / T max > λ (2) \omega(t)=
\tag{2} ω(t)=⎩ ⎨ ⎧ωmax,t/Tmax≤λωmin,t/Tmax>λ(2)其中， ω max \omega_{\max} ωmax为最大惯性权值， ω min \omega_{\min} ωmin为到最小惯性权值， t t t为当前迭代次数， T max T_{\max} Tmax为最大迭代次数。 λ ∈ ( 0 , 1 ) \lambda\in(0,1) λ∈(0,1)表示迭代前期时间占整个周期的比例：取 λ > 0.5 \lambda>0.5 λ>0.5时，算法前期分配了更多的时间比例进行全局搜索，进而扩大寻优范围；取 λ > 0.5 \lambda>0.5 λ>0.5时，算法后期占用更多的时间进行局部开发，进而寻求更高的收敛精度。这样，通过调整 λ \lambda λ，可有效地兼顾算法的全局探索能力和局部开发能力。通过多次尝试 ( 0 , 1 ) (0,1) (0,1)范围内不同的 λ \lambda λ的取值，观察对比寻优效果，最终确定 λ \lambda λ的取值。\begin{dcases}\omega_{\max},\quad t/T_{\max}\leq\lambda\\[2ex]\omega_{\min},\quad\, t/T_{\max}>\lambda\end{dcases} （3）模拟退火算法
模拟退火算法的特点为在一定的概率情况下保留劣质群体，增加种群的多样性，在一定程度上提高了跳出局部最优的能力。在全局寻优方面，本文采取模拟退火算法与SSA算法结合的方式，在SSA算法求出食物源位置之后再进行模拟退火处理，对食物源位置进行调整，其接受劣质群体概率的公式为： P = { 1 , f new ( X j ) < f ( X j ) exp ( − ( f new ( X j ) − f ( X j ) ) / T ) , f new ( X j ) ≥ f ( X j ) (3) P=
\tag{3} P=⎩ ⎨ ⎧1,fnew(Xj)<f(Xj)exp(−(fnew(Xj)−f(Xj))/T),fnew(Xj)≥f(Xj)(3)其中， f new ( X j ) f_{\text{new}}(X_j) fnew(Xj)是模拟退火阶段产生的新种群中第 j j j个樽海鞘个体的适应度值， T T T表示第 j j j次迭代温度， f new ( X j ) f_{\text{new}}(X_j) fnew(Xj)的值越小，表示适应度值越好，当 f new ( X j ) < f ( X j ) f_{\text{new}}(X_j)\begin{dcases}1,\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad f_{\text{new}}(X_j)<f(X_j)\\[2ex]\exp\left(-\left(f_{\text{new}}(X_j)- f(X_j)\right)/T\right),\quad\, f_{\text{new}}(X_j)\geq f(X_j)\end{dcases} （4）STSA-SSA算法实现步骤
改进的SSA算法(STSA-SSA)具体实现步骤如下：
（1）设置算法参数并初始化种群：种群个数 N N N，最大迭代次数 T max T_{\max} Tmax，可调参数 λ \lambda λ，惯性权值 ω max \omega_{\max} ωmax和 ω min \omega_{\min} ωmin；引入Tent混沌映射序列初始化种群，生成一个 N × d N\times d N×d维的矩阵。
（2）计算适应度值：计算每个樽海鞘个体的适应度值，选取适应度值最小的个体位置作为食物源位置。
（3）领导者和追随者位置更新：选取一半的樽海鞘个体更新领导者位置，可调参数 λ \lambda λ的变化，选定不同的惯性权值根据式(1)更新追随者位置。
（4）食物源位置更新：根据更新后的樽海鞘群个体计算适应度值，若小于原食物源位置的适应度值，则更新食物源位置。
（5）引入模拟退火算法：在原食物源位置周围随机产生一个新的种群，计算新种群个体的适应度值 .若新种群中樽海鞘个体适应度值小于食物源适应度值，则更新食物源位置，否则以式(3)中的概率 P P P接受新种群中樽海鞘个体的位置，进行退温操作 t = t × 0.99 t=t\times0.99 t=t×0.99，记录下整个迭代过程中适应度值最小的食物源位置及其适应度值。
（6）若当前迭代次数小于最大迭代次数，重复步骤3~5的迭代过程，直到达到设定的精度要求或最大迭代次数，输出最优个体位置及其适应度值。二、仿真实验与结果分析
将STSA-SSA与MVO、MFO和SSA进行对比，以文献[1]中表1和表2的F1、F2、F3(单峰函数/30维)、F10、F11、F12(多峰函数/30维)为例，实验设置种群规模为100，最大迭代次数为1000，每种算法独立运算30次，结果显示如下：
函数：F1 MVO：最差值: 0.16708, 最优值: 0.029536, 平均值: 0.10159, 标准差: 0.025637 MFO：最差值: 10000, 最优值: 2.6301e-06, 平均值: 1333.3333, 标准差: 3457.459 SSA：最差值: 9.5666e-09, 最优值: 4.4115e-09, 平均值: 6.5361e-09, 标准差: 1.4628e-09 STSA-SSA：最差值: 2.6884e-92, 最优值: 1.2088e-98, 平均值: 9.0129e-94, 标准差: 4.9075e-93 函数：F2 MVO：最差值: 0.035861, 最优值: 0.006563, 平均值: 0.011629, 标准差: 0.0055055 MFO：最差值: 1.2383e-18, 最优值: 4.235e-21, 平均值: 2.3603e-19, 标准差: 3.1721e-19 SSA：最差值: 1.5893e-05, 最优值: 4.4389e-06, 平均值: 6.5287e-06, 标准差: 2.214e-06 STSA-SSA：最差值: 8.9203e-15, 最优值: 4.6592e-21, 平均值: 3.6398e-16, 标准差: 1.6493e-15 函数：F3 MVO：最差值: 15.0338, 最优值: 1.855, 平均值: 6.0894, 标准差: 2.7983 MFO：最差值: 38335.8903, 最优值: 171.7988, 平均值: 17000.3493, 标准差: 10693.5973 SSA：最差值: 4.8528, 最优值: 0.0021096, 平均值: 1.1182, 标准差: 1.2449 STSA-SSA：最差值: 5.045e-97, 最优值: 1.4767e-98, 平均值: 8.6227e-98, 标准差: 9.4178e-98 函数：F10 MVO：最差值: 0.050032, 最优值: 0.0044728, 平均值: 0.025348, 标准差: 0.012522 MFO：最差值: 5.4708, 最优值: 9.2939e-08, 平均值: 0.31057, 标准差: 1.1632 SSA：最差值: 0.049064, 最优值: 3.2022e-10, 平均值: 0.0082862, 标准差: 0.01157 STSA-SSA：最差值: 6.1288e-09, 最优值: 0, 平均值: 3.3234e-10, 标准差: 1.2586e-09 函数：F11 MVO：最差值: 2.7289, 最优值: 0.0017116, 平均值: 1.0302, 标准差: 0.93786 MFO：最差值: 1.7121, 最优值: 3.5278e-06, 平均值: 0.18911, 标准差: 0.35454 SSA：最差值: 10.749, 最优值: 6.4423e-11, 平均值: 3.3794, 标准差: 2.7545 STSA-SSA：最差值: 1.9876e-10, 最优值: 7.5058e-11, 平均值: 1.157e-10, 标准差: 2.9888e-11 函数：F12 MVO：最差值: 0.019505, 最优值: 0.0013189, 平均值: 0.006964, 标准差: 0.0058636 MFO：最差值: 1.5975, 最优值: 1.0127e-06, 平均值: 0.058764, 标准差: 0.29075 SSA：最差值: 0.021024, 最优值: 7.8156e-11, 平均值: 0.0068636, 标准差: 0.007149 STSA-SSA：最差值: 2.9661, 最优值: 8.1418e-11, 平均值: 0.39841, 标准差: 1.0244- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
实验结果表明：对于单峰和多峰测试函数，改进后的樽海鞘群算法具有更快的收敛速度和更强的全局寻优能力。
三、参考文献
[1] 周鹏, 董朝轶, 陈晓艳, 等. 基于阶梯式Tent混沌和模拟退火的樽海鞘群算法[J]. 电子学报, 2021, 49(9): 1724-1735.
-
相关阅读:
基于ssm+vue+uniapp的电影交流平台小程序
基于Taro + React 实现微信小程序半圆滑块组件、半圆进度条、弧形进度条、半圆滑行轨道（附源码）
【优化布局】基于遗传算法实现风电场集电系统优化附matlab代码
你知道网关 架构是如何演进？
webrtc-stream编译报错记录
多列等高实现
《开箱元宇宙》：认识香港麦当劳通过 The Sandbox McNuggets Land 的 Web3 成功经验
ASO优化之关于iOS的A/B测试
Spark RDD编程模型及算子介绍（一）
图论05-【无权无向】-图的广度优先BFS遍历-路径问题/检测环/二分图/最短路径问题
- 原文地址：https://blog.csdn.net/weixin_43821559/article/details/126867877