多子群改进的海洋捕食者算法-附代码

多子群改进的海洋捕食者算法

摘要：文章针对海洋捕食者算法（Marine Predators Algorithm， MPA）求解精度不高和收敛速度慢等缺点，提出一种多子群改进的海洋捕食者算法（Multi-subpopulation Marine Predators Algorithm ，MSMPA）。根据不同适应度值将海洋捕食者种群分为领导者、追随者和衔尾者三个子群。领导者子群保持位置不变，追随者子群进行高斯变异，衔尾者子群由全局最优位置和平均位置矢量生成。使用不同维度的经典基准函数来评估改进海洋捕食者算法的效率。实验结果显示，经过改进的海洋捕食者算法拥有更高的寻优精度和稳定性。

1.海洋捕食者算法

基础海洋捕食者算法的具体原理参考，我的博客：https://blog.csdn.net/u011835903/article/details/118468662

2.改进海洋捕食者算法

2.1 高斯变异

Bäck 和 Schwefel ${}^{[9]}$ 提出的高斯变异可用于提高 元启发式算法的搜索效率[10-12]。高斯分布由于其曲 线中间高两端较短的特点, 易在亲本候选解附近生 成新解。在搜索过程中, 应用高斯变异时, 它将采 取较小的步长, 探索解空间的更多地方。高斯变异 的主要优点是可以防止搜索过程中多样性的丧失。 将高斯变异用于海洋捕食者算法的位置更新, 如公 式 (10) 所示。
$$P_i=P_i\ast (1+\mathrm{Gaussian}(\theta ))\text{\hspace{1em}(10)}$$
$\mathrm{Gaussian}(\theta )$ 为服从高斯分布的随机向量。

2.2 MSMPA 算法

为解决基本的 MPA 全局搜索寻优能力的不足, 容易收玫得到局部最优的问题, 本文提出了多子群 改进的海洋捕食者算法。在海洋捕食者的种群进行 迭代后, 根据获得的种群适应度值的大小对各个种 群进行了排序, 并将排序后的种群分为三个子种群 并对不同的子种群进行不同的操作。将适应度值由 小到大排列, 将种群按数量平均分为三个子群, 将 适应度值最小的到排名 $N/3$ 分为一个子群, 命名为 领导者子群; 将适应度值排名为 $N/3+1$ 到 $2\mathrm{N}/3$ 分 为一个子群, 命名为追随者子群; 将适应度值排名 为 $2\mathrm{N}/3+1$ 到 $\mathrm{N}$ 分为一个子群, 命名为衔尾者子群。 领导者子群由于具有优异的寻优能力, 其位置 保持不变; 将追随者子群根据公式 (11) 进行更新; 将衔尾者子群根据公式 (12) 更新。
$$P_i=P_i(1+\mathrm{Gaussian}(\theta ))N/3\le i\le 2N/3\text{\hspace{1em}(11)}$$

$$P_i=P_{\text{best }}-P_{\text{mean }}-r_3\left(l{b}_i+r_4\left(u{b}_i-l{b}_i\right)\right),2N/3+1\le i\le N\text{\hspace{1em}(12)}$$

3.实验结果

4.参考文献

[1]张磊,刘升,高文欣,郭雨鑫.多子群改进的海洋捕食者算法[J/OL].微电子学与计算机:1-9[2021-11-01].https://doi.org/10.19304/J.ISSN1000-7180.2021.0062.

5.Matlab代码

6.python代码