一种随机调整控制参数的鲸鱼优化算法

2024-01-28 13:30

本文主要是介绍一种随机调整控制参数的鲸鱼优化算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 一、理论基础
    • 1、基本鲸鱼优化算法
    • 2、改进鲸鱼优化算法
      • (1)佳点集方法初始化
      • (2)随机调整控制参数策略
      • (3)正态变异算法
      • (4)算法步骤
  • 二、仿真实验及分析
  • 三、参考文献

一、理论基础

1、基本鲸鱼优化算法

请参考这里。

2、改进鲸鱼优化算法

(1)佳点集方法初始化

佳点集是一种能均匀取点、有效的实验方法,与随即方法相比,利用佳点集方法所取的点能均匀的分布在该对象中。为了使种群个体尽可能表征解空间的信息,本文采用佳点集方法进行种群初始化,其具体步骤如算法1所示。
在这里插入图片描述

(2)随机调整控制参数策略

本文提出一种随机分布调整控制参数策略,即 a ( t ) = ( a max ⁡ − a min ⁡ ) r a n d ( ) + r a n d n ( ) (1) \boldsymbol a(t)=(\boldsymbol a_{\max}-\boldsymbol a_{\min})rand()+randn()\tag{1} a(t)=(amaxamin)rand()+randn()(1)其中, a max ⁡ \boldsymbol a_{\max} amax a min ⁡ \boldsymbol a_{\min} amin分别为控制参数 a \boldsymbol a a的最大值和最小值,本文取值分别为2和1, r a n d ( ) rand() rand() [ 0 , 1 ] [0,1] [0,1]均匀分布的随机数, r a n d n ( ) randn() randn()为标准正态分布的随机数。由式(1)可知,控制参数 a \boldsymbol a a在进化过程中随机变化,从而下调WOA算法的探索和开发能力。

(3)正态变异算法

在WOA算法进化后期,群体中所有个体均向最优个体区域靠拢,导致群体多样性下降,易陷入早熟收敛。为了有效地避免算法陷入局部最优,引入变异算子是一种常见的方式。
本文引入一个服从正态分布的随机扰动项,对当前最优个体进入解空间的其他区域进行搜索,扩大搜索范围,提高群体多样性,从而避免算法陷入局部最优,其定义为 X best j = X best j + N ( 0 , 1 ) X best j (2) X_{\text{best}}^j=X_{\text{best}}^j+N(0,1)X_{\text{best}}^j\tag{2} Xbestj=Xbestj+N(0,1)Xbestj(2)其中, X best j X_{\text{best}}^j Xbestj为当前最优个体的第 j j j维, N ( 0 , 1 ) N(0,1) N(0,1)为服从均值为0、方差为1的标准正态分布。

(4)算法步骤

提出的EWOA算法步骤如算法2所示。
在这里插入图片描述

二、仿真实验及分析

为了验证本文提出的EWOA算法的性能,将其与PSO、WOA进行对比,以文献[1]中表1的100维的6个测试函数为例。为了公平的比较,三种算法的种群规模均设置为30,最大迭代次数为500,每个算法独立运行30次。
结果显示如下:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

函数:F1
PSO:最差值: 4168.1914,最优值:2549.7401,平均值:3312.2413,标准差:467.4723
WOA:最差值: 4.1546e-69,最优值:7.7006e-84,平均值:1.3857e-70,标准差:7.5851e-70
EWOA:最差值: 1.5996e-248,最优值:3.3765e-293,平均值:5.332e-250,标准差:0
函数:F2
PSO:最差值: 2358.7347,最优值:1427.654,平均值:1994.3298,标准差:201.0428
WOA:最差值: 4.0477e-48,最优值:1.0576e-58,平均值:3.7102e-49,标准差:9.7964e-49
EWOA:最差值: 8.1487e-131,最优值:4.4095e-166,平均值:2.7162e-132,标准差:1.4877e-131
函数:F3
PSO:最差值: 1588920.4223,最优值:305049.0953,平均值:722922.2431,标准差:270199.4621
WOA:最差值: 98.4631,最优值:97.647,平均值:98.1266,标准差:0.20438
EWOA:最差值: 98.1888,最优值:96.6434,平均值:97.3015,标准差:0.4216
函数:F4
PSO:最差值: 717.0873,最优值:531.3977,平均值:597.0659,标准差:41.8365
WOA:最差值: 0,最优值:0,平均值:0,标准差:0
EWOA:最差值: 0,最优值:0,平均值:0,标准差:0
函数:F5
PSO:最差值: 10.285,最优值:7.9942,平均值:8.9432,标准差:0.57565
WOA:最差值: 7.9936e-15,最优值:8.8818e-16,平均值:5.033e-15,标准差:2.3012e-15
EWOA:最差值: 8.8818e-16,最优值:8.8818e-16,平均值:8.8818e-16,标准差:0
函数:F6
PSO:最差值: 40.8385,最优值:22.3594,平均值:30.5305,标准差:4.2563
WOA:最差值: 0.25556,最优值:0,平均值:0.0085186,标准差:0.046658
EWOA:最差值: 0,最优值:0,平均值:0,标准差:0

结果表明,本文提出的EWOA算法具有较高的寻优精度和较快的收敛速度。

三、参考文献

[1] 钟明辉, 龙文. 一种随机调整控制参数的鲸鱼优化算法[J]. 科学技术与工程, 2017, 17(12): 68-73.

这篇关于一种随机调整控制参数的鲸鱼优化算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/653756

相关文章

SpringBoot中HTTP连接池的配置与优化

《SpringBoot中HTTP连接池的配置与优化》这篇文章主要为大家详细介绍了SpringBoot中HTTP连接池的配置与优化的相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一... 目录一、HTTP连接池的核心价值二、Spring Boot集成方案方案1:Apache HttpCl

使用雪花算法产生id导致前端精度缺失问题解决方案

《使用雪花算法产生id导致前端精度缺失问题解决方案》雪花算法由Twitter提出,设计目的是生成唯一的、递增的ID,下面:本文主要介绍使用雪花算法产生id导致前端精度缺失问题的解决方案,文中通过代... 目录一、问题根源二、解决方案1. 全局配置Jackson序列化规则2. 实体类必须使用Long封装类3.

PyTorch高级特性与性能优化方式

《PyTorch高级特性与性能优化方式》:本文主要介绍PyTorch高级特性与性能优化方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、自动化机制1.自动微分机制2.动态计算图二、性能优化1.内存管理2.GPU加速3.多GPU训练三、分布式训练1.分布式数据

MySQL中like模糊查询的优化方案

《MySQL中like模糊查询的优化方案》在MySQL中,like模糊查询是一种常用的查询方式,但在某些情况下可能会导致性能问题,本文将介绍八种优化MySQL中like模糊查询的方法,需要的朋友可以参... 目录1. 避免以通配符开头的查询2. 使用全文索引(Full-text Index)3. 使用前缀索

C#实现高性能Excel百万数据导出优化实战指南

《C#实现高性能Excel百万数据导出优化实战指南》在日常工作中,Excel数据导出是一个常见的需求,然而,当数据量较大时,性能和内存问题往往会成为限制导出效率的瓶颈,下面我们看看C#如何结合EPPl... 目录一、技术方案核心对比二、各方案选型建议三、性能对比数据四、核心代码实现1. MiniExcel

Springboot实现推荐系统的协同过滤算法

《Springboot实现推荐系统的协同过滤算法》协同过滤算法是一种在推荐系统中广泛使用的算法,用于预测用户对物品(如商品、电影、音乐等)的偏好,从而实现个性化推荐,下面给大家介绍Springboot... 目录前言基本原理 算法分类 计算方法应用场景 代码实现 前言协同过滤算法(Collaborativ

Python开发文字版随机事件游戏的项目实例

《Python开发文字版随机事件游戏的项目实例》随机事件游戏是一种通过生成不可预测的事件来增强游戏体验的类型,在这篇博文中,我们将使用Python开发一款文字版随机事件游戏,通过这个项目,读者不仅能够... 目录项目概述2.1 游戏概念2.2 游戏特色2.3 目标玩家群体技术选择与环境准备3.1 开发环境3

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版:拆分成模块让模块更强大:使用 __init__.py你一定会遇到的问题模www.