IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

融合多策略的黄金正弦黑猩猩优化算法

已有 451 次阅读 2023-12-4 10:55 |系统分类:博客资讯

引用本文

 

刘成汉, 何庆. 融合多策略的黄金正弦黑猩猩优化算法. 自动化学报, 2023, 49(11): 23602373 doi: 10.16383/j.aas.c210313

Liu Cheng-Han, He Qing. Golden sine chimp optimization algorithm integrating multiple strategies. Acta Automatica Sinica, 2023, 49(11): 23602373 doi: 10.16383/j.aas.c210313

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210313

 

关键词

 

黑猩猩优化算法,Halton序列,非线性收敛因子,自适应权重因子 ,黄金正弦算法 

 

摘要

 

针对黑猩猩优化算法(Chimp optimization algorithm, ChOA)存在收敛速度慢、精度低和易陷入局部最优值问题, 提出一种融合多策略的黄金正弦黑猩猩优化算法(Multi-strategy golden sine chimp optimization algorithm, IChOA). 引入Halton序列初始化种群, 提高初始化种群的多样性, 加快算法收敛, 提高收敛精度; 考虑到收敛因子和权重因子对于平衡算法勘探和开发能力的重要作用, 引入改进的非线性收敛因子和自适应权重因子, 平衡算法的搜索能力; 结合黄金正弦算法相关思想, 更新个体位置, 提高算法对局部极值的处理能力. 通过对23个基准测试函数的寻优对比分析和Wilcoxon秩和统计检验以及部分CEC2014测试函数寻优结果对比可知, 改进的算法具有更好的鲁棒性; 最后, 通过2个实际工程优化问题的实验对比分析, 进一步验证了IChOA在处理现实优化问题上的优越性.

 

文章导读

 

在过去的20年中, 元启发式算法由于其简单性、灵活性和较高的鲁棒性被广泛关注. 常见的元启发式算法有遗传算法(Genetic algorithm, GA)[1]、粒子群优化(Particle swarm optimization, PSO)算法[2]、灰狼优化(Grey wolf optimization, GWO)算法[3]和蝴蝶优化算法[4]. 随着技术不断发展和更新, 元启发式算法在复杂优化问题上表现卓越, 如路径规划[5]、电力系统控制[6]等工程设计问题.

 

2020, Khishe[7]提出黑猩猩优化算法(Ch-imp optimization algorithm, ChOA), 该算法是一种基于黑猩猩种群社会行为的启发式智能优化算法, ChOA与其他智能优化算法相比, 具有参数少、易实现、稳定性高等优点. 尽管不同的智能优化算法存在不同的搜索方式, 但其目标大多都是探索种群多样性和搜索能力之间的平衡, 在保证收敛精度和速度的同时, 避免早熟现象的发生[8]. 针对上述思想, 众多学者对其研究的智能优化算法做了改进, 例如王坚浩等[9]提出一种基于混沌搜索策略的鲸鱼优化算法, 采用混沌反向学习策略初始化种群, 保证了初始化种群的质量; 宁杰琼等[10]利用混沌映射初始化蝴蝶个体的位置, 以此增加算法初期种群的多样性; 王秋萍等[11]引入基于余弦规律变化的收敛因子和基于欧氏距离的比例权重因子, 平衡算法的探索和开发能力; Ewees[12]通过将蝗虫优化算法与对立学习策略相结合, 同时引入深度探索搜索域策略, 从而加快了算法的收敛速度; Dinkar[13]提出一种基于对立的拉普拉斯蚁狮搜索算法, 采用对立的学习模型确保在搜索空间的同时, 探索原始和相反的候选解, 从而在进化过程中评估更好的候选解; 吕鑫等[14]提出一种混沌麻雀搜索算法, 通过产生混沌序列扰动陷入局部最优的解, 促使其跳出局部最优值; Sayed[15]提出一种二进制克隆花授粉算法, 通过将克隆选择算法和花授粉算法相结合, 构成二元克隆花授粉算法, 以解决原始花粉克隆算法易陷入局部最优解的问题.

 

综上所述, 智能优化算法和改进机制层出不穷、各具优势, 适用于解决一些优化问题, 但在另外一些问题的求解上, 会显露出不足. 因此, 为了提高ChOA的寻优性能和适用性, 探索更适合解决实际优化问题的方法, 本文提出一种融合多策略的黄金正弦黑猩猩优化算法(Multi-strategy golden sine chimp optimization algorithm, IChOA). 该算法采用Halton序列初始化种群, 生成更加均匀个体, 保证算法初期的多样性, 提高算法收敛速度和精度; 同时, 引入非线性收敛因子和自适应权重因子, 平衡算法的搜索能力, 加快算法收敛速度; 最后, 根据黄金正弦算法的相关思想更新个体位置, 避免算法过早收敛. 仿真实验采用23个标准测试函数以及部分CEC2014测试函数进行寻优测试, 并采用Wilcoxon秩和检验进行统计分析, 验证了算法的优越性. 通过2个工程设计优化问题的实验对比结果表明, IChOA相较于其他算法, 更具优势.

 1  种群随机初始化个体分布图

 2  使用Halton序列产生的初始种群分布图

 3  收敛因子对比图

 

本文在原始ChOA基础上, 提出一种融合多策略的黄金正弦黑猩猩优化算法, 通过分析种群初始化分布, 引入Halton序列, 提高了算法初期的种群多样性, 引入改进的非线性收敛因子和自适应权重因子, 提高了算法的搜索能力, 结合黄金正弦算法思想更新个体位置, 防止算法过早收敛. 通过对23个基本测试函数和部分CEC2014测试函数进行寻优测试以及Wilcoxon秩和统计检验, 验证了该算法的优越性. 最后通过两个实际工程设计优化问题, 进一步验证了IChOA在实际工程应用中的有效性. 通过对本文改进策略的分析可以看出, 改进算法所需参数量较多且算法的寻优性能受非线性收敛因子影响较大, 对于收敛因子的选取依然存在改进的空间. 因此, 今后工作将继续研究改进的优化策略, 以提高ChOA的可操作性和适用性, 并将其应用到更为复杂的优化问题中.

 

作者简介

 

刘成汉

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, 深度学习. E-mail: lzttym@163.com

 

何庆

贵州大学大数据与信息工程学院教授. 主要研究方向为认知无线电, 智能算法. 本文通信作者. E-mail: qhe@gzu.edu.cn



https://blog.sciencenet.cn/blog-3291369-1412356.html

上一篇:RFNet: 用于三维点云分类的卷积神经网络
下一篇:基于语义引导特征聚合的显著性目标检测网络
收藏 IP: 117.114.9.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-2-29 09:51

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部