IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 融合随机反向学习的黏菌与算术混合优化算法HSMAAOA(学习笔记_11) -> 正文阅读

[人工智能]融合随机反向学习的黏菌与算术混合优化算法HSMAAOA(学习笔记_11)

1.SMA和AOA

1. SMA
  • 优点:较强的全局探索能力
  • 缺点:后期迭代震荡作用较弱,易陷入局部最优;收缩机制不强,收敛速度较慢
2. AOA
  • 随机性强,可以较好的避免早熟收敛
3. HSMAAOA
  • 保留了SMA全局探索部分位置更新公式
  • 局部开发阶段用乘除算子替换SMA收缩机制,提高算法的随机性与跳出局部极值的能力
  • 随机反向学习策略,增强改进算法的种群多样性,提高收敛速度
  • 具有较好的鲁棒性以及寻优精度,且明显提高了收敛速度

2.随机反向学习

  1. 反向学习策略OBL
    • 反向学习策略OBL:种群寻优的过程中,根据当前解产生一个反向解,比较当前解与反向解的目标函数值,择优进入下一次迭代。(由Tizhoosh H R 等人在提出)
    • 反向解定义:存在n维坐标系内一点X,同时X∈[LB,UB],则反向解计算公式如下:

x = L B + U B ? X x = LB + UB - X x=LB+UB?X

? 其中,X 为当前解,x 为反向解。

  1. 随机反向学习策略ROBL
    • 随机反向学习策略ROBL:由于反向学习策略生成的反向解与当前解距离为一定值,缺乏随机性,无法有效增强搜索空间内种群多样性。因此Long W 等人提出随机反向学习策略(Random Opposition-based Learning, ROBL),进一步增强种群多样性,提高种群避免陷入局部最优的能力。
    • 随机反向解计算公式如下:

X r a n d = L B + U B ? r × X Xrand = LB + UB ? r×X Xrand=LB+UB?r×X

? Xrand 为随机反向解,r 代表0到1之间的随机数。

3.融合随机反向学习的黏菌与算术混合优化算法

1.改进混合算法理论分析
  • SMA:

    ? SMA 会根据适应度值调整不同的搜索模式,适应度较差的黏菌进行全局搜索,vbvc的协同作用也使黏菌不止向最优位置收缩,同时会分离出一部分有机物向其他领域探索,并且 vb 的振荡作用也增加了全局探索的可能性。此外,当随机数小于 z 时,黏菌进行随机初始化。因此,SMA 的多重探索机制使该算法具有强大的全局寻优能力。

    ? 但在迭代后期,vb 的振荡作用大幅减弱,使算法不能有效跳出局部最优,且 SMA 利用参数 vc 实现收缩机制,vc 为 1 到 0 线性递减的参数,用于描述黏菌与检测到的食物浓度的反馈关系,但这种机制较

    薄弱,容易陷入局部最优。

  • AOA:

    ? AOA 借助乘除算子带来的高分布性实现位置更新,MOP 随迭代次数的增加从 0.7 线性递减至 0,并且递减幅度逐渐减小,能够针对最优位置进行放缩,提高后期寻优随机性,提高黏菌算法避免局部最优能力。

  • HSMAAOA:SMA和AOA的有机融合。

    ? 混合算法分别保留了 SMA 与AOA 的优势特性,首先保留了 SMA 根据 z 值进行随机初始化的部分,当 rand < z 时,黏菌分离出部分个体探索其他食物源,随后根据随机数 rp 值选择黏菌的位置更新式,当 rp 时,通过下式进行位置更新,在这里插入图片描述
    否则通过乘除算子下式在这里插入图片描述
    进行位置更新。最后利用 ROBL 策略产生一个随机反向位置,使用贪婪策略选出表现最优的个体进入下一次迭代,引导黏菌更好地向最优个体位置进化,增强算法跳出局部最优的能力,使得算法获得更好的收敛速度。

2.HSMAAOA伪代码
begin 
   设置种群数量 N,当前迭代 t,最大迭代次数 T,惯性权重 w, 
   初始化种群位置 
   while t ≤ T 
      计算适应度值,幵选出最佳个体与最差个体 
      通过式(4)更新惯性权重W 
      for i = 1 to N 
         if rand < z 
            通过式(6)计算种群位置 
         else
         更新参数 vb,vc,p 
            if r1 < p 
               通过式(6)计算种群位置 
            else 
               if r4 < 0.5 
                  通过式(8)计算种群位置 
               else 
                  通过式(8)计算种群位置 
               end if 
            end if 
         end if 
         通过式(12)生成随机反向解 
      end for 
   end while 
end
  • 式(4):在这里插入图片描述

  • 式(6):
    在这里插入图片描述

  • 式(8):
    在这里插入图片描述

  • 式(12):
    在这里插入图片描述

4.实验仿真与分析

1.对比算法与参数设置
  • 为了更好的验证 HSMAAOA 算法性能,选取了 6 种算法迚行对比:SMA、AOA、WOA、SSA、GWO ,PSO和HHO(论文中包括HHO,但由于笔者还没有学习HHO,故暂不加入实验),这些算法被证实具有良好的寻优性能。为了更准确的验证所提算法与对比算法的优劣性,设定种群规模 N=30,维度 D=30,最大迭代次数 500 次,各算法独立运行 30 次,各算法参数设置如下图 所示
    *在这里插入图片描述

  • 选取最优值、最差值、平均值与标准差作为评价指标。其中,平均值与标准差越小,则证明算法的性能越佳。

  • 以F1、F3、F5(单峰函数)、F8、F10、F12(多峰函数)、F15、F20、F23(固定维多峰函数)为例。

2.收敛曲线如下:

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

3.各算法部分标准函数测试结果如下:
FAlgrithmmaxminmeanstd
F1HSMAAOA0000
F1SMA1.0996E-27503.6655E-2770
F1AOA3.65164E-051.12983E-052.15689E-055.53355E-06
F1WOA1605.0273632.372063901320.7923458371.4557692
F1SSA9932.4294343944.4127646353.6309381593.819408
F1GWO5732.214311491.5610243345.708454933.9272516
F1PSO4797.5130471865.1574822751.128191635.5198169
F3HSMAAOA0000
F3SMA2.3404E-27707.8604E-2790
F3AOA0.0049381880.0002671060.0017176850.001155331
F3WOA198665.407949581.56584122744.908241376.8463
F3SSA69285.837086497.52994618059.8288112204.36822
F3GWO31878.467597941.73887817559.544865404.601761
F3PSO45007.162367356.3349618628.583468484.816328
F5HSMAAOA11.247507671.25434E-051.0755185692.31158293
F5SMA28.748545660.0002407719.00031782711.19506568
F5AOA28.5228832927.347806427.93956570.300927497
F5WOA371283.551537.157313487149.18209115699.0377
F5SSA6734282.366877068.71293025924.7291718555.658
F5GWO3595702.475385056.33161232861.487789516.5318
F5PSO3402188.465175090.61151486664.134749935.2988
F8HSMAAOA-12551.38726-12569.48653-12565.513895.162376528
F8SMA-12555.90299-12569.47965-12566.594493.853046734
F8AOA-1298.203428-3928.864359-2541.148543597.7321406
F8WOA-6344.931106-11690.29488-8579.5804421065.482627
F8SSA-2457.899126-5114.188716-3838.985097602.242795
F8GWO-2045.863128-5390.022611-3497.8442851023.655208
F8PSO-2039.415693-3402.543356-2724.708164367.3114236
F10HSMAAOA8.88178E-168.88178E-168.88178E-160
F10SMA8.88178E-168.88178E-168.88178E-160
F10AOA0.0014113681.89311E-050.0009230870.000309478
F10WOA11.735463920.4016076724.6464888382.157058363
F10SSA15.5410444511.7423111713.820916970.973063881
F10GWO14.62291078.48222938511.768793691.407468922
F10PSO13.8768631710.0314017112.266166750.86447556
F12HSMAAOA0.0066176565.42237E-080.0005739440.001360633
F12SMA0.1498081193.06282E-060.0146159960.031520677
F12AOA0.8086469390.6619259040.7460698440.03817374
F12WOA142504.83230.6160862037787.7795826776.66061
F12SSA4017443.59441.93418661420904.5182803144.3659
F12GWO1021448.82131.736670551663.45259187112.8553
F12PSO101726.155212.3716755671.10550318820.45506
F15HSMAAOA0.0015273330.000499290.0009193850.000287285
F15SMA0.001680680.0004636260.0008315590.000296226
F15AOA0.1017762990.0003237730.025153120.035359955
F15WOA0.0605792010.0003179230.0091080220.012870916
F15SSA0.1050205090.0005582610.0154171690.022997982
F15GWO0.030953030.0005228750.006566270.008621044
F15PSO0.020097690.0010475010.0071275620.005648726
F20HSMAAOA-3.203096444-3.321995141-3.246695130.058273772
F20SMA-3.202663308-3.321994963-3.2664859570.060351238
F20AOA-3.203068791-3.321994321-3.2665049330.060329858
F20WOA-2.274343516-3.204815106-2.9005197350.229527467
F20SSA-2.240328903-3.278399295-2.9331151460.29064356
F20GWO-2.804378485-3.320935313-3.2123144840.119150442
F20PSO-1.494627219-3.091966995-2.6356273980.337687374
F23HSMAAOA-10.53231865-10.53636341-10.535624620.000829645
F23SMA-10.53590474-10.5364073-10.536331540.000109136
F23AOA-2.421670493-10.53635835-7.6688961373.192496703
F23WOA-0.87939929-10.36809592-4.1597398062.715996912
F23SSA-1.799781395-10.36776332-5.2786219863.183236545
F23GWO-2.102454653-10.41082025-8.4076143013.103599024
F23PSO-1.292990956-6.038678155-2.2417509970.937284095
4.结果表明

融合随机反向学习策略的黏菌与算术混合优化算法(HSMAAOA)全局与局部能力均得到加强,优于原始 SMA、AOA 及其他 5 种优化算法,表现出更优秀的收敛精度、收敛速度以及稳定性。

5.参考文献

[1] 贾鹤鸣, 刘宇翔, 刘庆鑫, 王爽, 郑荣. 融合随机反向学习的黏菌与算术混合优化算法[J]. 计算机科学与探索, 0, (): 1-12.DOI:10.3778/j.issn.1673-9418.2105016.

  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2022-02-07 13:43:59  更:2022-02-07 13:45:03 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年3日历 -2024/3/29 4:04:29-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码