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。
（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)=(amax−amin)rand()+randn()(1)其中， a max \boldsymbol a_{\max} amax和 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()为 [ 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。
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：
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！
