当前位置:   article > 正文

群智能优化算法改进-变异策略总结与分析

群智能优化算法改进-变异策略总结与分析

在这里插入图片描述

一、变异类型

变异策略也是群智能优化算法改进中常用的,来源于遗传算法(Genetic Algorithm,GA)中的变异(mutation)操作,由于群智能优化算法中的个体选择多样,可以是最佳个体、随机个体、当前个体等等,因此变异形式很多,以下是几种常见的变异形式:
在这里插入图片描述
其中,v为生成的新位置,r1-r5为1-N的随机整数,N为种群大小,xr1为种群中的随机个体,F为缩放因子,一般为0-1之间的常数,自行设置。
参考:https://www.likecs.com/show-203840132.html

二、相关代码

这里以“DE/rand/1”为例,如下所示:

        if rand() < c1    % c1为变异概率,可设c1=0.5
            for j=1:D
                r1=randi(N); r2=randi(N); r3=randi(N);
                v1(1,j) = X(r1,j) + F*(X(r2,j)-X(r3,j));       % DE/rand/1
            end
        end
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

三、用法举例

个体通过变异策略产生新位置,采用贪婪方法,择优选取下一代个体。
在改进算法过程中,根据需要可选择多种变异策略组合。
论文1-3均采用了多重变异策略(Multiple mutation strategy),包含DE/rand/1/bin, DE/rand/2/bin和DE/current-to-rand/2/bin三种:
在这里插入图片描述
论文4对变异操作(DE/rand/1/bin)进行了改进设计,由公式(6)修改为公式(7),如下所示:
在这里插入图片描述
其中,Fλ均为缩放因子,w为混沌因子,g* 为当前全局最优位置。
w的取值较大时,新位置受全局最优解的位置和方向信息的影响更大,可以增强算法的局部搜索精度;当w的取值较小时,新位置的取值受最优解的引导性较弱,随机因子的占比继而增大,可以保持算法局部搜索的多样性。
参考文献:

  1. Zheng, Rong et al. ‘Enhanced Slime Mould Algorithm with Multiple Mutation Strategy and Restart Mechanism for Global Optimization’. 1 Jan. 2022 : 5069 – 5083.
  2. Jia H , Zhang W , Zheng R , et al. Ensemble mutation slime mould algorithm with restart mechanism for feature selection[J]. International Journal of Intelligent Systems.
  3. Zhang H , Wang Z , Chen W , et al. Ensemble Mutation-driven Salp Swarm Algorithm with Restart Mechanism: Framework and Fundamental Analysis[J]. Expert Systems with Applications, 2020, http://aliasgharheidari.com:113897.
  4. 刘凯,代永强.融合变异策略的自适应蝴蝶优化算法[J].计算机应用研究,2022,39(01):134-140+145.DOI:10.19734/j.issn.1001-3695.2021.06.0244.

四、总结

变异策略同样非常灵活,形式也多种多样,既可以直接采用原变异公式,也可以进行一定修改。实际上,很多原算法本身位置更新公式就利用了位置差分信息,这相当于变异操作的修改版了。但很容易增加算法的复杂度。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/Cpp五条/article/detail/607704
推荐阅读
相关标签
  

闽ICP备14008679号