基于反馈机制的鲸鱼优化算法
文章目录
- 基于反馈机制的鲸鱼优化算法
- 1.鲸鱼优化算法
- 2. 改进鲸鱼优化算法
- 2.1 游走觅食阶段的反馈
- 2.2 包围收缩和螺旋捕食阶段的反馈
- 3.实验结果
- 4.参考文献
- 5.Matlab代码
- 6.Python代码
摘要：针对基本鲸鱼优化算法容易陷入局部最优和收敛速度慢的问题，提出了一种基于反馈机制的鲸鱼优化算法。为了提高算法的全局搜索能力以及局部开发能力，在鲸鱼寻找食物的阶段，通过鲸鱼的自我反馈以及鲸鱼间的反馈( 基于均值个体) 来提高鲸鱼算法的全局搜索能力，避免算法陷入局部最优。且通过最优位置的鲸鱼自我反馈、其它鲸鱼于最优位置的鲸鱼反馈( 基于正态分布) 来解决收敛速度慢的问题。
1.鲸鱼优化算法
2. 改进鲸鱼优化算法
2.1 游走觅食阶段的反馈
在这个阶段中, WOA 随机选取一头鲸鱼的位置作为指导信息进行寻优, 这种策略虽然可以有效地保 持种群的多样性, 但这种随机选择的不确定性导致 的稳定性变差、寻优速度变慢以及寻优精度不高 的问题。因此, 将基于均值个体的反馈机制加入该阶段, 每个鲸鱼个体通过实时分享各自的位置来获取整 个种群位置的平均值, 然后所有鲸鱼都以这个平均位置作为新位置更新的指导信息。均值向量的引入可 以避免种群过早陷入局部最优, 以及出现种群大量趋同的情况; 且综合整个种群的有用信息进行寻优指 导,避免随机个体选择的过于盲目性。反馈数学模型如下:
式中: 为当前所有
2.2 包围收缩和螺旋捕食阶段的反馈
在这个阶段中，WOA 选取一头位置最优的鲸鱼作为导航的目标，这样可以保证鲸鱼都往最优解靠拢，加快种群的收敛速度。但在进化的过程中，很有可能种群中的最优个体( 鲸鱼) 在连续的几代都得不到改进，从而减弱最优个体的引导作用，造成种群过早陷入局部最优，出现个体大量趋同的情况。因此，将基于标准差的反馈机制引入该阶段，通过计算最优个体和均值个体的标准差，再以基于该标准差和最优个体的正态分布来更新最优个体，从而避免连续多代最优个体无法改进的缺陷。基于标准差的反馈机制的数学模型如下:
式中: 为最优位置向量;
是以
为均值,
为标准差的正态分布, 通过逐维求正太 分布随机变量求得, 最终产生一个新的最优解
, 若
的适应度值( 函数值) 小于
, 则
, 否 则
3.实验结果
4.参考文献
[1]范家承,何杰光.基于反馈机制的鲸鱼优化算法[J].广东石油化工学院学报,2018,28(04):47-51.
5.Matlab代码
6.Python代码