具有自适应调整策略的混沌灰狼优化算法
文章目录
- 具有自适应调整策略的混沌灰狼优化算法
- 1.灰狼优化算法
- 2. 改进灰狼优化算法
- 2.1 自适应调整策略
- 2. 2 混沌局部搜索策略
- 3.实验结果
- 4.参考文献
- 5.Matlab代码
- 6.Python代码
摘要： 灰狼优化算法（GWO ）是新型启元优化算法，相比于其他群体智能优化算法，该算法同样存在收敛速度较慢、不稳定、易陷入局部最优等问题。针对上述问题，根据 GWO算法的结构特点，提出了一种自适应调整策略的混沌灰狼优化算法（ chaotic local Search GWO ），利用自适应调整策略来提高 ＧＷＯ 算法的收敛速度，通过混沌局部搜索策略增加种群的多样性，使搜索过程避免陷入局部最优。
1.灰狼优化算法
2. 改进灰狼优化算法
2.1 自适应调整策略
灰狼算法中适应度值是反映个体与全局最优值之间的重 要参数。在灰狼进行寻优的过程中, 的位置对于寻找最 优解至关重要, 但在进行更新位置时, 没有体现出
之间 的真实位置的相对关系, 只是进行了简单的求平均值, 导致扩 大了搜索的范围, 减缓了收敛速度。
为了进一步提高 算法的收敛速度, 同时 也为了平 衡 GWO 算法的全局搜索能力和局部改良能力, 控制参数值
采用自适应调整策略。在该策略中, 将当前个体的适应度值
与灰狼群的平均适应度值
进行比较, 如果
优千平均 适应度值
, 其相应灰狼个体的控制参数
较小, 便于使其 向最好的位置靠拢; 如果
次于
, 那么其相应灰狼个体 的控制参数值
会较大, 使其到更广阔的区域搜索, 向较好的 搜索区域靠拢。
本文采用的控制参数自适应调整策略表达式如下:
其中, 分别为控制参数的最小值和最大值,
为灰狼 个体当前的控制参数值,
表示灰狼个体当前的适应度值,
和
分别表示当前灰狼群体的平均适应度值和最小适 应度值。在上式中, 控制参数值会随着灰狼个体的适应度值 而自动改变。
本文同时提出了一种基于适应度值的位置更新策略, 通 过 相互之间的适应值比值对 3 个灰狼的位置赋予权 重, 然后再对猎取的位置进行求解。其表达式为：
其中， 为灰狼
的适应度值，
为灰狼
的适应度值，
为灰狼
的适应度值。
2. 2 混沌局部搜索策略
混沌优化算法是根据混沌现象的随机性、遍历性和规律 性, 通过把混沌状态引入到优化变量, 利用混沌运动的遍历性 使算法具有避免陷入局部最优的能力，因此可以利用混沌算 法改进灰狼优化算法, 以提高其收敛质量。Logistic 映射就 是一个典型混沌系统。
其中, 为混沌控制参数,
的取值直接影响着 Logistic 方程 的混沌程度, 当
值越大, 混沌程度越高,
一般在
之间 取值,
。
初值对混沌的影响非常大, 因此给式 (11) 赋 个微小差 异的初值, 得到
个混沌变量。
混沌灰狼优化算法要涉及到混沌局部搜索算法 (Chaotic Local Search, CLS), 因此 CLS 算法步骤如下。
Step1 当 时, 将决策变量
按式 (12) 映射为 0 到 1 之间的混沌变量
:
其中, 和
分别为决策变量
的第
Step2 根据式(13), 计算混沌局部搜索算法内部下一步 迭代的混沌变量 :
Step3 根据式(14), 将混沌变量 转换为决策变量
Step4 根据决策变量 , 对新解进行评价, 若新解优 于初始解
3.实验结果
4.参考文献
[1]张悦,孙惠香,魏政磊,韩博.具有自适应调整策略的混沌灰狼优化算法[J].计算机科学,2017,44(S2):119-122+159.
5.Matlab代码
6.Python代码