目录
0 引言
针对DBO全局探索能力不足、易陷入局部最优以及收敛精度不理想等问题,有学者提出了一种混合多策略改进的蜣螂优化算法(IDBO)。该算法采用混沌映射结合随机反向学习策略初始化种群提高多样性,增强全局寻优能力;其次引入黄金正弦策略实现个体动态搜索,提高算法遍历性;引入竞争机制增强信息交互,同时在迭代后期利用自适应 t 分布变异对个体进行扰动,避免算法陷入局部最优。
1 数学模型
IDBO是在DBO基础引入4大策略改进算法全局探索和局部开发能力,分别为混沌映射和随机反向学习策略、黄金正弦策略、自适应 t 分布扰动和竞争策略,模型具体表达式如下:
1)混沌映射和随机反向学习策略:Chebyshev映射具有形式简单、均匀性好、遍历性强等特点,可以更优取代DBO随机算子,同时反向学习策略比较混沌映射和随机种群适应度,比选增强搜索过程中种群的多样性和探索能力,具体表达式如下:
式中a为常数项,X在算法为混沌映射后蜣螂种群位置,X^为X的反向解,J为0到1的随机数,Lb,Ub为问题维度边界。
2)黄金正弦策略:为使推球蜣螂完成对解空间的充分勘探,引入黄 金正弦策略对推球蜣螂进行位置更新。该策略对局部最优值附近领域空间可以充分搜索,提高了勘探能力;同时结 合黄金分割系数实现动态搜索,提高了算法遍历性。 引入黄金正弦策略后,推球蜣螂位置更新如下:
式中R为蜣螂推球时蜣螂位置的更新,ω1,ω2为[0,2pi]和[0,pi]的随机数,为黄金分割系数,a1和a2为初始值。
3)跳舞时蜣螂位置更新:对应蜣螂推球遇到障碍物,选择跳舞来选择位置更新中也引入黄金正弦策略,具体如下:
4)自适应 t 分布扰动 :在迭代后期,算法趋于收敛,各个体之间差异较小,此时引入微小扰动,能够避免算法陷入局部最优,并进行充分地局部开发,故其公式如下:
式中Xbest为全局最佳位置向量,φ为0到1的随机数,δ为服从均匀分布U(0,1),u为0到1之间常量。
2 模型性能可视化
IDBO-BP和DBO-BP的模型性能可视化图如下:数据来源UCI数据集。
1)精度指标:
2)寻优指标:
3 MATLAB代码
3.1 伪代码程序图
3.2 IDBO-BP
1)单输出回归预测模型、多输出回归预测模型、分类模型、时间序列:
标签:映射,蜣螂,算法,BP,MATLAB,IDBO,推球 From: https://blog.csdn.net/2403_88401503/article/details/143588632