CN107016436A - 一种仿生策略优化的混合鲸鱼算法 - Google Patents
一种仿生策略优化的混合鲸鱼算法 Download PDFInfo
- Publication number
- CN107016436A CN107016436A CN201710216379.3A CN201710216379A CN107016436A CN 107016436 A CN107016436 A CN 107016436A CN 201710216379 A CN201710216379 A CN 201710216379A CN 107016436 A CN107016436 A CN 107016436A
- Authority
- CN
- China
- Prior art keywords
- whale
- algorithm
- hybrid
- individual
- random number
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000283153 Cetacea Species 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title abstract description 16
- 239000011664 nicotinic acid Substances 0.000 claims abstract description 15
- 230000000739 chaotic effect Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000003592 biomimetic effect Effects 0.000 claims 1
- 244000144980 herd Species 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 6
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 230000002028 premature Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000009191 jumping Effects 0.000 description 3
- 241000283085 Megaptera Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种仿生策略优化的混合鲸鱼算法，所述算法采用Chebyshev混沌映射实现鲸鱼群的种群初始化，在搜索过程中以新的数学模型进行个体的位置更新，使算法的收敛性能得到优化。本发明的一种仿生策略优化的混合鲸鱼算法有利于避免一般优化算法的前期早熟收敛问题，有利于跳出局部收敛陷阱。
Description
技术领域
本发明涉及人工智能领域，具体而言，涉及一种仿生策略优化的混合鲸鱼算法。
背景技术
标准的鲸鱼算法(whale optimization algorithm，WOA)是由Mirjalili和Lewis于2016年提出的群智算法，是通过模仿座头鲸的捕食行为机制实现的优化算法。标准鲸鱼算法以基于群体最优的方式能够实现快速收敛，但在全局性搜索方面会有欠缺，因此在具有多峰值特点的函数极值寻优中会陷入局部收敛陷阱，不易跳出局部极小值。
发明内容
本发明要解决的技术问题是：针对标准鲸鱼算法容易陷入局部收敛陷阱的不足，提出一种仿生策略优化的混合鲸鱼算法。
本发明采用的技术方案为：
一种仿生策略优化的混合鲸鱼算法，所述算法采用Chebyshev混沌映射实现鲸鱼群的种群初始化，在搜索过程中以新的数学模型进行个体的位置更新，使算法的收敛性能得到优化，避免前期的早熟收敛问题，有利于跳出局部收敛陷阱。
一种仿生策略优化的混合鲸鱼算法，主要由如下步骤实现：
步骤1：采用Chebyshev混沌映射实现鲸鱼群的种群初始化；
步骤2：在搜索过程中，鲸鱼个体的位置根据式(1)和式(2)的进行更新：
其中， t表示迭代次数，表示鲸鱼个体的位置，表示群体最优位置，表示个体历史最优位置，α,β、b、l表示参数，表示参数向量。
一种仿生策略优化的混合鲸鱼算法，步骤1所述Chebyshev混沌映射的方式采用式(7)生成随机数序列：
x(t+1)＝cos(w*arccos(x(t)))(7)，w是Chebyshev的分形参数,t表示迭代的次数，x(t)表示当前产生的随机数，x(t+1)表示下一次产生的随机数。
本发明有益效果：本发明的一种仿生策略优化的混合鲸鱼算法将Chebyshev混沌随机数应用于种群初始化，使种群个体的初始位置分布更均匀，有利于避免前期的早熟收敛问题；以新的数学模型实现个体的位置更新，有利于跳出局部收敛陷阱，进一步增强了算法在全局优化方面的性能。
附图说明
图1为本发明一种仿生策略优化的混合鲸鱼算法的流程图。
具体实施方式
下面根据说明书附图，结合具体实施例，对本发明进一步说明：
一种仿生策略优化的混合鲸鱼算法，所述算法采用Chebyshev混沌映射实现鲸鱼群的种群初始化，在搜索过程中以新的数学模型进行个体的位置更新，使算法的收敛性能得到优化，避免前期的早熟收敛问题，有利于跳出局部收敛陷阱。
一种仿生策略优化的混合鲸鱼算法，主要有如下步骤实现：
步骤1：采用Chebyshev混沌映射实现鲸鱼群的种群初始化；
步骤2：在搜索过程中，鲸鱼个体的位置根据数学模型式(1)和式(2)的进行更新：
其中， t表示迭代次数，表示鲸鱼个体的位置，表示群体最优位置，表示个体历史最优位置，α,β、b、l表示参数，表示参数向量。
一种仿生策略优化的混合鲸鱼算法，步骤1所述Chebyshev混沌映射的方式采用式(7)生成随机数序列：
x(t+1)＝cos(w*arccos(x(t)))(7)，w是Chebyshev的分形参数,t表示迭代的次数，x(t)表示当前产生的随机数，x(t+1)表示下一次产生的随机数。
如图1所示，其中m为[0,1]间的随机数，当m大于0.5时，一种仿生策略优化的混合鲸鱼算法采用式(1)更新个体位置；当m小于或等于0.5时，一种仿生策略优化的混合鲸鱼算法采用式(2)更新个体位置。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (2)
1.一种仿生策略优化的混合鲸鱼算法，其特征在于包括如下步骤：
步骤1：采用Chebyshev混沌映射实现鲸鱼群的种群初始化；
步骤2：在搜索过程中，鲸鱼个体的位置根据式(1)和式(2)进行更新：
其中， t表示迭代次数，表示鲸鱼个体的位置，表示群体最优位置，表示个体历史最优位置，α,β、b、l表示参数，表示参数向量。
2.根据权利要求1所述的一种仿生策略优化的混合鲸鱼算法，其特征在于：步骤1所述Chebyshev混沌映射采用式(7)生成随机数序列：
x(t+1)＝cos(w*arccos(x(t)))(7)，w是Chebyshev的分形参数,t表示迭代的次数，x(t)表示当前产生的随机数，x(t+1)表示下一次产生的随机数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710216379.3A CN107016436A (zh) | 2017-03-31 | 2017-03-31 | 一种仿生策略优化的混合鲸鱼算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710216379.3A CN107016436A (zh) | 2017-03-31 | 2017-03-31 | 一种仿生策略优化的混合鲸鱼算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107016436A true CN107016436A (zh) | 2017-08-04 |
Family
ID=59445293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710216379.3A Pending CN107016436A (zh) | 2017-03-31 | 2017-03-31 | 一种仿生策略优化的混合鲸鱼算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107016436A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107846719A (zh) * | 2017-12-15 | 2018-03-27 | 华中科技大学 | 一种基于改进鲸鱼群算法的无线传感器网络路由方法 |
| CN107911300A (zh) * | 2017-10-25 | 2018-04-13 | 西南交通大学 | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 |
| CN108010069A (zh) * | 2017-12-01 | 2018-05-08 | 湖北工业大学 | 基于鲸鱼优化算法和灰色关联分析的快速图像匹配方法 |
| CN108021658A (zh) * | 2017-12-01 | 2018-05-11 | 湖北工业大学 | 一种基于鲸鱼优化算法的大数据智能搜索方法及系统 |
| CN108112049A (zh) * | 2017-12-15 | 2018-06-01 | 华中科技大学 | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 |
| CN108830431A (zh) * | 2018-08-03 | 2018-11-16 | 广东工业大学 | 一种基于鲸鱼优化算法的电价预测方法及相关装置 |
| CN109886589A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
| CN109931903A (zh) * | 2019-02-26 | 2019-06-25 | 上海大学 | 一种基于改进鲸鱼优化算法的圆柱度评定方法 |
| CN113569354A (zh) * | 2021-07-26 | 2021-10-29 | 中国科学院工程热物理研究所 | 一种叶轮机械叶片的自动优化方法 |
-
2017
- 2017-03-31 CN CN201710216379.3A patent/CN107016436A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107911300B (zh) * | 2017-10-25 | 2020-10-13 | 西南交通大学 | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 |
| CN107911300A (zh) * | 2017-10-25 | 2018-04-13 | 西南交通大学 | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 |
| CN108021658A (zh) * | 2017-12-01 | 2018-05-11 | 湖北工业大学 | 一种基于鲸鱼优化算法的大数据智能搜索方法及系统 |
| CN108010069A (zh) * | 2017-12-01 | 2018-05-08 | 湖北工业大学 | 基于鲸鱼优化算法和灰色关联分析的快速图像匹配方法 |
| CN108021658B (zh) * | 2017-12-01 | 2023-05-26 | 湖北工业大学 | 一种基于鲸鱼优化算法的大数据智能搜索方法及系统 |
| CN107846719A (zh) * | 2017-12-15 | 2018-03-27 | 华中科技大学 | 一种基于改进鲸鱼群算法的无线传感器网络路由方法 |
| CN108112049A (zh) * | 2017-12-15 | 2018-06-01 | 华中科技大学 | 一种基于鲸鱼群算法的无线传感器网络能效优化分簇方法 |
| CN107846719B (zh) * | 2017-12-15 | 2018-10-30 | 华中科技大学 | 一种基于改进鲸鱼群算法的无线传感器网络路由方法 |
| CN108830431A (zh) * | 2018-08-03 | 2018-11-16 | 广东工业大学 | 一种基于鲸鱼优化算法的电价预测方法及相关装置 |
| CN109931903A (zh) * | 2019-02-26 | 2019-06-25 | 上海大学 | 一种基于改进鲸鱼优化算法的圆柱度评定方法 |
| CN109886589A (zh) * | 2019-02-28 | 2019-06-14 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
| CN109886589B (zh) * | 2019-02-28 | 2024-01-05 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
| CN113569354A (zh) * | 2021-07-26 | 2021-10-29 | 中国科学院工程热物理研究所 | 一种叶轮机械叶片的自动优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016436A (zh) | 一种仿生策略优化的混合鲸鱼算法 | |
| CN109765893B (zh) | 基于鲸鱼优化算法的移动机器人路径规划方法 | |
| CN108919641A (zh) | 一种基于改进樽海鞘算法的无人机航迹规划方法 | |
| CN110062390B (zh) | 基于改进狼群算法的无线传感器网络节点优化部署方法 | |
| Liu et al. | A hierarchical simple particle swarm optimization with mean dimensional information | |
| CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
| CN111105034A (zh) | 基于反事实回报的多智能体深度强化学习方法、系统 | |
| CN111404731B (zh) | 一种基于双启发式算法的sdn网络控制器部署方法及系统 | |
| CN113919485A (zh) | 基于动态层级通信网络的多智能体强化学习方法及系统 | |
| CN101887584A (zh) | 一种基于适度随机搜索行为的多阈值图像分割方法 | |
| CN102013037A (zh) | 一种基于粒子群算法的路径搜索方法及装置 | |
| CN103927580A (zh) | 一种基于改进人工蜂群算法的工程约束参数优化方法 | |
| CN105333879A (zh) | 同步定位与地图构建方法 | |
| CN112469050A (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
| CN110276437A (zh) | 基于Fuch映射的混合改进灰狼优化算法 | |
| Bin et al. | A binary particle swarm optimization algorithm inspired by multi-level organizational learning behavior | |
| CN108491922A (zh) | 基于教学和粒子群算法的主动配电网智能混合重构方法 | |
| CN103886396A (zh) | 一种人工鱼群与粒子群混合优化的确定方法 | |
| CN112417760A (zh) | 基于竞争混合网络的舰船控制方法 | |
| CN116011501A (zh) | 一种改进的蛇算法优化算法 | |
| Huang | Artificial infectious disease optimization: A SEIQR epidemic dynamic model-based function optimization algorithm | |
| CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
| CN110334812A (zh) | 一种新型混沌自适应烟花优化方法 | |
| CN116863106A (zh) | 一种基于自适应变异金豺算法的胶囊机器人胃肠道路径规划方法 | |
| CN116017476A (zh) | 无线传感器网络覆盖设计方法、装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Shi Inventor after: Shen Haibin Inventor after: Gong Shibing Inventor after: Zhang Yao Inventor before: Shen Haibin Inventor before: Gong Shibing Inventor before: Zhang Yao |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |
|
| RJ01 | Rejection of invention patent application after publication |