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 PDF

Info

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
algorithm
whale
individual
optimized
bionical
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
Application number
CN201710216379.3A
Other languages
English (en)
Inventor
沈海斌
巩世兵
张尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710216379.3A priority Critical patent/CN107016436A/zh
Publication of CN107016436A publication Critical patent/CN107016436A/zh
Pending legal-status Critical Current

Links

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

一种仿生策略优化的混合鲸鱼算法
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。
CN201710216379.3A 2017-03-31 2017-03-31 一种仿生策略优化的混合鲸鱼算法 Pending CN107016436A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (13)

* Cited by examiner, † Cited by third party
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
WO2020259502A1 (zh) 神经网络模型的生成方法及装置、计算机可读存储介质
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
CN108803332B (zh) 基于改进生物地理学的路径规划方法
CN111523749B (zh) 一种水电机组模型智能辨识方法
CN110262566B (zh) 基于合作的基因调控方法和网络
CN106447024A (zh) 一种基于混沌反向学习的粒子群改进算法
CN108537797B (zh) 一种虚拟手术中可变形对象切割仿真的网格变形优化方法
CN107169557A (zh) 一种对布谷鸟优化算法进行改进的方法
CN116242383B (zh) 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN110276437A (zh) 基于Fuch映射的混合改进灰狼优化算法
CN106204719B (zh) 基于二维邻域检索的三维场景中海量模型实时调度方法
CN109214499A (zh) 一种改进寻优策略的差分搜索算法
CN112417760B (zh) 基于竞争混合网络的舰船控制方法
CN110110380B (zh) 一种压电执行器迟滞非线性建模方法及应用
CN110442129A (zh) 一种多智能体编队的控制方法和系统
CN103646278A (zh) 基于自适应策略的粒子群算法在机器人路径规划中的应用
CN103886396A (zh) 一种人工鱼群与粒子群混合优化的确定方法
CN115130760B (zh) 一种基于改进型野马算法的水平圆柱体设施布局方法
CN108876029A (zh) 一种基于双种群自适应混沌萤火虫的客流预测方法
CN116011501A (zh) 一种改进的蛇算法优化算法
CN116528252A (zh) 一种基于改进白骨顶鸡算法的无线传感器网络覆盖优化方法
CN113467481A (zh) 一种基于改进Sarsa算法的路径规划方法
CN111539508B (zh) 基于改进灰狼算法的发电机励磁系统参数辨识算法
CN116663637A (zh) 一种多层级智能体同步嵌套训练方法

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
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

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170804