CN116362286A - 一种基于Cubic映射和纵横交叉的花授粉算法 - Google Patents

一种基于Cubic映射和纵横交叉的花授粉算法 Download PDF

Info

Publication number
CN116362286A
CN116362286A CN202310343606.4A CN202310343606A CN116362286A CN 116362286 A CN116362286 A CN 116362286A CN 202310343606 A CN202310343606 A CN 202310343606A CN 116362286 A CN116362286 A CN 116362286A
Authority
CN
China
Prior art keywords
algorithm
population
search
crisscross
local
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
CN202310343606.4A
Other languages
English (en)
Inventor
管宇
梁光威
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202310343606.4A priority Critical patent/CN116362286A/zh
Publication of CN116362286A publication Critical patent/CN116362286A/zh
Pending legal-status Critical Current

Links

Images

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)
  • Breeding Of Plants And Reproduction By Means Of Culturing (AREA)

Abstract

本发明涉及一种基于Cubic映射和纵横交叉的花授粉算法，提高了经典花授粉算法收敛速度与搜索精度。该方法包括：采用Cubic混沌映射进行种群初始化，使得种群在搜索空间分布更为均匀。其次，采用非线性递减惯性权重与差分变异优化局部搜索，使局部搜索更加平滑，提升迭代精度与寻优速度，改善局部寻优能力。最后，运用纵横交叉策略，将子代与父代比较适应度，较好的解保留下来作为新的最优个体。帮助算法在搜索过程中跳出局部最优。本发明与部分经典算法和改进算法进行对比，算法具有更好的寻优速度与精度，以及更好的跳出局部最优能力，对于高维多峰函数求解效果较好。

Description

一种基于Cubic映射和纵横交叉的花授粉算法
技术领域：
本发明涉及一种基于Cubic映射和纵横交叉的花授粉算法，适用于交通、电力、化工领域中的优化问题。
背景技术：
在工程与科学研究中最优化问题十分普遍，也不断出现各种优化算法，近年来，群智能算法在解决各种复杂问题中应用广泛。群智能算法是通过模拟各种动物或者事物群体的一种寻优过程，比如蚂蚁、蜜蜂、萤火虫等一些动物的群体行为衍生出如模拟座头鲸群体狩猎行为的鲸鱼优化算法、模拟蜜蜂采蜜行为人工蜂群优化算法、模拟蝙蝠利用声纳探测猎物的蝙蝠算法、模拟布谷鸟在其他鸟类的鸟巢下蛋行为的布谷鸟优化算法、模拟蝴蝶觅食和交配行为的蝴蝶优化算法等。
花授粉算法是英国剑桥大学学者Yang于2012所提出的一种新型的群智能算法。是根据对自然界中有花植物授粉行为的观察及研究而提出的一种新型优化算法。该算法结构简单、参数少、鲁棒性较强、性能稳定，已被成功应用到解决各种优化问题中。
但花授粉算法在优化过程中无法探索搜索空间内全部区域，其性能仍然会受到局部最小值停滞的影响，此外收敛速度也较低，这使得传统花授粉算法需要多次迭代才能在搜索区域内搜索到更优的解。
发明内容：
本发明目的在于提供一种基于Cubic映射和纵横交叉的花授粉算法，使该算法相较于经典花授粉算法在收敛速度、寻优精度上有一定提升。
本发明提供如下技术方案：
S1：在初始化种群中加入Cubic混沌映射，使得种群粒子分布均匀；
S2：采用非线性递减惯性权重与随机个体差分变异策略优化花授粉算法中的局部搜索；
S3：纵横交叉策略：利用该策略对同一维度下各代种群进行交叉搜索，寻找盲点，增加种群多样性。
进一步地，所述的步骤S1中，所述的步骤S1具体包括：
种群初始化采用Cubic混沌映射，Cubic映射一般定义如下：
Figure BDA0004158865050000011
其中，
Figure BDA0004158865050000012
分别为第t、t+1代花粉配子，也就是迭代t、t+1次后的解，ρ为控制参数，ρ的值选择2.595，混沌映射的分布较为均匀。
进一步地，所述的步骤S2具体包括：
S21：将非线性递减惯性权重作为参数加入进局部搜索中，自适应的改变粒子移动距离；
非线性递减惯性权重实现如下：
Figure BDA0004158865050000021
其中，wmin、wmax为权重最小值与最大值，当前设置为wmin＝0.2，wmax＝0.8，t为当前迭代次数，Maxiter为最大迭代次数；
S22：将局部搜索策略改为随机个体差分变异策略，即选择随机两个种群个体进行随即差分，以产生新的个体；
局部搜索实现如下：
当rand<0.5时：
Figure BDA0004158865050000022
反之：
Figure BDA0004158865050000023
其中，
Figure BDA0004158865050000024
为第t代随机的两个解，wd为非线性递减惯性权重，r为[0,1]之间的随机数。
进一步地，所述的步骤S3具体包括：
纵横交叉算法在迭代过程中每一代都会进行横向交叉和纵向交叉两种交叉方式，纵横交叉算法在每次交叉后得出的解成为中庸解(MShc，MSvc)，通过引入竞争算子，使得这两种交叉方式有机结合起来，每次交叉操作之后都会加入竞争算子，与父代竞争，只有比父代更优秀的个体会保留下来继续参与迭代，得出的解为占优解。
横向交叉是在种群两个不同粒子在相同维之间进行的一种交叉，设种群数量为N，维度为D。
横向交叉实现如下：
Figure BDA0004158865050000025
Figure BDA0004158865050000026
其中,i∈[1,N]，d∈[1,D]，q1、q2为[0,1]之间的随机数，c1、c2为区间[-1,1]之间的随机数。xi,d、xj,d为父代第i个与第j个个体，
Figure BDA0004158865050000027
为xi,d与xj,d交叉运算后得到的子代。生成的子代与父代竞争，得到适应度更高的个体进行保留。
纵向交叉是种群中一个粒子在两个不同维度之间进行的一种交叉运算，为了使已陷入局部最优而停滞的其中一个维度跳出局部最优而不影响其他维度信息，每次纵向交叉只产生一个子代，每次只对一个维度进行更新。
纵向交叉实现如下：
Figure BDA0004158865050000031
其中，
Figure BDA0004158865050000032
为父代中全局最优个体，/>
Figure BDA0004158865050000033
为全局最有个体进行交叉运算后得到的子代，r是[0,1]之间的随机数，将子代与父代比较适应度，较好的解保留下来作为新的最优个体。
本发明的效果在于：可以根据实际情况，更精准更快的获得最优解。采用本发明的Cubic映射和纵横交叉的花授粉算法的优点是：1)提升迭代精度与寻优速度；2)算法具有更好的跳出局部最优的能力；3)帮助算法在搜索过程中跳出局部最优。
附图说明：
图1是本发明所述优化算法的实现流程图
图2是Cubic混沌映射Matlab实现图
图3展示了本算法与经典算法在部分函数中的对比优化结果。
图4展示了本算法与部分改进算法在部分函数中的对比优化结果。
具体实施方式：
以下结合附图来具体说明本发明的实例方法，图1为本发明所述优化方法的实现流程图，具体步骤为：
(1)依据给定维度与种群数量按照Cubic定义式初始化种群，公式如下：
Figure BDA0004158865050000034
图2展示了Cubic映射在ρ＝2.595条件下的映射结果，种群分布较为均匀。
(2)计算每个种群的适应度值，对适应度值与个体位置排序，并记录最优位置Pbs(t)。
(3)计算非线性递减惯性权重wd。
当随机数rand<p时，按照下式做全局搜索：
Figure BDA0004158865050000035
Figure BDA0004158865050000036
Figure BDA0004158865050000041
其中，xbest为经过t次迭代后最优解，γ是控制步长的比例因子，L(λ)是花粉全局搜索过程中的Levy飞行行为，λ＝1.5；Γ(λ)为标准伽马函数，s为步长。
当rand>p时，进行局部搜索，且rand<0.5时，按照下式做局部搜索：
Figure BDA0004158865050000042
反之，则按照下式进行局部搜索：
Figure BDA0004158865050000043
(4)将上一步结果得到的种群进行越界处理，随后，将每一维度所有种群随机两两不重复组合，做横向交叉，再对其中一个种群不同维度下进行纵向交叉计算，计算适应度值并重新排序，并更新与全局最优位置与最优适应度值。
(5)重复执行(3)、(4)操作，直到达到最大迭代次数。
(6)程序结束，输出最优结果。
图3、图4展示了本发明的优化算法在10种函数优化任务中与部分经典算法与改进算法的对比结果图。

Claims (5)

1.一种基于Cubic映射和纵横交叉的花授粉算法，其特征在于，该方法具体包括以下步骤：
S1：花粉个体的分布：给定一定数量种群，按照Cubic映射初始化种群；
S2：计算每个种群的适应度值，对适应度值与个体位置排序，并记录最优位置Pbs(t)，根据当前迭代次数计算非线性递减惯性权重；
S3：当随机数rand<p时，做Levy飞行全局搜索，当rand>p时，rand<0.5时，选择随机两个种群个体进行随机差分变异，以产生新的个体；
S4：将上一步结果得到的种群进行越界处理，随后，将每一维度所有种群随机两两不重复组合，做横向交叉，再对其中一个种群不同维度下进行纵向交叉计算，计算适应度值并重新排序，并更新与全局最优位置与最优适应度值。
2.根据权利要求1所述的一种基于Cubic映射和纵横交叉的花授粉算法，其特征在于，步骤S1中，Cubic混沌映射用来进行种群初始化，Cubic映射一般定义如下：
Figure FDA0004158865030000011
其中，ρ通常取2.595。
3.根据权利要求1所述的一种基于Cubic映射和纵横交叉的花授粉算法，其特征在于，所述步骤S2中，非线性递减惯性权重表达式如下：
Figure FDA0004158865030000012
4.根据权利要求1所述的一种基于Cubic映射和纵横交叉的花授粉算法，其特征在于，所述步骤S3中，差分变异的表达式如下：
当rand<0.5时：
Figure FDA0004158865030000013
反之：
Figure FDA0004158865030000014
5.根据权利要求1所述的一种基于Cubic映射和纵横交叉的花授粉算法，其特征在于，所述步骤S4中，将对同一维度下各代种群以及对最优解各个维度下进行交叉运算，帮助算法在迭代过程中寻找盲点，增加种群多样性，提升算法的求解精度与收敛速度。
横向交叉表达式如下：
Figure FDA0004158865030000015
Figure FDA0004158865030000016
纵向交叉表达式如下：
Figure FDA0004158865030000017
CN202310343606.4A 2023-03-31 2023-03-31 一种基于Cubic映射和纵横交叉的花授粉算法 Pending CN116362286A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310343606.4A CN116362286A (zh) 2023-03-31 2023-03-31 一种基于Cubic映射和纵横交叉的花授粉算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310343606.4A CN116362286A (zh) 2023-03-31 2023-03-31 一种基于Cubic映射和纵横交叉的花授粉算法

Publications (1)

Publication Number Publication Date
CN116362286A true CN116362286A (zh) 2023-06-30

Family

ID=86936344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310343606.4A Pending CN116362286A (zh) 2023-03-31 2023-03-31 一种基于Cubic映射和纵横交叉的花授粉算法

Country Status (1)

Country Link
CN (1) CN116362286A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475263A (zh) * 2023-12-27 2024-01-30 成都数喆数据科技有限公司 图像模型训练方法及其图像识别方法、工程智慧管理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117475263A (zh) * 2023-12-27 2024-01-30 成都数喆数据科技有限公司 图像模型训练方法及其图像识别方法、工程智慧管理系统
CN117475263B (zh) * 2023-12-27 2024-03-15 成都数喆数据科技有限公司 图像模型训练方法及其图像识别方法、工程智慧管理系统

Similar Documents

Publication Publication Date Title
CN109765893B (zh) 基于鲸鱼优化算法的移动机器人路径规划方法
CN111310885A (zh) 一种引入变异策略的混沌天牛群搜索算法
CN103971160B (zh) 基于复杂网络的粒子群优化方法
CN109945881A (zh) 一种蚁群算法的移动机器人路径规划方法
Kaveh et al. Cyclical parthenogenesis algorithm: A new meta-heuristic algorithm
Asghari et al. Multi‐swarm and chaotic whale‐particle swarm optimization algorithm with a selection method based on roulette wheel
Adnan et al. A comparative study of particle swarm optimization and cuckoo search techniques through problem-specific distance function
Bakhshi et al. Fast automatic optimisation of CNN architectures for image classification using genetic algorithm
CN116362286A (zh) 一种基于Cubic映射和纵横交叉的花授粉算法
FINDIK Bull optimization algorithm based on genetic operators for continuous optimization problems.
Kumar et al. Artificial bee colony, firefly swarm optimization, and bat algorithms
CN113688573A (zh) 一种基于改进的黑寡妇蜘蛛算法的拉伸弹簧优化方法
Cai et al. Particle swarm optimization with self-adjusting cognitive selection strategy
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
Liang et al. Recent advances in particle swarm optimization via population structuring and individual behavior control
CN105334730B (zh) 加热炉氧含量的iga优化t‑s模糊arx建模方法
Bouaziz et al. Extended immune programming and opposite-based PSO for evolving flexible beta basis function neural tree
Kuliev et al. Mechanisms of swarm intelligence and evolutionary adaptation for solving PCB design tasks
Zhang et al. Improved salp swarm algorithm based on gravitational search and multi-leader search strategies
Neshat et al. A new kind of PSO: predator particle swarm optimization
Li et al. A hybrid multi-group co-evolution intelligent optimization algorithm: pso-gwo
CN109657778B (zh) 一种基于改进的多种群全局最优的自适应鸽群优化方法
Showalter et al. Objective comparison and selection in mono-and multi-objective evolutionary neurocontrollers
Chen et al. A new hybrid algorithm based on ABC and PSO for function optimization
Fayeez et al. H-ACO: A Heterogeneous Ant Colony Optimisation Approach with Application to the Travelling Salesman Problem

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