非均匀变异的互利自适应缎蓝园丁鸟优化算法

发布时间：2021-08-28 11:59

　　针对缎蓝园丁鸟优化（SBO）算法求解精度不高和收敛速度慢等问题,提出一种改进的缎蓝园丁鸟优化（ISBO）算法。首先,引入非均匀变异算子,动态地调整每次迭代园丁鸟个体的搜索步长,使算法能快速高效地寻求全局最优值;其次,采用互利因子对算法的社会部分引入更多组合模式,使其不再单一围绕前一个园丁鸟附近搜索,以获取更好的最优解;最后,为了更好地平衡算法的局部与全局搜索能力,引入余弦变化的惯性权重因子来更新园丁鸟的位置公式。使用收敛速度分析、Wilcoxon检验和8个基准函数对5种算法搜索性能进行对比分析,来评估改进缎蓝园丁鸟优化算法的效率。结果表明,改进算法具有更好的全局搜索能力和求解鲁棒性,同时寻优精度和收敛速度也比原来算法有所增强。 

【文章来源】：计算机工程与科学. 2020,42(12)北大核心CSCD

【文章页数】：9 页

【部分图文】：

算法流程图

图2给出了8个基准函数的平均收敛曲线图,各函数分图图例同图2a一致。由于ISBO收敛精度较高,为了便于观察收敛情况,本文对寻优适应度值(纵坐标)取10为底的对数。由图2a～图2h可看出,SSA和BOA算法作为较新的算法,也依然存在容易陷入局部最优的缺点。原始SBO算法的收敛曲线下降缓慢,出现不同程度的停滞,基本陷入局部极值且收敛精度较低。NSBO、MSBO和WSBO算法性能都比SBO算法更好。而无论单峰、多峰,还是低维和高维,对于每个基准函数,ISBO比其他算法的收敛速度和寻优精度都要好,随着迭代次数的增加,ISBO的曲线下降非常快,并且在迭代后期具有持续寻优的能力。对于函数f1,ISBO在300代左右搜索到函数的最佳值0,所以图2a中,ISBO的曲线后面部分没有显示。图2f～图2h是多峰函数的平均收敛曲线,ISBO算法的寻优适应度值是8个算法中最好的。对于函数f7,ISBO算法在150代左右即搜索到全局最优解,表现了较强的鲁棒性。由此说明对于这一类的多峰函数,ISBO具有很强的搜索能力,可以快速跳出局部最优值束缚向全局最优点靠近。综上可知,ISBO算法对于所有基准函数都有很好的寻优结果。特别是对于高维、多峰的函数,具有较好的稳定性和寻优能力,有效地解决了原始缎蓝园丁鸟优化算法收敛速度缓慢、求解精度不高的问题。

如图3所示是ISBO与SBO、PSO和GA算法的一次迭代速度对比图。系统总效益随着迭代次数的增加而增大,ISBO算法在53代时,系统总效益达到最大,即此刻为认知智能电网的邻域网中频谱分配问题的最优解,在此以后系统总效益不再改变;ISBO算法的最优解明显大于SBO算法的,说明了改进算法的有效性;PSO算法和GA算法分别在第178代和第211代时系统总效益才达到最大值,而且它们的效益值明显低于ISBO算法的。为了说明ISBO算法在不同频谱环境下均具有更好的优化性能,将4种算法在30种不同的频谱环境下进行仿真,得到不同频谱环境下的系统总效益图,如图4所示。从表6可以看出,ISBO算法最终的系统总效益比GA算法分别高出31.8%,比PSO算法高出14.6%,比未改进前的SBO算法高出8.8%。这也进一步说明了本文所提算法在频谱分配当中的有效性。

【参考文献】：
期刊论文
[1]基于改进粒子群算法的路径规划[J]. 贾会群,魏仲慧,何昕,张磊,何家维,穆治亚.  农业机械学报. 2018(12)
[2]基于自适应t分布变异的缎蓝园丁鸟优化算法[J]. 韩斐斐,刘升.  微电子学与计算机. 2018(08)
[3]基于子种群拉伸操作的精英共生生物搜索算法[J]. 王艳娇,马壮.  控制与决策. 2019(07)



本文编号：3368473