黨星海 王夢娟

（1.蘭州理工大學(xué)土木工程學(xué)院 蘭州 730050）（2.蘭州理工大學(xué)建筑勘察設(shè)計研究院 蘭州 730050）

1 引言

近20年來，群智能優(yōu)化算法得到了快速發(fā)展，已經(jīng)成為解決科學(xué)和工程領(lǐng)域優(yōu)化問題的有效手段，典型的有粒子群算法、蟻群算法、差分進(jìn)化算法、引力搜索算法等。它們各自體現(xiàn)了不同的優(yōu)化性能，但目前仍沒有一種算法能夠解決所有優(yōu)化問題，為此，探索新的、高效且適應(yīng)范圍廣的優(yōu)化算法十分必要［1～3］。

灰狼優(yōu)化（Grey Wolf Optimizer，GWO）算法是由Mirjalili等［4］于2014年提出的一種新型的群智能優(yōu)化算法。該算法一方面模擬了自然界灰狼群體覓食行動，表現(xiàn)出了驚人的群體智能，另一方面具有較少的設(shè)置參數(shù)和較優(yōu)的全局搜索能力，因而得到人們?nèi)找嬖鲩L的重視。目前，GWO算法已經(jīng)成功應(yīng)用于表面波參數(shù)優(yōu)化、傳感器網(wǎng)絡(luò)訓(xùn)練、直流電機(jī)最優(yōu)控制、經(jīng)濟(jì)調(diào)度指派問題等領(lǐng)域中。但是在實(shí)際使用中，人們發(fā)現(xiàn)基本GWO算法和其他優(yōu)化算法一樣，存在易陷入局部最優(yōu)的缺點(diǎn)。為了解決這個問題，國內(nèi)外學(xué)者展開了研究。國外的研究，如：文獻(xiàn)［5］提出反向?qū)W習(xí)策略，用來實(shí)現(xiàn)GWO算法的并行化；文獻(xiàn)［6］提出在GWO算法中嵌入動態(tài)種群算子，用來增強(qiáng)算法的局部搜索能力；文獻(xiàn)［7］提出加權(quán)距離策略，用來調(diào)整GWO算法的位置更新方程。國內(nèi)的研究，如：文獻(xiàn)［8］提出混沌和精英反向?qū)W習(xí)的混合策略來改進(jìn)GWO算法，在求解高維優(yōu)化問題上取得了顯著效果；文獻(xiàn)［9］構(gòu)建了一種DE和GWO的混合算法，在一定程度上增強(qiáng)了算法的全局搜索能力；文獻(xiàn)［10］在GWO算法中嵌入選擇算子和更改線性收斂因子，提升了算法跳出局部最優(yōu)的能力。盡管GWO算法得到了一些優(yōu)化，但算法在搜索精度、尋優(yōu)穩(wěn)定性和收斂速度上仍不是很理想。

在前人研究的基礎(chǔ)上，本文提出了一種新型混合改進(jìn)策略，旨在進(jìn)一步增強(qiáng)GWO算法的尋優(yōu)能力。主要貢獻(xiàn)有：1）提出了分群優(yōu)化策略，以加強(qiáng)算法局部搜索和全局搜索之間的信息交換；2）提出了高斯變異和隨機(jī)擾動策略，以維持算法進(jìn)化過程中的種群多樣性。通過引入包含單峰、多峰和固定維度多峰的多個基準(zhǔn)測試函數(shù)，仿真實(shí)驗(yàn)驗(yàn)證了改進(jìn)GWO算法的有效性。并與其他幾種先進(jìn)優(yōu)化算法的綜合比較與分析中，改進(jìn)算法在搜索精度、尋優(yōu)穩(wěn)定性和收斂速度上體現(xiàn)出了明顯優(yōu)勢。

2 基本灰狼優(yōu)化算法

灰狼是一種體型健碩的犬科類物種，多以群居為主。它們通常以5～12頭灰狼聚集成一個具有嚴(yán)格社會等級制度的群體，如圖1所示。圖1描繪了灰狼群體內(nèi)的金字塔等級制度，具體為金字塔頂端的狼稱為α，是整個灰狼群的領(lǐng)導(dǎo)者，負(fù)責(zé)群體各項事務(wù)的決策；第二層的狼稱為β，協(xié)助α的管理，當(dāng)群體中缺失α?xí)r，β接替；第三層的狼稱為δ，聽從α和β的指令，可以指揮其他底層狼；最底層的狼稱為ω，負(fù)責(zé)群體內(nèi)部關(guān)系的平衡，完成高層狼交代的任務(wù)［11～13］。

圖1 灰狼金字塔等級圖

灰狼群體狩獵時，由α帶隊，β和δ進(jìn)行協(xié)助，其余ω聽從上層指揮，實(shí)施對獵物的包圍、獵捕和攻擊。首先，灰狼群對獵物進(jìn)行包圍，該過程的數(shù)學(xué)描述為

其中：Xp表示獵物的位置；X(t)表示第t代時灰狼個體的位置；A和C為系數(shù)向量；r1和r2為［0，1］的隨機(jī)向量；a為收斂因子，a=2-2t/T，T為最大迭代次數(shù)。其次，灰狼群進(jìn)行獵捕。該過程由α、β和δ狼來引導(dǎo)，更新灰狼個體位置，數(shù)學(xué)描述如下：|A|＞1灰狼散去，進(jìn)行全局搜索。

最后，灰狼群進(jìn)行攻擊，完成捕獲獵物這一目標(biāo)，即GWO算法獲得的最優(yōu)解。攻擊行為主要依據(jù)式（3）中a值由2遞減到0來實(shí)現(xiàn)。當(dāng)|A|＜1時，灰狼群對獵物集中攻擊，對應(yīng)于局部搜索；當(dāng)

3 改進(jìn)灰狼優(yōu)化算法

3.1 分群優(yōu)化策略

混合蛙跳算法［14］是一種模擬青蛙覓食行為的群智能算法。青蛙群覓食過程中，各個不同種群的青蛙分別覓食，種群內(nèi)最差的青蛙不斷調(diào)整覓食位置，向種群內(nèi)最好的青蛙靠攏；調(diào)整完成后，所有青蛙聚集在一起，交換覓食信息；交換完信息后，再次分群覓食。該過程將局部搜索與全局搜索結(jié)合起來，使得算法向著全局最優(yōu)解的方向進(jìn)行。借鑒混合蛙跳算法局部和全局信息交換的思想，本文將其應(yīng)用于灰狼優(yōu)化算法，構(gòu)建一種基于分群優(yōu)化的灰狼優(yōu)化算法，如圖2所示。

圖2 算法的分群優(yōu)化過程

對于一個d維的優(yōu)化問題，首先，隨機(jī)生成具有F個灰狼（解）組成初始群體(X1,X2,…,XF)。其中，表示問題的第i個解。每個灰狼具有獨(dú)自的環(huán)境適應(yīng)能力。通過量化灰狼的環(huán)境適應(yīng)能力，則可以將所有灰狼個體依據(jù)適應(yīng)度值大小進(jìn)行排列。通過給定灰狼子群體M，將適應(yīng)能力排名第1的灰狼劃分入第1子群體，排名第2的灰狼劃分入第2子群體，排名第M的灰狼分入第M子群體。接著，將排名第M+1的灰狼分入第1子群體，排名第M+2的灰狼分入第2子群體，以此類推，一直劃分完所有的灰狼個體。劃分完成后的每個子群體實(shí)施局部深度搜索，即在每個子群體內(nèi)實(shí)行GWO。最后，當(dāng)所有的灰狼子群體局部搜索完成后，所有的灰狼個體匯集并依據(jù)適應(yīng)度值大小重新排列，并再次劃分灰狼子群體實(shí)施局部深度搜索，如此反復(fù)直到滿足預(yù)設(shè)的混合迭代次數(shù)結(jié)束。

3.2 基于貪婪策略的高斯變異和隨機(jī)擾動

在進(jìn)化后期，GWO算法內(nèi)灰狼種群個體多樣性大量減少，即重復(fù)的個體越來越多，如果發(fā)生局部收斂情況，那么GWO算法將很難跳出該收斂情況。對于進(jìn)化類算法，一種比較好的解決思路是維持種群的多樣性［15］。跟隨這種思路，本文提出高斯變異和隨機(jī)擾動策略，以維持GWO算法進(jìn)化過程中的種群多樣性，進(jìn)而增強(qiáng)算法擺脫局部最優(yōu)解的能力，保證算法的搜索精度。

在每代灰狼種群更新之前，首先計算當(dāng)前種群的平均適應(yīng)度值，然后對該種群所有適應(yīng)度優(yōu)于平均適應(yīng)度值的個體X1(t)采用高斯變異，否則進(jìn)行隨機(jī)擾動。高斯變異的新個體為

其中：N(0,1))表示期望為0，標(biāo)準(zhǔn)差為1的正態(tài)分布隨機(jī)數(shù)?；谪澙凡呗缘膫€體更新如下：

對于該種群所有適應(yīng)度劣于平均適應(yīng)度值的個體X2(t)采用隨機(jī)擾動，隨機(jī)擾動的新個體為

其中：lb和ub分別為灰狼個體位置的下界與上界；r3為［0，1］的隨機(jī)向量?；谪澙凡呗缘碾S機(jī)擾動個體更新如下：

進(jìn)化前期，高斯變異、隨機(jī)擾動策略使得算法快速尋找最優(yōu)解；進(jìn)化后期，增加種群多樣性，為跳出局部最優(yōu)創(chuàng)造了條件。

3.3 改進(jìn)灰狼優(yōu)化算法實(shí)施步驟

圖3給出了改進(jìn)灰狼優(yōu)化算法的基本流程。

圖3 IGWO算法流程

其具體實(shí)施步驟如下。

步驟1參數(shù)初始化。給定灰狼子群數(shù)M，子群內(nèi)灰狼數(shù)N，子群內(nèi)搜索次數(shù)I，混合迭代次數(shù)J，并初始化a、A和C參數(shù)；

步驟2依據(jù)搜索問題的上界和下界，隨機(jī)初始化灰狼種群F=NM；

步驟3通過適應(yīng)度函數(shù)量化每個灰狼個體的適應(yīng)能力，并依據(jù)適應(yīng)能力優(yōu)劣排列所有灰狼個體，按照3.1節(jié)所述分群策略依次劃分到各個給定的子群體中；

步驟4通過適應(yīng)度函數(shù)計算當(dāng)前子群體的平均適應(yīng)度值，如果適應(yīng)度優(yōu)于平均適應(yīng)度值的灰狼個體，按照式（12）、（13）進(jìn)行高斯變異；否則，按照式（14）、（15）進(jìn)行隨機(jī)擾動；

步驟5選擇適應(yīng)度最優(yōu)的前三頭狼α、β和δ；

步驟6依據(jù)式（5）～（11）更新其他狼位置；

步驟7更新參數(shù)a、A和C；

步驟8如果達(dá)到子群內(nèi)搜索次數(shù)I，則轉(zhuǎn)到步驟9，否則返回步驟4；

步驟9將所有子群體的狼混合；

步驟10如果達(dá)到混合迭代次數(shù)J，則輸出混合群體中最優(yōu)α的適應(yīng)度值，否則返回步驟3。

4 仿真實(shí)驗(yàn)

4.1 測試函數(shù)和實(shí)驗(yàn)設(shè)置

為了說明改進(jìn)灰狼優(yōu)化算法（IGWO）優(yōu)越性，本文利用文獻(xiàn)［9］提出的HGWO算法、本文提出的IGWO算法以及基本GWO算法和其他智能優(yōu)化算法GSA和DE對18個基準(zhǔn)測試函數(shù)［16］進(jìn)行了一一測試。這18個基準(zhǔn)測試函數(shù)主要分為三類：第一類為單峰基準(zhǔn)測試函數(shù)F1～F6，見表1；第二類為多峰基準(zhǔn)測試函數(shù)F7～F12，見表2；第三類為固定維度多峰基準(zhǔn)測試函數(shù)F13～F18，見表3。為保證公平，統(tǒng)一設(shè)置了所有算法的種群規(guī)模和最大迭代次數(shù)分別為30和500。此外，DE縮放因子為0.5，交叉概率為0.2；IGWO參數(shù)設(shè)置為M=10，N=30，I=50，J=10，以上參數(shù)設(shè)置均保證了各算法達(dá)到收斂狀態(tài)。

表1 單峰基準(zhǔn)測試函數(shù)

表2 多峰基準(zhǔn)測試函數(shù)

表3 固定維度多峰基準(zhǔn)測試函數(shù)

4.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中考慮了優(yōu)化算法搜索結(jié)果的隨機(jī)性，故分別獨(dú)立運(yùn)行各個算法30次，并以該30次運(yùn)行結(jié)果的均值和標(biāo)準(zhǔn)差分別評價算法搜索精度和穩(wěn)定性兩項指標(biāo)，測試結(jié)果見表4～6。

表4 單峰基準(zhǔn)測試函數(shù)測試結(jié)果

從表4～6中可以看出，相較于HGWO算法，除函數(shù)F3、F7、F9和F11外，IGWO算法的搜索精度更優(yōu)，穩(wěn)定性更好；相較于基本GWO算法，除函數(shù)F3外，IGWO算法的無論在搜索精度還是尋優(yōu)穩(wěn)定性上均明顯好于GWO算法；相較于GSA和DE算法，針對單峰、多峰以及固定維度多峰基準(zhǔn)測試函數(shù)，IGWO算法在搜索精度上均體現(xiàn)出了明顯優(yōu)勢，且尋優(yōu)十分穩(wěn)定。綜上，說明了IGWO算法是一種具備搜索精度和穩(wěn)定性皆好的優(yōu)化算法。

表5 多峰基準(zhǔn)測試函數(shù)測試結(jié)果

表6 固定維度多峰基準(zhǔn)測試函數(shù)測試結(jié)果

為了直觀體現(xiàn)IGWO算法的優(yōu)越性，圖4給出了五種優(yōu)化算法對不同基準(zhǔn)測試函數(shù)的平均收斂曲線?？紤]到篇幅限制，僅代表性地給出了針對種群1的單峰基準(zhǔn)測試函數(shù)F1、多峰基準(zhǔn)測試函數(shù)F7和固定維度多峰基準(zhǔn)測試函數(shù)F13的平均收斂曲線?？梢钥闯?，IGWO算法的收斂精度明顯優(yōu)于另外四種優(yōu)化算法，且在收斂速度上也具備一定優(yōu)勢。

圖4 函數(shù)F1、F7和F13的收斂曲線

5 結(jié)語

灰狼優(yōu)化算法是一種新型的群智能算法，針對其易陷入局部最優(yōu)的缺點(diǎn)，本文提出了一種混合改進(jìn)策略。受混合蛙跳算法的啟發(fā)，提出分群優(yōu)化策略，加強(qiáng)了算法局部搜索和全局搜索之間的信息交換；通過采用高斯變異和隨機(jī)擾動策略，維持了算法進(jìn)化過程中的種群多樣性。通過18個基準(zhǔn)測試函數(shù)的數(shù)值實(shí)驗(yàn)，驗(yàn)證了改進(jìn)算法的有效性。相比于四種先進(jìn)的優(yōu)化算法：混合灰狼優(yōu)化算法、基本灰狼優(yōu)化算法、引力搜索算法和差分進(jìn)化算法，本文所提改進(jìn)灰狼優(yōu)化算法在搜索精度、尋優(yōu)穩(wěn)定性和收斂速度上體現(xiàn)出了明顯優(yōu)勢，進(jìn)一步推進(jìn)了灰狼優(yōu)化算法的改進(jìn)研究。針對目前卷積神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)等深度網(wǎng)絡(luò)搭建過程中的網(wǎng)絡(luò)層數(shù)、神經(jīng)元、學(xué)習(xí)率等參數(shù)難確定問題，下一步工作將集中于改進(jìn)灰狼優(yōu)化算法在深度學(xué)習(xí)模型參數(shù)優(yōu)化中的應(yīng)用。