国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

增強(qiáng)型野馬優(yōu)化算法及其工程應(yīng)用

2024-08-17 00:00馬志海劉升
計算機(jī)應(yīng)用研究 2024年7期

摘 要:針對野馬優(yōu)化算法易陷入局部最優(yōu)、收斂速度慢等缺點(diǎn),提出增強(qiáng)型野馬優(yōu)化算法。首先,在種群初始化階段,采用Sinusoidal映射,增加種群的多樣性;其次,在階段更新過程中,設(shè)計出非線性收斂性更強(qiáng)的自適應(yīng)權(quán)重,調(diào)節(jié)全局搜索和局部優(yōu)化能力;然后,在更新領(lǐng)導(dǎo)者位置階段加入擾動因子,平衡局部和全局探索能力;進(jìn)一步,利用自適應(yīng)t分布變異,對個體位置進(jìn)行擾動,提高算法跳出局部最優(yōu)的能力。通過在CEC2021測試競賽進(jìn)行測試優(yōu)化比較,驗(yàn)證算法的有效性和穩(wěn)健性,并利用Wilcoxon秩和檢驗(yàn)和MAE排名,驗(yàn)證算法的有效性。最后將算法應(yīng)用到工程難題問題中,驗(yàn)證了其在工程優(yōu)化問題上的適用性與優(yōu)越性。實(shí)驗(yàn)結(jié)果表明,與其他智能算法相比,增強(qiáng)型野馬優(yōu)化算法具有更強(qiáng)的尋優(yōu)能力和更快的收斂速度。

關(guān)鍵詞:野馬優(yōu)化算法; Sinusoidal映射; 自適應(yīng)t分布; 工程優(yōu)化

中圖分類號:TP301.6 文獻(xiàn)標(biāo)志碼:A 文章編號:1001-3695(2024)07-020-2061-08

doi:10.19734/j.issn.1001-3695.2023.10.0505

Enhanced wild horse optimization algorithm and its engineering application

Abstract:To overcome the weaknesses of wild horse optimization algorithm, such as easy to fall into local optima and slow convergence speed, this paper proposed an enhanced wild horse optimization algorithm. Firstly, in the population initialization stage, it utilized Sinusoidal mapping to increase the diversity of the population. Secondly, in the stage update process, it designed adaptive weights with stronge9Xjk1wlPuMDjFtZHAPcaIJvga+aWzTY8khYfD2oVPdE=r nonlinear convergence to adjust the abilities of global search and local optimization. Then, it introduced perturbation factors in the leader position update stage to balance local and global exploration capabilities. Furthermore, it utilized adaptive t-distribution mutation to perturb the individual positions and improve the algorithm’s ability to jump out of local optima. The effectiveness and robustness of the algorithm were validated by optimization comparisons in the CEC2021 competition test set, and the efficacy of the algorithm was verified through Wilcoxon rank sum test and MAE ranking. Finally, it applied the algorithm to two engineering problems, which verified the applicability and superiority of the algorithm for engineering optimization problems. The experimental results indicate that the enhanced wild horse optimization algorithm exhibits stronger optimization capabilities and faster convergence speed,which compared to other intelligent algorithms.

Key words:wild horse optimization algorithm; Sinusoidal mapping; adaptive t-distribution; engineering optimization

0 引言

隨著人類社會的迅速發(fā)展,問題的規(guī)模和復(fù)雜度不斷增加,因此需要更加通用和高效的算法來應(yīng)對這些挑戰(zhàn)。元啟發(fā)式算法具有通用性強(qiáng)、計算效率高、問題規(guī)??蓴U(kuò)展等優(yōu)點(diǎn),被廣泛應(yīng)用于大量復(fù)雜的科學(xué)研究和工程應(yīng)用問題。隨著群智能算法的優(yōu)點(diǎn)被大眾熟知,越來越多新的群智能算法不斷地被提出,如鯨魚優(yōu)化算法(whale optimization algorithm,WOA)[1]、正弦余弦算法(sine cosine algorithm,SCA)[2]、白骨頂雞優(yōu)化算法(coot optimization algorithm,COOT)[3]等。

野馬優(yōu)化器(wild horse optimization,WHO)是Naruei等人[4]提出的一種新的智能優(yōu)化算法。該算法的靈感來源于野馬的社會生活行為,主要包括小馬駒的放牧行為、馬的交配行為、領(lǐng)導(dǎo)種馬群體,以及各種群領(lǐng)導(dǎo)者選拔行為等。該算法具有結(jié)構(gòu)簡單、時間復(fù)雜度低、控制參數(shù)少等特點(diǎn),因此有廣泛的應(yīng)用前景。Ali等人[5]將改進(jìn)WHO用于解決電力系統(tǒng)優(yōu)化問題。Motwakel等人[6]將WHO用于電力數(shù)據(jù)中優(yōu)化選擇特征,最終實(shí)現(xiàn)了準(zhǔn)確的負(fù)荷預(yù)測性能。Milovanovic'等人[7]將WHO用于微電網(wǎng)多目標(biāo)能量管理中。蔡延光等人[8]將改進(jìn)WHO用于求解TS,相比原算法取得了很好的效果。

雖然野馬優(yōu)化算法優(yōu)化能力具有一定的優(yōu)勢,但仍然存在一些缺陷。例如,在初始化階段存在初始種群多樣性差、全局搜索能力弱、易陷入局部最優(yōu)等不足。針對上述問題,李高揚(yáng)等人[9]首先引入tent映射初始化種群,提高算法的全局尋優(yōu)能力,其次采用自適應(yīng)領(lǐng)域搜索策略,改善算法的開發(fā)能力,最后利用高斯隨機(jī)游走策略對個體的歷史最優(yōu)位置進(jìn)行回溯搜索,改善算法的探索能力。然而tent映射可能導(dǎo)致種群中存在多個重復(fù)個體,并且初始種群分布不均,從而造成收斂速度慢以及容易陷入局部最優(yōu)等問題。李一銘等人[10]首先利用非自適應(yīng)因子,有效平衡了算法全局探索和局部挖掘能力,其次引入偏移進(jìn)化策略增加個體多樣性,然后引入黃金正弦分割系數(shù),指引個體向全局最優(yōu)位置方向移動。但是使用黃金正弦分割系數(shù)可能會導(dǎo)致引入的方向性過強(qiáng),會使種群陷入局部最優(yōu)解。

綜上,本文提出一種增強(qiáng)型野馬優(yōu)化算法(enhanced wild horse optimization,EWHO),以解決WHO存在的不足。一方面,在野馬種群初始化階段進(jìn)行Sinusoidal映射,Sinusoidal映射相比tent映射具有更加平滑、更廣的映射范圍和更好的分布性質(zhì)等優(yōu)點(diǎn),能更好地提高種群多樣性;另一方面,改進(jìn)自適應(yīng)因子以平衡全局探索和局部開發(fā)能力;然后,在更新種馬位置時融入自適應(yīng)擾動因子,相比黃金正弦分割系數(shù),自適應(yīng)擾動因子通過可調(diào)節(jié)的參數(shù)、自適應(yīng)性和獨(dú)立性,提供了更大的靈活性,能夠使算法更好地適應(yīng)不同的問題和優(yōu)化目標(biāo);最后,引入自適應(yīng)t分布和動態(tài)選擇策略,進(jìn)一步協(xié)調(diào)局部搜索和全局搜索的比重。

1 WHO算法

1.1 初始化種群

隨機(jī)生成種群數(shù)為(x)={x1,x2,x3,…,xn},接著對初始種群進(jìn)行分組,如果總體成員數(shù)為N,則種馬數(shù)量為G=N×PS。其中PS為種馬在總?cè)褐兴嫉陌俜直?,剩下的成員數(shù)量為N-G。根據(jù)種馬數(shù)量G進(jìn)行平均分組,從而保證每一個組別中都有一個種馬。

1.2 小馬駒放牧行為

小馬駒通常大部分時間都在群體附近吃草,把種馬視為放牧區(qū)域的中心,群體其他成員在不同半徑的引線周圍進(jìn)行移動和探索的公式如式(1)所示。

xji,G=2Z cos(2πRZ)×(Stallionj-xji,G)+Stallionj(1)

其中:xji,G是群體成員當(dāng)前位置;Stallionj是種馬的位置;R是[-2,2]的隨機(jī)數(shù),可以使馬駒以不同角度進(jìn)行放牧;xji,G是群體成員在放牧?xí)r的新位置;Z是由式(2)計算出的自適應(yīng)結(jié)構(gòu)。

Z=R2·IDX+R3·(~I(xiàn)DX)(2)

其中:P=R1<TDR,IDX=(P==0),如果R1中的元素小于TDR,則返回邏輯值1,否則返回0;P是0和1組成的向量;R1和R3是在[0,1]均勻分布的隨機(jī)向量;R2是在[0,1]均勻分布的隨機(jī)數(shù);IDX返回的是P向量中元素等于0的位置;TDR是自適應(yīng)參數(shù),從1開始,在算法執(zhí)行過程中不斷線性減小到0,表達(dá)公式如式(3)所示。

TDR=1-iter×(1/maxiter)(3)

其中:iter為當(dāng)前迭代次數(shù);maxiter為算法的最大迭代次數(shù)。

1.3 馬的交配行為

當(dāng)小馬駒成熟后,會離開自己所在的群組進(jìn)行交配行為,表達(dá)公式如式(4)所示。

XPG,K=Crossover(XqG,i,XzG,j) i≠j≠k,q=z=end(4)

其中:XPG,K表示群組k中的第p個個體的位置;Crossover表示取XqG,i和XzG,j的平均值;XqG,i表示群組i中的第q個個體的位置;XzG,j表示群組j中第z個個體的位置。

1.4 集體領(lǐng)導(dǎo)

群體領(lǐng)導(dǎo)者需要帶領(lǐng)種群走向最佳棲息地,如果當(dāng)前種群占主導(dǎo)地位,則可以使用棲息地,否則必須遠(yuǎn)離。這個過程可以用式(5)進(jìn)行表示。

1.5 領(lǐng)導(dǎo)者的交流與選拔

隨機(jī)選擇領(lǐng)導(dǎo)者,確保算法的隨機(jī)性質(zhì),后期如果成員有更好的適應(yīng)度值則進(jìn)行身份交換,如式(6)所示。

2 EWHO算法

2.1 Sinusoidal 映射

算法的初始化階段對后期過程有很大影響。WHO算法的基本種群初始化是在整個空間內(nèi)隨機(jī)分布,具有較高的隨機(jī)性和分布不均勻性,會導(dǎo)致種群多樣性缺乏,搜索效率低等問題。許多學(xué)者利用混沌映射機(jī)制來增加種群的多樣性,以改善算法的性能。常見的混沌模型包括Sinusoidal、Logistic和Circle映射。Sinusoidal映射是一種常用的混沌映射函數(shù),它通過正弦函數(shù)生成非線性和周期性的數(shù)值序列。相對于Logistic和Circle映射,在某些區(qū)域產(chǎn)生更密集數(shù)值分布的情況下,Sinusoidal映射表現(xiàn)出更高的隨機(jī)性。其非線性特性和周期性質(zhì)使得它能夠生成更復(fù)雜、更隨機(jī)的序列,有助于增加種群的多樣性,避免種群陷入局部最優(yōu)解。

圖1展示三種混沌映射方式所產(chǎn)生的混沌序列值的分布??梢钥闯?,Logistic和Circle映射取值概率都不均勻,而均勻的混沌值范圍可以促進(jìn)種群在搜索空間內(nèi)更均勻地分布,增加種群個體的多樣性,Sinusoidal映射相對于Logistic和Circle映射分布更為均勻。

圖2是在函數(shù)Griewangk’s function的測試下,WHO分別利用隨機(jī)初始化、Sinusoidal映射初始化、Logistic映射初始化和Circle映射初始化得到的目標(biāo)函數(shù)收斂曲線。由圖可知,經(jīng)過Sinusoidal映射初始化的WHO在收斂速度和求解精度上的表現(xiàn)都優(yōu)于其他映射方法。這種初始化方式有助于增加初始化種群的多樣性,使算法能夠在更廣泛的搜索空間內(nèi)進(jìn)行尋優(yōu),從而促進(jìn)全局尋優(yōu)過程。

同時Gandomi等人[11]證明了Sinusoidal映射比其他映射具有更好的優(yōu)化效果,因此引入Sinusoidal映射改善種群分布,提高初始種群多樣性。Sinusoidal混沌映射表達(dá)式如式(7)所示。

xk+1=ax2ksin(πxk)(7)

其中:a=2.3;xk為第k次迭代的值;xk+1為第k次迭代后得到的新值。

2.2 改進(jìn)TDR

根據(jù)式(1)可知,小馬駒的位置通過Z控制,所以自適應(yīng)Z是協(xié)調(diào)全局探索和局部利用的關(guān)鍵,而TDR是用來控制變量的自適應(yīng)參數(shù),所以也是整個算法的關(guān)鍵。根據(jù)式(3),TDR的值隨著算法迭代從1線性減小到0,雖然線性自適應(yīng)參數(shù)可以平衡全局探索和局部優(yōu)化,但比較有限,會降低算法的性能,受朱學(xué)敏等人[12]啟發(fā),提出將TDR改進(jìn)為非線性自適應(yīng)參數(shù),表達(dá)公式為

TDR=[(1-iter/maxiter)(2iter/maxiter)]2iter/maxiter(8)

圖3展示了改進(jìn)后的TDR與原始TDR的對比??梢钥闯?,重新設(shè)計的非線性自適應(yīng)權(quán)重呈現(xiàn)出更為平滑的上、下界,有助于使算法在搜索空間中更為均勻地進(jìn)行探索,有效減少了陷入局部最優(yōu)解的風(fēng)險。在迭代初期,改進(jìn)后的TDR的數(shù)值保持在較高的位置,且表現(xiàn)相對平穩(wěn),促使算法進(jìn)行更廣泛地全局探索,避免過早收斂到次優(yōu)解,提高對全局解的發(fā)現(xiàn)概率;迭代中期,其數(shù)值迅速減小,有助于加速從全局探索轉(zhuǎn)變?yōu)榫植块_發(fā)的過程;在迭代后期,采用較小的自適應(yīng)權(quán)重,使小馬駒在探索空間中更為細(xì)致入微地尋找潛在解,增強(qiáng)了算法對局部最優(yōu)解發(fā)現(xiàn)的概率。這一非線性自適應(yīng)權(quán)重的改進(jìn)方案使得算法更具平滑性和魯棒性,有助于更有效地發(fā)現(xiàn)整個搜索空間中的最優(yōu)解。

2.3 帶擾動因子的領(lǐng)導(dǎo)者

整個尋優(yōu)的過程中,領(lǐng)導(dǎo)者位置的變動關(guān)乎整個種群的動向。在StallionGi移動的過程中添加擾動因子,可以改變搜索范圍,跳出局部最優(yōu),增加協(xié)調(diào)局部搜索和全局優(yōu)化能力。擾動因子g定義為

g={cos[(1-iter/maxiter)2×π]+α}×β(9)

通過對α和β進(jìn)行組合實(shí)驗(yàn),當(dāng)α=4,β=5,全局探索和局部尋優(yōu)能力達(dá)到較好的平衡。改進(jìn)后的領(lǐng)導(dǎo)者移動公式為

自適應(yīng)性可以根據(jù)迭代的進(jìn)程動態(tài)調(diào)整g的值,以適應(yīng)不同的優(yōu)化階段。這樣可以使算法在不同的迭代階段表現(xiàn)更好。當(dāng)StallionGi朝著最優(yōu)位置移動時,勘探范圍由大到小,可以增加局部搜索能力;遠(yuǎn)離最優(yōu)位置時,搜索范圍由小到大,能夠增強(qiáng)全局探索能力,有效避免陷入局部最優(yōu)。

2.4 自適應(yīng)t分布與動態(tài)選擇策略

t分布又稱學(xué)生分布,含有參數(shù)自由度,t(n→∞)→N(0,1),t(n=1)=C(0,1),其中N(0,1)為高斯分布,C(0,1)為柯西分布,即標(biāo)準(zhǔn)高斯分布和柯西分布是t分布的兩個邊界特例分布[13]。三者分布如圖4所示。

柯西變異的全局搜索能力較強(qiáng),能夠有效地保持種群的多樣性;高斯變異的局部開發(fā)搜索能力較強(qiáng),可以保證進(jìn)化后期的收斂速度[14]。因此本文采用迭代次數(shù)iter為t分布自由度參數(shù)的t分布變異算子對小馬駒的位置進(jìn)行擾動,將迭代次數(shù)作為自由度參數(shù)的t分布,具有自適應(yīng)性、平衡全局與局部搜索以及收斂速度優(yōu)化的優(yōu)點(diǎn)。通過動態(tài)調(diào)整自由度參數(shù),算法能夠在早期階段促進(jìn)全局搜索,發(fā)現(xiàn)更廣闊的解空間;而在后期階段加強(qiáng)局部搜索,收斂到更精確的解。這種方法能夠提高算法的搜索效率和性能,使其在全局和局部搜索之間找到合適的平衡點(diǎn),從而優(yōu)化算法的探索能力、收斂速度和求解的精度。具體位置更新方式如式(11)所示。

雖然使用自適應(yīng)t分布能夠在很大程度上提升算法的尋優(yōu)能力,但如果對所有個體使用,一方面會增加算法的計算時間,另一方面不能保留原始算法的優(yōu)點(diǎn)。因此,小馬駒個體是否采用自適應(yīng)t分布,本文采用動態(tài)選擇概率來調(diào)用自適應(yīng)t分布變異算子的使用,具體公式如式(12)所示。

q=w1-w2×(maxiter-iter)/maxiter(12)

其中:w1=w2=0.8。動態(tài)選擇q概率使得算法在迭代前期對小馬駒位置進(jìn)行擾動,改善迭代初期就存在收斂的傾向,在迭代后期,充分發(fā)揮原算法良好的局部開發(fā)能力,同時以小概率的t分布變異作為補(bǔ)充,提高算法的收斂速度。

2.5 EWHO實(shí)現(xiàn)步驟

綜合以上針對WHO改進(jìn)的策略,EWHO的偽代碼如下。

2.6 時間復(fù)雜度分析

綜上所述,EWHO時間復(fù)雜度為O(Nd)+O(NTd)+O(NTd)+O(NTd),與WHO時間復(fù)雜度一致。

2.7 收斂性分析

全局收斂性準(zhǔn)則及定理[15]描述了算法滿足全局收斂性需要的兩個條件:

其中,f是適應(yīng)度函數(shù),D為隨機(jī)搜索算法,x為解空間RN子集S中能使適應(yīng)度函數(shù)取得最小值的點(diǎn),ξ為算法D在迭代過程中得到的解, S為可行解空間。若滿足該假設(shè),則說明算法適應(yīng)度值單調(diào)不增。

定理1 EWHO滿足條件1。本文算法最優(yōu)位置更新包括原始野馬算法的位置更新和引入自適應(yīng)t分布的位置更新,所以將EWHO定義為

其中:Xb,t為第t代時全局最優(yōu)個體的位置;g(Xi,t)表示通過式(1)(4)(10)更新第t代的位置;h(Xi,t)為通過自適應(yīng)t分布更新第t代位置。由式(13)(14)可知,Xb,t對應(yīng)的全局最優(yōu)適應(yīng)度值單調(diào)不增,滿足條件1。

定理2 EWHO滿足條件2。對于EWHO中領(lǐng)導(dǎo)者位置更新機(jī)制,有

對于小馬駒更新位置機(jī)制,有

由引理1可知,EWHO具有全局收斂性。

3 實(shí)驗(yàn)仿真與結(jié)果分析

3.1 仿真實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

仿真實(shí)驗(yàn)所用軟件為MATLAB R2021a,測試環(huán)境為操作系統(tǒng)Windows 10專業(yè)版64位(10.0,版本19042),處理器為Intel CoreTM i7-6820HQ CPU@2.70 GHz(8CPUs),內(nèi)存為16 384 MB。

為驗(yàn)證EWHO的優(yōu)越性能,選取鯨魚優(yōu)化算法(WOA)[1] 、正弦余弦算法(SCA)[2]、白骨頂雞優(yōu)化算法(COOT)[3]、野馬優(yōu)化算法(WHO)[4]、改進(jìn)野馬優(yōu)化算法(CWHO)[10]與EWHO進(jìn)行對比。本文選取CEC2021的40個函數(shù)進(jìn)行算法測試,以驗(yàn)證改進(jìn)后算法的優(yōu)越性。為保證實(shí)驗(yàn)的公平性,各個算法參數(shù)設(shè)置與原文獻(xiàn)保持一致,如表1所示。同時,為保證仿真實(shí)驗(yàn)的有效性,其他運(yùn)算參數(shù)均設(shè)置相同,種群規(guī)模設(shè)置為30,最大迭代次數(shù)為1 000,所有算法均進(jìn)行30次獨(dú)立重復(fù)實(shí)驗(yàn)。

3.2 CEC2021測試函數(shù)

CEC2021測試函數(shù)是IEEE進(jìn)化計算機(jī)大會單目標(biāo)參數(shù)優(yōu)化競賽中提出的10個在10維、20維上可擴(kuò)展的復(fù)雜測試函數(shù),詳細(xì)信息如表2所示。

本文在10個基準(zhǔn)測試函數(shù)上擴(kuò)展rotation和bias兩種操作,1表示加入上述操作,0表示未加入上述操作,則基準(zhǔn)函數(shù)可以得到00、01、10和11類型4種組合,共計40個測試函數(shù),進(jìn)行20維函數(shù)的測試實(shí)驗(yàn)。

3.3 靈敏性分析

在EWHO中動態(tài)選擇概率q是決定是否采用自適應(yīng)t分布變異的關(guān)鍵,為了使其性能達(dá)到最優(yōu),本節(jié)對參數(shù)w1和w2進(jìn)行了靈敏性分析。

參數(shù)w1、w2和迭代次數(shù)決定了采用自適應(yīng)t分布變異的時機(jī),為了使得算法在迭代前期使用t分布變異對小馬駒位置進(jìn)行擾動,迭代后期以小概率的t分布變異作為補(bǔ)充,因此可以將[w1,w2]設(shè)為{[0.1,0.1],[0.2,0.1],[0.2,0.2],[0.3,0.1],[0.3,0.2],[0.3,0.3],[0.4,0.1],…,[0.9,0.8],[0.9,0.9]}(一共45組)。對于每個組合,計算在10個CEC2021測試函數(shù)上平均值的最終排名和得分(得分=45-最終排名),其中最大迭代次數(shù)為1 000,種群規(guī)模為30,分別進(jìn)行獨(dú)立30次運(yùn)行。如圖5所示,可以看到不同組合的得分情況,性能越好,得分越高,直方圖越高。當(dāng)[w1,w2]為[0.8,0.8]時,柱狀圖最高,本文將w1和w2均設(shè)為0.8。

為了驗(yàn)證有無動態(tài)選擇概率是否會增加算法的運(yùn)行時間以及是否會影響求解的精度,本文選擇40個測試函數(shù)進(jìn)行驗(yàn)證。由于篇幅有限,只選擇有差異的部分進(jìn)行呈現(xiàn),結(jié)果如表3和4所示。通過表3可知,有無動態(tài)選擇概率的求精精度相差不大,甚至在有選擇動態(tài)概率時的求解精度要略勝于沒有動態(tài)選擇率的求解精度。表4展示了每種類型的函數(shù)獨(dú)立運(yùn)行30次所需的時間??梢钥闯?,有動態(tài)選擇概率的運(yùn)行時間得到較大的提升,尤其是針對Rotation[10]類型,整體提升了139.4 s。

綜上所述,通過參數(shù)靈敏性分析、求解精度以及運(yùn)行時間對比,有動態(tài)選擇概率的算法整體性能要優(yōu)于無動態(tài)選擇概率。

3.4 在測試函數(shù)上的算法性能分析

由于CEC2021的10個函數(shù)理論最優(yōu)值各不相同,本文對各算法的尋優(yōu)結(jié)果與理論最優(yōu)值求差,以差值0作為各函數(shù)的最優(yōu)值,以方便對比分析,表5為EWHO與各個算法在每個函數(shù)上運(yùn)行30次的平均值和標(biāo)準(zhǔn)差。

根據(jù)表5,本文EWHO在40個測試函數(shù)中表現(xiàn)出最優(yōu)的性能。在01類型的測試函數(shù)中,EWHO的求解平均值達(dá)到了函數(shù)理論最優(yōu)值,標(biāo)準(zhǔn)差為0,而CWHO只找到了一半測試函數(shù)的理論最優(yōu)值。在f2、f6、f7和f10函數(shù)中,只有EWHO的求解精度達(dá)到了函數(shù)理論最優(yōu)值,而WOA在f1、f3和f5函數(shù)中也找到了最優(yōu)值,這表明WOA在求解精度方面也表現(xiàn)出了較好的性能,而SCA的整體表現(xiàn)最差。

在11類型的測試函數(shù)中,EWHO找到了所有函數(shù)的理論最優(yōu)值,標(biāo)準(zhǔn)差為0,是整體性能最優(yōu)的算法。CWHO略遜一籌,對于其求解精度沒有達(dá)到理論組最優(yōu)值函數(shù)f6、f7和f10而言,EWHO求解精度達(dá)到了理論最優(yōu)值。盡管CWHO相比WHO有一定的改進(jìn),但與EWHO相比仍存在較大差距。COOT在f1、f3和f5函數(shù)中也找到了最優(yōu)值,而WHO和SCA的求解精度和穩(wěn)定性表現(xiàn)較差。

在00和10測試函數(shù)中,EWHO在絕大多數(shù)函數(shù)的平均求解精度上達(dá)到了理論最優(yōu)值,并且標(biāo)準(zhǔn)差為0。雖然在f6、f7、f9和f10函數(shù)中沒有找到最優(yōu)值,但相比其他算法,EWHO在這些函數(shù)上仍然表現(xiàn)出較好的性能,并且在f10函數(shù)中平均求解精度也達(dá)到了2.67E-315的數(shù)量級,遠(yuǎn)遠(yuǎn)高于CWHO的1.95E-07。盡管CWHO整體性能也較好,但仍稍遜于EWHO。WHO的平均求解精度均沒有達(dá)到理論最優(yōu)值,且標(biāo)準(zhǔn)差相對較大,整體表現(xiàn)較差。WOA在00類型中的f3和f8函數(shù)中也尋求到了理論最優(yōu)值,整體性能優(yōu)于SCA和WOA。

為了更直觀地比較各個算法的收斂精度以及收斂速度,針對不同類型的組合函數(shù),本文選取了部分收斂曲線,如圖6所示。

從圖6的收斂曲線可以看出,無論是在收斂速度還是求解精度上,EWHO都明顯優(yōu)于其他對比算法。雖然CWHO和EWHO在00類型的f3函數(shù)以及01、10和11類型的f2函數(shù)的平均求解精度都達(dá)到了理論最優(yōu)值,但是EWHO的收斂速度要遠(yuǎn)遠(yuǎn)大于CWHO,甚至在迭代初期就達(dá)到了理論最優(yōu)值,說明了EWHO在全局搜索和收斂性方面具有較好的性能。WOA在00類型的f3和01類型的f6上收斂速度僅次于EWHO,COOT和SCA的收斂速度較差。對于11類型的f2和f10函數(shù)來說,WHO的收斂速度和求解精度較差,CWHO優(yōu)于WHO,EWHO不管是在收斂速度和求解精度上都是最優(yōu)的。

本文提出的增強(qiáng)型野馬優(yōu)化算法,首先使用更加穩(wěn)定的Sinusoidal映射初始化種群,擴(kuò)大了種群的范圍,提高種群多樣性,為后續(xù)的全局探索奠定了良好的基礎(chǔ)。在迭代前期,本文使用的非線性自適應(yīng)參數(shù)替代傳統(tǒng)線性參數(shù)的數(shù)值,保持在較高的位置,促進(jìn)算法進(jìn)行更為廣泛的全局探索。此外,在領(lǐng)導(dǎo)者更新階段加入擾動因子,在遠(yuǎn)離最優(yōu)位置時,搜索范圍由小到大,能夠增強(qiáng)全局探索能力,同時有較大概率出現(xiàn)的自適應(yīng)t分布在迭代前期接近柯西變異,具有較強(qiáng)的全局搜索能力。在迭代后期,非自適應(yīng)參數(shù)保持在較低的數(shù)值,使得小馬駒在迭代后期的局部探索時間增加,更好地進(jìn)行局部尋優(yōu)。通過在領(lǐng)導(dǎo)者位置更新階段引入擾動因子,當(dāng)朝著最優(yōu)位置移動時,探勘范圍由大到小,從而增加局部探索能力。此外,具有較小概率出現(xiàn)的自適應(yīng)t分布在迭代后期接近高斯變異,局部開發(fā)探索能力較強(qiáng),能夠加快后期的收斂速度。

野馬優(yōu)化算法通過引入的策略,在迭代前期增強(qiáng)了全局探索能力,在后期增強(qiáng)了局部尋優(yōu)的能力,實(shí)現(xiàn)了全局尋優(yōu)和局部尋優(yōu)的良好平衡。

3.5 Wilcoxon秩和檢驗(yàn)

為了全面評估EWHO的可靠性和優(yōu)越性,本文選取Wil-coxon秩和檢驗(yàn)方法進(jìn)一步驗(yàn)證各個算法實(shí)驗(yàn)結(jié)果的顯著性差別。選取EWHO在CEC2021測試集函數(shù)上的運(yùn)行結(jié)果與其他算法進(jìn)行Wilcoxon秩和檢驗(yàn),并計算P值檢驗(yàn)結(jié)果,同時為了綜合評估EWHO與其他算法的競爭性,使用MAE對上述算法進(jìn)行排序。由于篇幅有限,僅列出部分20維函數(shù)的實(shí)驗(yàn)結(jié)果,如表6所示。當(dāng)P值小于5%時,說明兩種算法的差異性顯著,否則,不顯著。由表6可知,大部分的P值都是小于5%的,說明改進(jìn)后的EWHO與其他算法相比差異性明顯,且經(jīng)過MAE排名可知,EWHO排名第一,由此可以認(rèn)為EWHO在CEC2021測試函數(shù)上的整體性能強(qiáng)于其他算法,進(jìn)一步證明了本文算法的有效性。

4 EWHO算法的工程優(yōu)化應(yīng)用研究

蝶形彈簧設(shè)計問題的目標(biāo)是滿足剪應(yīng)力、浪涌頻率、翹曲度等相關(guān)指標(biāo)標(biāo)準(zhǔn)的約束下,使圖7所示的拉伸/壓縮彈簧的質(zhì)量最小化。

該問題包括彈簧線圈直徑d、彈簧線圈平均直徑D和彈簧線圈數(shù)量N三個設(shè)計變量。該問題的數(shù)學(xué)模型為

x=[x1,x2,x3]=[d D N]

min f(x)=(x3+2)x2x21

表7為各個算法求解蝴蝶彈簧設(shè)計問題的實(shí)驗(yàn)結(jié)果。從表7可以看出,EWHO求解的最優(yōu)值優(yōu)于WHO以及其他對比算法,達(dá)到了0.012 665 233,此時d=0.051 685 08、D=0.356 621 99、N=11.294 582 09,總體平均值和標(biāo)準(zhǔn)差也都優(yōu)于其他算法??梢妼τ诘螐椈稍O(shè)計問題,EWHO具有良好的尋優(yōu)能力和穩(wěn)定性,充分說明了該算法良好的性能。

5 結(jié)束語

野馬優(yōu)化算法是近年來提出的一種新穎的群智能算法,針對其易陷入局部最優(yōu)、收斂速度慢等不足,本文提出了融入Sinusoidal映射、擾動因子和自適應(yīng)t分布的EWHO。將EWHO與五個算法通過CEC2021的40個函數(shù)、Wilcoxon檢驗(yàn)以及MAE排名測試的實(shí)驗(yàn),驗(yàn)證了改進(jìn)后的算法具有更強(qiáng)的尋優(yōu)能力和魯棒性。最后將其應(yīng)用于蝶形彈簧設(shè)計問題,EWHO求解得到的結(jié)果精度和穩(wěn)定性更好,從而證實(shí)了EWHO在實(shí)際問題應(yīng)用中的實(shí)用性。因此下一步研究重點(diǎn)是將其應(yīng)用于解決大規(guī)模、復(fù)雜的多目標(biāo)優(yōu)化和實(shí)際工程應(yīng)用等問題中。

參考文獻(xiàn):

[1]Mirjalili S, Lewis A. The whale optimization algorithm[J]. Advances in Engineering Software, 2016, 95(5): 51-67.

[2]Mirjalili S. SCA: a sine cosine algorithm for solving optimization problems[J]. Knowledge-Based Systems, 2016, 96(5): 120-133.

[3]Naruei I, Keynia F. A new optimization method based on coot bird natural life model[J]. Expert Systems with Applications, 2021,183(2): 115352.

[4]Naruei I, Keynia F. Wild horse optimizer: a new meta-heuristic algorithm for solving engineering optimization problems[J]. Enginee-ring with Computers, 2021,38(S4): 3025-3056.

[5]Ali M H, Kamel S, Hassan M H, et al. An improved wild horse optimization algorithm for reliability based optimal DG planning of radial distribution networks[J]. Energy Reports, 2022,8: 582-604.

[6]Motwakel A, Alabdulkreem E, Gaddah A, et al. Wild horse optimization with deep learning-driven short-term load forecasting scheme for smart grids[J]. Sustainability, 2023,15(2): 1524.

[7]Milovanovic' M, Klimenta D, Panic' M, et al. An application of wild horse optimizer to multi-objective energy management in a micro-grid[J]. Electrical Engineering, 2022,104(6): 4521-4541.

[8]蔡延光, 方春城, 吳艷林,等. 求解TSP的離散野馬優(yōu)化算法[J]. 計算機(jī)工程與應(yīng)用, 2024,60(1):145-153. (Cai Yanguang, Fang Chuncheng, Wu Yanlin, et al. Discrete wild horse optimization algorithm for solving TSP[J]. Computer Engineering and Applications, 2024,60(1):145-153.)

[9]李高揚(yáng), 黎向鋒, 趙康,等. 全粒子推動野馬優(yōu)化算法的無人機(jī)三維路徑規(guī)劃[J]. 系統(tǒng)仿真學(xué)報, 2024,36(3):595-607. (Li Gaoyang, Li Xiangfeng, Zhao Kang, et al. UAV three-dimensional path planning based on all-particle driven mustang optimization algorithm[J]. Journal of System Simulation, 2024,36(3):595-607.)

[10]李一銘, 王跟成. 基于改進(jìn)野馬優(yōu)化算法的AGV路徑規(guī)劃[J]. 組合機(jī)床與自動化加工技術(shù), 2023(1): 11-14. (Li Yiming, Wang Hecheng. AGV path planning based on improved mustang optimization algorithm[J]. Combined Machine Tool and Automatic Processing Technology, 2023(1): 11-14.)

[11]Gandomi A H, Yang Xinshe, Talatahari S, et al. Firefly algorithm with chaos[J]. Communications in Nonlinear Science and Numerical Simulation, 2013,18(1): 89-98.

[12]朱學(xué)敏, 劉升, 朱學(xué)林,等. 多策略混合改進(jìn)的海洋捕食者算法及其工程應(yīng)用[J]. 國外電子測量技術(shù), 2023,42(5): 125-134. (Zhu Xuemin, Liu Sheng, Zhu Xuelin, et al. Improved marine predator algorithm and its engineering application with multi-strategy mixing[J]. Foreign Electronic Measurement Technology, 2023,42(5): 125-134.)

[13]鄭婷婷, 劉升, 葉旭. 自適應(yīng)t分布與動態(tài)邊界策略改進(jìn)的算術(shù)優(yōu)化算法[J]. 計算機(jī)應(yīng)用研究, 2022,39(5): 1410-1414. (Zheng Tingting, Liu Sheng, Ye Xu. Arithmetic optimization algorithm for improved adaptive t-distribution and dynamic boundary strategy[J]. Application Research of Computers, 2022,39(5): 1410-1414.)

[14]Lan K T, Lan C H. Notes on the distinction of Gaussian and Cauchy mutations[C]//Proc of the 8th International Conference on Intelligent Systems Design and Applications. Piscataway, NJ: IEEE Press, 2008: 272-277.

[15]Solis F J, Wets R J B. Minimization by random search techniques[J]. Mathematics of Operations Research, 1981,6(1): 19-30.