高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

多种群纵横双向学习和信息互换的鲸鱼优化算法

刘小龙

刘小龙. 多种群纵横双向学习和信息互换的鲸鱼优化算法[J]. 电子与信息学报. doi: 10.11999/JEIT201080
引用本文: 刘小龙. 多种群纵横双向学习和信息互换的鲸鱼优化算法[J]. 电子与信息学报. doi: 10.11999/JEIT201080
Xiaolong LIU. Whale Optimization Algorithm for Multi-group with Information Exchange and Vertical and Horizontal Bidirectional Learning[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT201080
Citation: Xiaolong LIU. Whale Optimization Algorithm for Multi-group with Information Exchange and Vertical and Horizontal Bidirectional Learning[J]. Journal of Electronics and Information Technology. doi: 10.11999/JEIT201080

多种群纵横双向学习和信息互换的鲸鱼优化算法

doi: 10.11999/JEIT201080
基金项目: 中央高校基本科研业务费(XYZD201911)
详细信息
    作者简介:

    刘小龙:男,1977年生,讲师,研究方向为仿生优化与计算智能

    通讯作者:

    刘小龙 xlliu@scut.edu.cn

  • 中图分类号: TP301.6

Whale Optimization Algorithm for Multi-group with Information Exchange and Vertical and Horizontal Bidirectional Learning

Funds: The Fundamental Research Funds for the Central University (XYZD201911)
  • 摘要: 鲸鱼优化算法(WOA)相较于传统的群体智能优化算法,具有较好的寻优能力和鲁棒性,但仍存在全局寻优能力有限、局部极值难以跳出等问题。针对上述不平衡问题,该文提出一种多种群纵横双向学习的种群划分思路,子群相互独立,子群内个体受到来自横向和纵向两个方向的最优值影响,从而规避局部最优,在探索和开发之间取得均衡。对纵向种群的所有个体,该文提出一种线性下降概率的个体置换策略,促进不同子群的信息流动,加快算法收敛。基于不同个体的历史进化信息,来进行策略算子选择,从而区别于现有基于随机数的策略算子选择方法。利用基准函数进行跨文献对比,数值结果表明该文算法具有很好的优越性和稳定性,在大多数问题上都获得了全局极值,具有较好的问题适用性。
  • 图  1  改进鲸鱼优化算法的多种群纵横双向结构

    表  1  本文算法参数CPp的基准函数测试均值精度等级(D=30)

    实验F1F2F3F4F5F6F7F8F9F10F11F12F13
    10e-1670e-169e-004e-009e-004–125690e-0160e-010e-009
    2e-323e-1680e-16700e-004–123320e-0160e-032e-032
    30e-1670e-16900e-004–123310e-0160e-032e-032
    40e-1680e-16400e-004–122140e-0160e-032e-032
    5e-055e-019e-011e-06600e-004–103471.98e-0160e-032e-032
    下载: 导出CSV

    表  2  本文算法参数A的基准函数测试均值精度等级(D=30)

    实验F1F2F3F4F5F6F7F8F9F10F11F12F13
    60e-1940e-19200e-004–117400e-0160e-032e-032
    70e-2180e-2180.95690e-004–119770e-0160e-032e-032
    80e-2290e-22600e-004–117932.984e-0160e-032e-032
    下载: 导出CSV

    表  3  本文算法种群参数pk的基准函数测试均值精度等级(D=30)

    实验F1F2F3F4F5F6F7F8F9F10F11F12F13
    900002.870e-004–110268.954e-0160e-032e-032
    100e-1640e-16800e-004–119771.989e-0160e-032e-032
    11e-264e-133e-260e-13400e-004–125690e-0160e-032e-032
    12e-214e-108e-212e-10100e-004–125690e-0160e-032e-032
    下载: 导出CSV

    表  4  针对基本测试函数的算法性能均值指标对比(D=30)

    F1F2F3F4F5F6F7F8F9F10F11F12F13
    本算法e-157e-81e-153e-8100e-04–125690e-160e-32e-32
    HHOe-97e-51e-63e-47e-02e-04e-04e+040e-160e-06e-04
    WOAe-30e-21e-07e-0227.863.11e-03–508007.40e-040.3391.889
    下载: 导出CSV

    表  5  本文算法与现有文献的性能指标对比(D=30)

    W-SA-WOA[13]CWOA[14]EGolden-SWOA[15]IMWOA[16]本文算法
    平均值标准差平均值标准差平均值标准差平均值标准差平均值标准差
    F1000000002.7e-1571.4e-156
    F22.57e-216.68e-1214.56e-22306.69e-20208.82e-18103.8e-0819.1e-81
    F30000001.2e-1536.8e-153
    F43.56e-944.90e-943.6e-26503.58e-19104.27e-18401.6e-0813.0e-081
    F527.33570.29560.2745.17e-003.75e-097.45e-094.29e-051.33e-0400
    F60.02710.0201006.86e-101.29e-090000
    F71.17e-041.0E-043.61e-053.73e-053.25e-052.55e-05001.4e-041.25e-04
    F8–12447873.3422–5.58e-1011.67e + 102–12455.6172.0869–125691.8e-12
    F90000000000
    F103.02e-151.77e-158.88e-0164.01e-318.88e-1608.88e-0161.00e-0318.88e-0160
    F110.00150.007300000000
    F120.07852.40e-083.09e-021.37e-028.53e-142. 61e-101.68e-081.70e-081.5e-0325.5e-48
    F130.04210.02892.63e-116.65e-105.69e-061.96e-051.3e-0325.5e-48
    下载: 导出CSV

    表  6  大规模(D=1000)测试函数的算法性能指标对比

    RosenbrockPenalized1
    对比算法均值标准差成功率均值标准差成功率
    本文算法 0 0 100 4.7116e-034 68.6991e-050 100
    文献[11] 1.38e-17 4.2e-17 100 4.13e-28 0 100
    文献[12] 9.92e+02 8.29e-01 0 1.59e-01 6.19e-02 0
    文献[14] 9.90e+02 4.51e-01 0 3.46e-02 1.76e-02 3.33
    文献[16] 2.66e-08 4.96e-08 100 3.14e-09 4.24e-09 100
    文献[24] 0.3318 0.3973 10 2.20e-06 3.56e-06 100
    下载: 导出CSV

    表  7  本文算法与文献[1223]的性能对比(D=1000)

    函数IWOA[12]GWOA[23]本文算法
    均值标准差成功率均值标准差成功率均值标准差成功率
    f11.86e-1119.0e-1121001.60e-1145.01e-1141008.7516e-1572.707e-156100
    f23.00e-0653.37e-0651001.56e-0732.09e-0731007.2131e-0801.7043e-079100
    f33.15e-1126.20e-1121009.59e-1142.03e-1131004.0063e-1532.1768e-152100
    f43.00e-18201004.29e-16801001.4807e-1618.1032e-161100
    f59.92e+028.29e-0109.88e+ 026.18e-004000100
    f63.06e-0032.52e-003202.07e-0023.53e-002302.2722e-041.7054e-04100
    f71.10e-0012.25e-002401.05e-0073.14e-0071004.7116e-0348.6991e-050100
    f8001000010000100
    f95.15e-0152.89e-0151008.88e-01601008.8818e-0160100
    f10001000010000100
    f111.02e-0661.63e-066100001001.0549e-0765.7776e-076100
    f126.58e-1121.30e-1111006.32e-1221.58e-1221001.3948e-1226.6809e-122100
    f13001000010000100
    f141.66e-1153.30e-1151003.64e-1304.58e-1301001.3498e-1305.5674e-130100
    f155.52e-1031.20e-1021003.33e-1051.05e-1041002.2266e-1539.0116e-153100
    下载: 导出CSV
  • [1] 刘小龙. 改进多元宇宙算法求解大规模实值优化问题[J]. 电子与信息学报, 2019, 41(7): 1666–1673. doi:  10.11999/JEIT180751

    LIU Xiaolong. Application of improved multiverse algorithm to large scale optimization problems[J]. Journal of Electronics &Information Technology, 2019, 41(7): 1666–1673. doi:  10.11999/JEIT180751
    [2] MIRJALILI S and LEWIS A. The whale optimization algorithm[J]. Advances in Engineering Software, 2016, 95: 51–67. doi:  10.1016/j.advengsoft.2016.01.008
    [3] MAFARJA M M and MIRJALILI S. Hybrid whale optimization algorithm with simulated annealing for feature selection[J]. Neurocomputing, 2017, 260: 302–312. doi:  10.1016/j.neucom.2017.04.053
    [4] ABDEL-BASSET M, MANOGARAN G, EL-SHAHAT D, et al. A hybrid whale optimization algorithm based on local search strategy for the permutation flow shop scheduling problem[J]. Future Generation Computer Systems, 2018, 85: 129–145. doi:  10.1016/j.future.2018.03.020
    [5] XIONG Guojiang, ZHANG Jing, SHI Dongyuan, et al. Parameter extraction of solar photovoltaic models using an improved whale optimization algorithm[J]. Energy Conversion and Management, 2018, 174: 388–405. doi:  10.1016/j.enconman.2018.08.053
    [6] CHEN Huiling, XU Yueting, WANG Mingjing, et al. A balanced whale optimization algorithm for constrained engineering design problems[J]. Applied Mathematical Modelling, 2019, 71: 45–59. doi:  10.1016/j.apm.2019.02.004
    [7] MAHDAD B. Improvement optimal power flow solution under loading margin stability using new partitioning whale algorithm[J]. International Journal of Management Science and Engineering Management, 2019, 14(1): 64–77. doi:  10.1080/17509653.2018.1488225
    [8] 吴书强, 栾飞. 基于改进型鲸鱼算法的云制造资源配置研究[J]. 制造业自动化, 2019, 41(12): 95–98, 124.

    WU Shuqiang and LUAN Fei. Optimal allocation method for cloud manufacturing resource based on improved whale optimization algorithm[J]. Manufacturing Automation, 2019, 41(12): 95–98, 124.
    [9] 孙琪, 于永进, 王玉彬, 等. 采用改进鲸鱼算法的配电网综合优化[J/OL]. 电力系统及其自动化学报. https://kns.cnki.net/kcms/detail/detail.aspx?doi=10.19635/j.cnki.csu-epsa.000553, 2020.

    SUN Qi, YU Yongjin, WANG Yubin, et al. Comprehensive optimization of distribution network with improved whale algorithm[J/OL]. The CSU-EPSA. https://kns.cnki.net/kcms/detail/detail.aspx?doi=10.19635/j.cnki.csu-epsa.000553, 2020.
    [10] 吴坤, 谭劭昌. 基于改进鲸鱼优化算法的无人机航路规划[J]. 航空学报, 2020, 41(S2): 724286. doi:  10.7527/S1000-6893.2020.24286

    WU Kun and TAN Shaochang. Path planning of UAVs based on improved whale optimization algorithm[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41(S2): 724286. doi:  10.7527/S1000-6893.2020.24286
    [11] SUN Yongjun, WANG Xilu, CHEN Yahuan, et al. A modified whale optimization algorithm for large-scale global optimization problems[J]. Expert Systems With Applications, 2018, 114: 563–577. doi:  10.1016/j.eswa.2018.08.027
    [12] 龙文, 蔡绍洪, 焦建军, 等. 求解大规模优化问题的改进鲸鱼优化算法[J]. 系统工程理论与实践, 2017, 37(11): 2983–2994. doi:  10.12011/1000-6788(2017)11-2983-12

    LONG Wen, CAI Shaohong, JIAO Jianjun, et al. Improved whale optimization algorithm for large scale optimization problems[J]. Systems Engineering-Theory &Practice, 2017, 37(11): 2983–2994. doi:  10.12011/1000-6788(2017)11-2983-12
    [13] 褚鼎立, 陈红, 王旭光. 基于自适应权重和模拟退火的鲸鱼优化算法[J]. 电子学报, 2019, 47(5): 992–999. doi:  10.3969/j.issn.0372-2112.2019.05.003

    CHU Dingli, CHEN Hong, and WANG Xuguang. Whale optimization algorithm based on adaptive weight and simulated annealing[J]. Acta Electronica Sinica, 2019, 47(5): 992–999. doi:  10.3969/j.issn.0372-2112.2019.05.003
    [14] 王坚浩, 张亮, 史超, 等. 基于混沌搜索策略的鲸鱼优化算法[J]. 控制与决策, 2019, 34(9): 1893–1900. doi:  10.13195/j.kzyjc.2018.0098

    WANG Jianhao, ZHANG Liang, SHI Chao, et al. Whale optimization algorithm based on chaotic search strategy[J]. Control and Decision, 2019, 34(9): 1893–1900. doi:  10.13195/j.kzyjc.2018.0098
    [15] 肖子雅, 刘升. 精英反向黄金正弦鲸鱼算法及其工程优化研究[J]. 电子学报, 2019, 47(10): 2177–2186. doi:  10.3969/j.issn.0372-2112.2019.10.020

    XIAO Ziya and LIU Sheng. Study on elite opposition-based golden-sine whale optimization algorithm and its application of project optimization[J]. Acta Electronica Sinica, 2019, 47(10): 2177–2186. doi:  10.3969/j.issn.0372-2112.2019.10.020
    [16] 吴泽忠, 宋菲. 基于改进螺旋更新位置模型的鲸鱼优化算法[J]. 系统工程理论与实践, 2019, 39(11): 2928–2944. doi:  10.12011/1000-6788-2018-2156-17

    WU Zezhong and SONG Fei. Whale optimization algorithm based on improved spiral update position model[J]. Systems Engineering-Theory &Practice, 2019, 39(11): 2928–2944. doi:  10.12011/1000-6788-2018-2156-17
    [17] 张达敏, 徐航, 王依柔, 等. 嵌入Circle映射和逐维小孔成像反向学习的鲸鱼优化算法[J]. 控制与决策. doi: 10.13195/j.kzyjc.2019.1362.

    ZHANG Damin, XU Hang, WANG Yirou, et al. Whale optimization algorithm for embedded circle mapping and one dimensional oppositional learning based small hole imaging[J]. Control and Decision. doi: 10.13195/j.kzyjc.2019.1362.
    [18] 刘景森, 马义想, 李煜. 改进鲸鱼算法求解工程设计优化问题[J/OL]. 计算机集成制造系统. http://kns.cnki.net/kcms/detail/11.5946.TP.20200320.1144.006.html, 2020.

    LIU Jingsen, MA Yixiang, and LI Yu. Improved whale algorithm for solving engineering design optimization problems[J/OL]. Computer Integrated Manufacturing Systems. http://kns.cnki.net/kcms/detail/11.5946.TP.20200320.1144.006.html, 2020.
    [19] 黄清宝, 李俊兴, 宋春宁, 等. 基于余弦控制因子和多项式变异的鲸鱼优化算法[J]. 控制与决策, 2020, 35(3): 559–568. doi:  10.13195/j.kzyjc.2018.0463

    HUANG Qingbao, LI Junxing, SONG Chunning, et al. Whale optimization algorithm based on cosine control factor and polynomial mutation[J]. Control and Decision, 2020, 35(3): 559–568. doi:  10.13195/j.kzyjc.2018.0463
    [20] 黄飞, 吴泽忠. 基于阈值控制的一种改进鲸鱼算法[J]. 系统工程, 2020, 38(2): 133–148.

    HUNAG Fei and WU Zezhong. An improved whale optimization algorithm based on threshold control[J]. Systems Engineering, 2020, 38(2): 133–148.
    [21] WATKINS W A and SCHEVILL W E. Aerial observation of feeding behavior in four baleen whales: Eubalaena glacialis, Balaenoptera borealis, Megaptera novaeangliae, and Balaenoptera physalus[J]. Journal of Mammalogy, 1979, 60(1): 155–63. doi:  10.2307/1379766
    [22] 杜永兆, 范宇凌, 柳培忠, 等. 多种群协方差学习差分进化算法[J]. 电子与信息学报, 2019, 41(6): 1488–1495. doi:  10.11999/JEIT180670

    DU Yongzhao, FAN Yuling, LIU Peizhong, et al. Multi-populations covariance learning differential evolution algorithm[J]. Journal of Electronics &Information Technology, 2019, 41(6): 1488–1495. doi:  10.11999/JEIT180670
    [23] 徐建中, 晏福. 改进鲸鱼优化算法在电力负荷调度中的应用[J]. 运筹与管理, 2020, 29(9): 149–159. doi:  10.12005/orms.2020.0238

    XU Jianzhong and YAN Fu. The application of improved whale optimization algorithm in power load dispatching[J]. Operations Research and Management Science, 2020, 29(9): 149–159. doi:  10.12005/orms.2020.0238
    [24] HEIDARI A A, MIRJALILI S, FARIS H, et al. Harris hawks optimization: Algorithm and applications[J]. Future Generation Computer Systems, 2019, 97: 849–872. doi:  10.1016/j.future.2019.02.028
    [25] 郭振洲, 王平, 马云峰, 等. 基于自适应权重和柯西变异的鲸鱼优化算法[J]. 微电子学与计算机, 2017, 34(9): 20–25. doi:  10.19304/j.cnki.issn1000-7180.2017.09.005

    GUO Zhenzhou, WANG Ping, MA Yunfeng, et al. Whaleoptimization algorithm based on adaptive weight and Cauchy mutation[J]. Microelectronics &Computer, 2017, 34(9): 20–25. doi:  10.19304/j.cnki.issn1000-7180.2017.09.005
  • [1] 赵斌, 王刚, 宋婧妍, 刘雅琳.  基于粒子群算法的LCLC谐振变换器优化设计, 电子与信息学报. 2021, 0(0): 1-8. doi: 10.11999/JEIT190337
    [2] 唐红亮, 吴柏林, 胡旺, 康承旭.  基于粒子群优化的地震应急物资多目标调度算法, 电子与信息学报. 2020, 42(3): 737-745. doi: 10.11999/JEIT190277
    [3] 钱亚冠, 卢红波, 纪守领, 周武杰, 吴淑慧, 云本胜, 陶祥兴, 雷景生.  基于粒子群优化的对抗样本生成算法, 电子与信息学报. 2019, 41(7): 1658-1665. doi: 10.11999/JEIT180777
    [4] 陈鸿昶, 谢天, 高超, 李邵梅, 黄瑞阳.  候选标记信息感知的偏标记学习算法, 电子与信息学报. 2019, 41(10): 2516-2524. doi: 10.11999/JEIT181059
    [5] 周凌云, 丁立新, 马懋德, 唐菀.  一种正交反向学习萤火虫算法, 电子与信息学报. 2019, 41(1): 202-209. doi: 10.11999/JEIT180187
    [6] 杜永兆, 范宇凌, 柳培忠, 唐加能, 骆炎民.  多种群协方差学习差分进化算法, 电子与信息学报. 2019, 41(6): 1488-1495. doi: 10.11999/JEIT180670
    [7] 刘浩然, 张力悦, 范瑞星, 王海羽, 张春兰.  基于改进鲸鱼优化策略的贝叶斯网络结构学习算法, 电子与信息学报. 2019, 41(6): 1434-1441. doi: 10.11999/JEIT180653
    [8] 高先明, 张晓哲, 王宝生, 卢泽新, 马世聪.  面向虚拟路由器的基于历史转发开销的资源调度算法, 电子与信息学报. 2015, 37(3): 686-692. doi: 10.11999/JEIT140491
    [9] 郑适, 张安学, 岳思橙, 蒋延生.  基于改进粒子群优化的探地雷达波形反演算法, 电子与信息学报. 2014, 36(11): 2717-2722. doi: 10.3724/SP.J.1146.2013.01979
    [10] 刘鲁锋, 杜新鹏, 成礼智.  一种基于粒子群优化的稀疏恢复算法, 电子与信息学报. 2013, 35(11): 2733-2738. doi: 10.3724/SP.J.1146.2012.01397
    [11] 赵菲, 齐会颖, 邱磊, 柴舜连, 毛钧杰.  自适应动态Meta粒子群优化算法综合多方向图共形阵列, 电子与信息学报. 2012, 34(6): 1476-1482. doi: 10.3724/SP.J.1146.2011.01187
    [12] 胡苓苓, 郭业才.  基于粒子群优化的正交小波盲均衡算法, 电子与信息学报. 2011, 33(5): 1253-1256. doi: 10.3724/SP.J.1146.2010.01043
    [13] 秋小强, 杨海钢, 周发标, 谢元禄.  长互连链延时功耗建模与基于混合粒子群算法的优化, 电子与信息学报. 2011, 33(6): 1481-1486. doi: 10.3724/SP.J.1146.2010.01114
    [14] 陈荣元, 张飞艳, 张斌, 秦前清.  基于数据同化和粒子群优化算法的遥感影像融合, 电子与信息学报. 2009, 31(10): 2509-2513. doi: 10.3724/SP.J.1146.2008.01442
    [15] 张陆游, 张永顺, 杨云.  基于混沌自适应变异粒子群优化的解相干算法, 电子与信息学报. 2009, 31(8): 1825-1829. doi: 10.3724/SP.J.1146.2008.01188
    [16] 林川, 冯全源.  基于粒子群优化算法思想的组合自适应滤波算法, 电子与信息学报. 2009, 31(5): 1245-1248. doi: 10.3724/SP.J.1146.2008.00407
    [17] 魏静萱, 王宇平.  一种解决约束优化问题的模糊粒子群算法, 电子与信息学报. 2008, 30(5): 1218-1221. doi: 10.3724/SP.J.1146.2007.00689
    [18] 杨延西, 刘丁, 辛菁.  基于混沌粒子群优化的图像相关匹配算法研究, 电子与信息学报. 2008, 30(3): 529-533. doi: 10.3724/SP.J.1146.2006.01344
    [19] 丛琳, 焦李成, 沙宇恒.  正交免疫克隆粒子群多目标优化算法, 电子与信息学报. 2008, 30(10): 2320-2324. doi: 10.3724/SP.J.1146.2007.00566
    [20] 温蜀山, 李乐民, 孙海荣.  一种基于RED分组丢弃历史的带宽均衡分配算法, 电子与信息学报. 2002, 24(10): 1391-1397.
  • 加载中
图(1) / 表(7)
计量
  • 文章访问数:  35
  • HTML全文浏览量:  11
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-25
  • 修回日期:  2021-03-12
  • 网络出版日期:  2021-03-24

目录

    /

    返回文章
    返回

    官方微信,欢迎关注