一、理论基础
1、阿奎拉鹰优化算法
本文提出了一种新的基于种群的优化方法,称为阿奎拉鹰优化算法(Aquila Optimizer, AO),其灵感来源于阿奎拉鹰在捕捉猎物过程中的自然行为。
AO是一种基于种群的优化方法,优化规则从式(1)中所示的候选解()的种群开始,该候选解在给定问题的上界()和下界()之间随机生成。获得的最佳解在每次迭代中被确定为近似最优解。
其中,表示使用式(2)随机生成的一组当前候选解,表示第个解的决策值(位置),表示候选解(种群)的总数,表示问题的维度大小。
其中,是一个随机向量,表示给定问题的第个下界,表示给定问题的第个上界。
所提出的AO算法模拟了阿奎拉鹰在狩猎过程中的行为,其中显示了狩猎的每个步骤的动作。因此,提出的AO算法的优化过程用四种方法表示:通过垂直俯冲的高空飞行选择搜索空间、通过短滑翔攻击的等高线飞行在发散搜索空间内探索、通过慢速下降攻击的低空飞行在收敛搜索空间内开发、通过徒步猛扑并抓住猎物。如果,则AO算法可使用不同的行为从探索步骤转移到开发步骤;否则,将很好地执行开发步骤。
(1)Step 1:扩大探索()
在第一种方法()中,阿奎拉识别猎物区域,并通过垂直弯腰的高飞选择最佳狩猎区域。此时,AO让来自高空的探险者四处飞翔,以确定猎物所在的搜索空间区域。该行为的数学模型如式(3)所示:
其中,是由第一种搜索方法()生成的第次迭代的解;是在第次迭代之前获得的最佳解,这反映了猎物的近似位置;用于通过迭代次数控制扩展搜索(探索);表示在第次迭代时当前解的平均值,该平均值使用式(4)计算;是介于0和1之间的随机值;和分别表示当前迭代和最大迭代次数。
其中,是问题的维度大小,是候选解的数量(种群规模)。
(2)Step 2:缩小探索()
在第二种方法()中,当从高空发现猎物区域时,阿奎拉在目标猎物上方盘旋,准备着陆陆地,然后攻击,这种方法称为短滑翔攻击的等高线飞行。在这里,AO狭窄地探索目标猎物的选定区域,为攻击做准备。该行为的数学模式如式(5)所示:
其中,是由第二个搜索方法()生成的第次迭代的解;是维度空间大小;是Levy飞行分布函数,使用式(6)计算;是在第次迭代时在范围内获得的随机解。
其中,,和分别为服从和的高斯分布随机数,计算如式(7)所示。
其中。在式(5)中,和用于表示搜索中的螺旋形状,计算如下:
其中,
取1到20之间的值,用于固定搜索周期数;是固定为0.00565的值;是从1到搜索空间维数()的整数;是固定为0.005的值。
(3)Step 3:扩大开发()
在第三种方法()中,当阿奎拉准确地指定了猎物区域,并且准备好着陆和攻击时,阿奎拉垂直下降并进行初步攻击,以发现猎物反应。这种方法称为低空慢降攻击。在这里,AO利用目标的选定区域接近猎物并进行攻击。这种行为在数学上如式(13)所示:
其中,是由第三种搜索方法()生成的第次迭代的解;表示第次迭代前猎物的近似位置(获得的最佳解);表示第次迭代时当前解的平均值,该平均值使用式(4)计算;是一个介于0和1之间的随机值;和是本文中固定为较小值(0.1)的开发调整参数;表示给定问题的下界,表示给定问题的上界。
(4)Step 4:缩小开发()
在第四种方法()中,当阿奎拉接近猎物时,它根据其随机运动在陆地上攻击猎物。这种方法称为“行走并抓住猎物”,AO在最后一个位置攻击猎物。该行为的数学模型如式(14)所示:
其中,是由第四种搜索方法()生成的第次迭代的解;表示在第次迭代时用于平衡搜索策略的质量函数,其使用式(15)计算;表示在搜索猎物期间用于跟踪猎物的AO的各种运动,其使用式(16)计算;呈现从2到0的递减值,表示AO的飞行速率,AO用于在从第一个位置到最后一个位置的过程中跟踪猎物,使用式(17)产生;是第次迭代的当前解。
其中,是介于0和1之间的随机值;和分别表示当前迭代和最大迭代次数。
2、AO算法伪代码
综上所述,在AO中,优化通过生成一组随机预定义的候选解(称为种群)开始迭代过程。通过重复的行为,探索AO的搜索策略,寻找最优解或最优解的合理位置。每个解根据AO的优化过程获得的最佳解更新其位置。为了强调AO搜索策略(即探索和开发)之间的平衡,提供了四种不同的探索和开发搜索策略(即扩大探索、缩小探索、扩大开发和缩小开发)。最后,当满足结束条件时,AO的搜索过程终止。AO的伪代码如图1所示。
图1 AO算法伪代码
二、仿真实验与结果分析
将AO与SSA、WOA、SCA、GWO和MPA进行对比,设置种群规模为30,最大迭代次数为500,每个算法独立运行30次,以文献[1]中F3、F4(单峰函数/50维)、F9、F11(多峰函数/50维)、F20、F21(固定维度多峰函数/6维、4维)为例,结果显示如下:
函数:F3
AO:最差值:3.118e-100,最优值:6.0869e-159,平均值:1.0397e-101,标准差:5.6926e-101,秩和检验:1
SSA:最差值:25560.9277,最优值:2095.1695,平均值:9962.2291,标准差:5330.5605,秩和检验:3.0199e-11
WOA:最差值:373225.9712,最优值:113817.6813,平均值:197261.6639,标准差:58304.1276,秩和检验:3.0199e-11
SCA:最差值:69179.0478,最优值:24101.737,平均值:45636.2534,标准差:12366.6955,秩和检验:3.0199e-11
GWO:最差值:2.8597,最优值:0.0031328,平均值:0.27005,标准差:0.561,秩和检验:3.0199e-11
MPA:最差值:0.245,最优值:0.00012874,平均值:0.035953,标准差:0.064897,秩和检验:3.0199e-11
函数:F4
AO:最差值:5.4952e-52,最优值:1.787e-82,平均值:2.0506e-53,标准差:1.0031e-52,秩和检验:1
SSA:最差值:30.8674,最优值:14.6767,平均值:21.3864,标准差:3.705,秩和检验:3.0199e-11
WOA:最差值:94.0706,最优值:4.0478,平均值:71.1267,标准差:25.0657,秩和检验:3.0199e-11
SCA:最差值:78.1053,最优值:52.0233,平均值:70.5358,标准差:5.3727,秩和检验:3.0199e-11
GWO:最差值:0.0022474,最优值:5.0567e-05,平均值:0.00046347,标准差:0.0005151,秩和检验:3.0199e-11
MPA:最差值:5.3416e-08,最优值:1.6962e-08,平均值:2.777e-08,标准差:9.1333e-09,秩和检验:3.0199e-11
函数:F9
AO:最差值:0,最优值:0,平均值:0,标准差:0,秩和检验:NaN
SSA:最差值:138.3197,最优值:46.0643,平均值:89.2749,标准差:20.0392,秩和检验:1.2118e-12
WOA:最差值:5.6843e-14,最优值:0,平均值:1.8948e-15,标准差:1.0378e-14,秩和检验:0.33371
SCA:最差值:252.8829,最优值:6.0318,平均值:112.0455,标准差:64.6083,秩和检验:1.2118e-12
GWO:最差值:17.8185,最优值:1.1369e-13,平均值:4.1285,标准差:6.0365,秩和检验:1.2e-12
MPA:最差值:0,最优值:0,平均值:0,标准差:0,秩和检验:NaN
函数:F11
AO:最差值:0,最优值:0,平均值:0,标准差:0,秩和检验:NaN
SSA:最差值:0.96402,最优值:0.212,平均值:0.54735,标准差:0.20427,秩和检验:1.2118e-12
WOA:最差值:0.22733,最优值:0,平均值:0.0075776,标准差:0.041504,秩和检验:0.081493
SCA:最差值:44.6881,最优值:1.1746,平均值:7.6688,标准差:8.8166,秩和检验:1.2118e-12
GWO:最差值:0.018878,最优值:0,平均值:0.0029351,标准差:0.00604,秩和检验:0.00066059
MPA:最差值:0,最优值:0,平均值:0,标准差:0,秩和检验:NaN
函数:F20
AO:最差值:-3.0528,最优值:-3.321,平均值:-3.2668,标准差:0.073527,秩和检验:1
SSA:最差值:-3.1546,最优值:-3.322,平均值:-3.247,标准差:0.067766,秩和检验:0.61001
WOA:最差值:-3.0672,最优值:-3.3214,平均值:-3.2527,标准差:0.086995,秩和检验:0.6204
SCA:最差值:-2.6135,最优值:-3.1827,平均值:-2.9946,标准差:0.13406,秩和检验:1.7769e-10
GWO:最差值:-3.0282,最优值:-3.322,平均值:-3.2514,标准差:0.090722,秩和检验:0.10547
MPA:最差值:-3.322,最优值:-3.322,平均值:-3.322,标准差:3.8717e-12,秩和检验:3.0199e-11
函数:F21
AO:最差值:-10.1488,最优值:-10.1531,平均值:-10.152,标准差:0.001254,秩和检验:1
SSA:最差值:-2.6829,最优值:-10.1532,平均值:-8.9785,标准差:2.4442,秩和检验:6.765e-05
WOA:最差值:-2.6298,最优值:-10.1531,平均值:-7.6838,标准差:2.7011,秩和检验:2.9215e-09
SCA:最差值:-0.49652,最优值:-6.5721,平均值:-1.7534,标准差:1.6559,秩和检验:3.0199e-11
GWO:最差值:-2.6304,最优值:-10.1528,平均值:-8.7174,标准差:2.456,秩和检验:0.0005264
MPA:最差值:-10.1532,最优值:-10.1532,平均值:-10.1532,标准差:5.1226e-11,秩和检验:3.0199e-11
实验结果表明:与传统的元启发式算法相比,该算法具有显著的优越性。
三、参考文献
[1] Laith Abualigah, Dalia Yousri, Mohamed Abd Elaziz. Aquila Optimizer: A novel meta-heuristic optimization algorithm[J]. Computers & Industrial Engineering, 2021, 157: 107250.
版权声明:本文为博主心️升明月原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/weixin_43821559/article/details/122633996