自适应分组差分变异狼群优化算法

张强; 王梅

doi:10.3969/j.issn.1000-5641.2017.03.008

自适应分组差分变异狼群优化算法

doi: 10.3969/j.issn.1000-5641.2017.03.008

张强,
王梅

东北石油大学计算机与信息技术学院, 黑龙江大庆 163318

详细信息

作者简介:
张强, 男, 副教授, 博士, 研究方向为进化算法.E-mail:dqpi_zq@163.com

中图分类号: TP301.6
计量
- 文章访问数: 219
- HTML全文浏览量: 75
- PDF下载量: 468
- 被引次数: 0
出版历程
- 收稿日期: 2016-05-13
- 刊出日期: 2017-05-25

Adaptive grouping difference variation wolf pack algorithm

School of Computer and Information Technology, Northeast Petroleum University, Daqing Heilongjiang 163318, China

摘要

摘要: 针对狼群优化算法寻优精度不高和易陷入局部收敛区域的缺点，结合云模型在知识表达时具有不确定中带有确定性的特性，提出一种自适应分组差分变异狼群优化算法.其思想是采用佳点集理论对狼群进行初始化，通过云模型理论来完成个体游猎行为，在围攻行为中考虑狼个体的自身能量，最后利用差分进化算法和混沌理论完成个体变异，并进行探索全局最优位置.典型复杂函数测试表明，该算法能有效找出全局最优解，特别适宜于多峰值函数寻优.
- 狼群优化算法 /
- 佳点集 /
- 差分变异 /
- 混沌
Abstract: Due to the shortcomings that wolf pack algorithm is not high solving precision and easy to fall into the local convergence region, adaptive grouping difference variation wolf pack algorithm is proposed based on the excellent characteristics of cloud model transformation between qualitative and quantitative. Individual wolves are initialized by good-point set. Individual hunting behavior is accomplished through the cloud model theory and the self energy of the wolf is considered in the siege behavior. Finally, the differential evolution algorithm and the chaos theory are used to complete the individual variation to explore the global optimal location. The simulation results show that the proposed algorithm has fine capability of finding global optimum, especially for multi peak function.
- wolf pack algorithm /
- good-point set /
- differential variation /
- chaos

HTML全文

表 1 $f_1$ 运行仿真结果对比

Tab. 1 $f_1$ run simulation results comparison

函数算法	$f_1 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	1.4106E-12	0.0097	9.72E-04	22.957	3.53E-01
GA	2.932E-10	0.642	0.261	25.687	1.62E+03
WCA	4.208E-12	9.607E-9	3.425E-10	7.263	8.13E-19
WPA	6.481E-12	9.071E-10	3.795E-11	5.361	6.39E-21
AGDV-WPA	9.135E-14	8.752E-13	3.287E-13	3.596	5.43E-25

下载: 导出CSV

表 2 $f_2$ 运行仿真结果对比

Tab. 2 $f_2$ run simulation results comparison

函数算法	$f_2 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	33.907	148.942	104.779	23.618	3.28E-01
GA	40.918	369.462	267.396	26.397	1.03E+02
WCA	3.863E-6	9.865E-6	5.739E-6	8.159	8.13E-11
WPA	2.536E-10	8.0412E-9	5.675E-10	6.014	6.39E-19
AGDV-WPA	8.927E-14	7.138E-12	3.294E-13	4.312	5.43E-25

下载: 导出CSV

表 3 $f_3$ 运行仿真结果对比

Tab. 3 $f_3$ run simulation results comparison

函数算法	$f_3 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	3.603E-4	0.632	0.273	33.268	3.62E+04
GA	5.038E-2	7.62	4.826	36.623	5.43E+05
WCA	4.706E-10	9.916E-9	8.034E-10	9.026	8.53E-19
WPA	1.758E-11	9.067E-10	5.495E-11	7.629	5.02E-21
AGDV-WPA	1.351E-14	9.783E-12	5.981E-13	5.257	3.99E-25

下载: 导出CSV

表 4 $f_4$ 运行仿真结果对比

Tab. 4 $f_4$ run simulation results comparison

函数算法	$f_4 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	2.138E-10	9.402E-8	5.504E-9	33.405	2.63E-13
GA	2.459E-8	7.713E-7	6.748E-8	36.526	6.25E-11
WCA	4.198E-10	9.075E-9	4.439E-9	7.958	8.53E-17
WPA	2.636E-12	8.512E-10	5.617E-11	5.837	5.02E-21
AGDV-WPA	8.737E-14	7.085E-13	3.464E-13	4.619	3.99E-25

下载: 导出CSV

表 5 $f_5$ 运行仿真结果对比

Tab. 5 $f_5$ run simulation results comparison

函数算法	$f_5 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	9.667E-5	0.019	9.81E-04	132.875	1.25E-05
GA	0.288	0.716	0.392	148.28	5.38E+01
WCA	6.428E-9	3.367E-6	7.362E-8	10.263	5.34E-15
WPA	2.281E-11	8.283E-9	6.632E-10	8.183	4.27E-19
AGDV-WPA	2.547E-14	6.541E-12	5.841E-13	6.578	3.26E-25

下载: 导出CSV

表 6 $f_6$ 运行仿真结果对比

Tab. 6 $f_6$ run simulation results comparison

函数算法	$f_6 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	8.416E-5	3.583	1.586	144.748	4.96
GA	2.783	11.687	7.539	162.846	1.07E+02
WCA	2.651E-7	8.916E-7	6.674E-7	10.121	7.13E-13
WPA	6.078E-11	9.075E-9	8.342E-10	8.163	6.01E-19
AGDV-WPA	4.746E-14	8.374E-12	6.719E-13	6.725	5.04E-25

下载: 导出CSV

表 7 $f_7$ 运行仿真结果对比

Tab. 7 $f_7$ run simulation results comparison

函数算法	$f_7 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	0.072	0.529	0.264	147.376	8.62E-02
GA	1.287	13.643	1.951	168.21	6.38E+02
WCA	2.713E-9	9.826E-7	8.629E-8	10.516	4.37E-15
WPA	4.812E-11	8.732E-9	7.276E-10	8.572	4.28E-19
AGDV-WPA	6.462E-14	7.751E-12	6.347E-13	6.039	4.61E-25

下载: 导出CSV

表 8 $f_8$ 运行仿真结果对比

Tab. 8 $f_8$ run simulation results comparison

函数算法	$f_8 $
函数算法	最优结果	最差结果	平均结果	平均时间/s	方差
PSO	5.952	40.732	17.725	139.393	4.31E+02
GA	9.924	78.752	30.639	162.634	6.35E+03
WCA	4.536E-10	9.526E-7	8.347E-8	11.253	5.62E-15
WPA	3.842E-11	9.232E-9	7.641E-10	9.235	4.69E-19
AGDV-WPA	9.132E-14	8.239E-12	6.351E-13	6.179	3.95E-25

下载: 导出CSV

参考文献(19)

[1]	LIU C A, YAN X H, LIU C Y. The wolf colony algorithm and its application[J]. Chinese Journal of Electronics, 2011, 20(2): 212-216. http://www.ejournal.org.cn/Jweb_cje/EN/article/downloadArticleFile.do?attachType=PDF&id=1100
[2]	吴虎胜, 张凤鸣, 吴庐山.一种新的群体智能算法——狼群算法[J].系统工程与电子技术, 2013, 35(11): 2430-2438. http://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201311034.htm
[3]	周强, 周永权.一种基于领导者策略的狼群搜索算法[J].计算机应用研究, 2013, 30(9): 2629-2632. http://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ201309017.htm
[4]	李国亮, 魏振华, 徐蕾.基于改进搜索策略的狼群算法[J].计算机应用, 2015, 35(6): 1633-1636. doi: 10.11772/j.issn.1001-9081.2015.06.1633
[5]	吴虎胜, 张凤鸣, 战仁军.求解0-1背包问题的二进制狼群算法[J].系统工程与电子技术, 2014, 36(8): 1660-1667. doi: 10.3969/j.issn.1001-506X.2014.08.34
[6]	华罗庚, 王元.数论在近似分析中的应用[M].北京:科学出版社, 1978.
[7]	刘香品, 宣士斌, 刘峰.引入佳点集和猴群翻过程的人工蜂群算法[J].模式识别与人工智能, 2015, 28(1): 80-89. http://www.cnki.com.cn/Article/CJFDTOTAL-MSSB201501011.htm
[8]	毕晓君, 张磊.基于混合策略的双种群约束优化算法[J].控制与决策, 2015, 30(4): 715-720. http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC201504022.htm
[9]	张英杰, 邵岁锋, Niyongabo Julius.一种基于云模型的云变异粒子群算法[J].模式识别与人工智能, 2011, 24(1): 90-96. http://www.cnki.com.cn/Article/CJFDTOTAL-MSSB201101013.htm
[10]	马颖, 田维坚, 樊养余.基于云模型的自适应量子免疫克隆算法[J].计算物理, 2013, 30(4): 627-632. http://www.cnki.com.cn/Article/CJFDTOTAL-JSWL201304022.htm
[11]	李翠明, 龚俊, 牛万才, 等.基于改进隶属云模型蚁群算法的喷涂机器人喷枪轨迹组合优化[J].上海交通大学学报, 2015, 49(3): 387-391. http://www.cnki.com.cn/Article/CJFDTOTAL-SHJT201503024.htm
[12]	孙儒泳.动物生态学原理:第三版[M].北京:北京师范大学出版社, 2001.
[13]	崔志华, 曾建潮.微粒群优化算法[M].北京:科学出版社, 2011.
[14]	彭虎, 吴志健, 周新宇.基于三角的骨架差分进化算法[J].计算机研究与发展, 2015, 52(12): 2776-2788. doi: 10.7544/issn1000-1239.2015.20140230
[15]	李章维, 周晓根, 张贵军.一种动态自适应差分进化算法[J].计算机科学, 2015, 42(6): 52-56. http://www.cnki.com.cn/Article/CJFDTOTAL-JSJA2015S1013.htm
[16]	孔祥勇, 高立群, 欧阳海滨, 等.求解大规模可靠性问题的改进差分进化算法[J].东北大学学报(自然科学版), 2014, 35(3): 328-332. http://www.cnki.com.cn/Article/CJFDTOTAL-DBDX201403006.htm
[17]	胥小波, 郑康锋, 李丹, 等.新的混沌粒子群优化算法[J].通信学报, 2012, 33(1): 24-37. http://cdmd.cnki.com.cn/Article/CDMD-10183-1016079992.htm
[18]	刘金梅, 屈强.几类混沌序列的随机性测试[J].计算机工程与应用, 2011, 47(5): 46-49. http://www.cnki.com.cn/Article/CJFDTOTAL-JSGG201105018.htm
[19]	POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimization[J]. Swarm Intelligence, 2007(1): 33-57. http://www.jatit.org/volumes/Vol58No3/5Vol58No3.pdf