1 簡介
針對鯨魚優(yōu)化算法(WOA)存在收斂精度低和收斂速度慢的問題,提出基于混沌權重和精英引導的先進鯨魚優(yōu)化算法(AWOA).考慮算法前期搜索的隨機性對收斂速度的影響,引入精英個體引導機制,利用精英個體的進化反饋信息及時調(diào)整種群的搜索方向,加強算法的全局搜索能力.在算法后期引入混沌動態(tài)權重因子加強算法的局部搜索能力,提高算法的收斂精度,對多個基準測試函數(shù)進行對比仿真實驗,結果表明:改進的鯨魚算法具有更高的尋優(yōu)性能.
WOA 是受鯨魚獨特的泡泡網(wǎng)覓食行為啟發(fā)而提出的，在自然界中，鯨魚通過隨機游走尋找獵物，當定位到獵物后，通過收縮螺旋包圍形成泡泡網(wǎng)攻擊獵物。通過模擬這種行為，基本的 WOA 包括三個階段: 游走搜索獵物、收縮包圍機制、螺旋包圍機制。
2 部分代碼
%_________________________________________________________________________%
% 鯨魚優(yōu)化算法? ? ? ? ? ? ?%
%_________________________________________________________________________%
% The Whale Optimization Algorithm
function [Leader_score,Leader_pos,Convergence_curve]=WOA(SearchAgents_no,Max_iter,lb,ub,dim,fobj)
% initialize position vector and score for the leader?
Leader_pos=zeros(1,dim);
Leader_score=inf; %change this to -inf for maximization problems
%Initialize the positions of search agents
Positions=initialization(SearchAgents_no,dim,ub,lb);
Convergence_curve=zeros(1,Max_iter);
t=0;% Loop counter
% Main loop
while t<Max_iter
? ? for i=1:size(Positions,1)
? ? ? ? % Return back the search agents that go beyond the boundaries of the search space
? ? ? ? Flag4ub=Positions(i,:)>ub;
? ? ? ? Flag4lb=Positions(i,:)<lb;
? ? ? ? Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
? ? ? ? % Calculate objective function for each search agent
? ? ? ? fitness=fobj(Positions(i,:));
? ? ? ? % Update the leader
? ? ? ? if fitness<Leader_score % Change this to > for maximization problem
? ? ? ? ? ? Leader_score=fitness; % Update alpha
? ? ? ? ? ? Leader_pos=Positions(i,:);
? ? ? ? end
? ? end
? ? a=2-t*((2)/Max_iter); % a decreases linearly fron 2 to 0 in Eq. (2.3)
? ? % a2 linearly dicreases from -1 to -2 to calculate t in Eq. (3.12)
? ? a2=-1+t*((-1)/Max_iter);
? ? % Update the Position of search agents?
? ? for i=1:size(Positions,1)
? ? ? ? r1=rand(); % r1 is a random number in [0,1]
? ? ? ? r2=rand(); % r2 is a random number in [0,1]
? ? ? ? A=2*a*r1-a;? % Eq. (2.3) in the paper
? ? ? ? C=2*r2;? ? ? % Eq. (2.4) in the paper
? ? ? ? b=1;? ? ? ? ? ? ? ?%? parameters in Eq. (2.5)
? ? ? ? l=(a2-1)*rand+1;? ?%? parameters in Eq. (2.5)
? ? ? ? p = rand();? ? ? ? % p in Eq. (2.6)
? ? ? ? for j=1:size(Positions,2)
? ? ? ? ? ? if p<0.5? ?
? ? ? ? ? ? ? ? if abs(A)>=1
? ? ? ? ? ? ? ? ? ? rand_leader_index = floor(SearchAgents_no*rand()+1);
? ? ? ? ? ? ? ? ? ? X_rand = Positions(rand_leader_index, :);
? ? ? ? ? ? ? ? ? ? D_X_rand=abs(C*X_rand(j)-Positions(i,j)); % Eq. (2.7)
? ? ? ? ? ? ? ? ? ? Positions(i,j)=X_rand(j)-A*D_X_rand;? ? ? % Eq. (2.8)
? ? ? ? ? ? ? ? elseif abs(A)<1
? ? ? ? ? ? ? ? ? ? D_Leader=abs(C*Leader_pos(j)-Positions(i,j)); % Eq. (2.1)
? ? ? ? ? ? ? ? ? ? Positions(i,j)=Leader_pos(j)-A*D_Leader;? ? ? % Eq. (2.2)
? ? ? ? ? ? ? ? end
? ? ? ? ? ? elseif p>=0.5
? ? ? ? ? ? ? ? distance2Leader=abs(Leader_pos(j)-Positions(i,j));
? ? ? ? ? ? ? ? % Eq. (2.5)
? ? ? ? ? ? ? ? Positions(i,j)=distance2Leader*exp(b.*l).*cos(l.*2*pi)+Leader_pos(j);
? ? ? ? ? ? end
? ? ? ? end
? ? end
? ? t=t+1;
? ? Convergence_curve(t)=Leader_score;
end
3 仿真結果
4 參考文獻
[1]黃輝先, 張廣炎, 陳思溢,等. 基于混沌權重和精英引導的鯨魚優(yōu)化算法[J]. 傳感器與微系統(tǒng), 2020, 39(5):4.
博主簡介：擅長智能優(yōu)化算法、神經(jīng)網(wǎng)絡預測、信號處理、元胞自動機、圖像處理、路徑規(guī)劃、無人機等多種領域的Matlab仿真，相關matlab代碼問題可私信交流。
部分理論引用網(wǎng)絡文獻，若有侵權聯(lián)系博主刪除。完整代碼獲取關注微信公眾號天天matlab
