[发明专利]基于动态步长和高斯扰动的绯鲵鲣优化方法

说明书

具体涉及一种基于动态步长和高斯扰动的绯鲵鲣优化方法。针对传统绯倪鲣优化算法收敛速度慢、易陷入局部最优的问题，提出一种基于动态步长和高斯扰动的绯鲵鲣优化方法。首先采用模糊控制设计出基于个体适应度的动态步长公式，取消分段性步长，根据个体不同特性确定不同步长，提高算法收敛速度。然后引入高斯扰动策略，对部分陷入局部最优的个体进行扰动，提升算法逃离局部最优的能力。

技术领域

本发明属于优化算法技术领域，具体涉及一种基于动态步长和高斯扰动的绯鲵鲣优化方法。

背景技术

群智能优化算法是模仿自然界中生物群体的优胜劣汰，这些算法虽然理论基础不太完善，但是在求解复杂的优化问题时，由于算法理论简单易实现，所需参数少，适应力强，对目标函数解析性质和算法初始点选择无特殊要求，且算法收敛速度快，能够迅速找到最优解，并且在路线规划、无线传感器网络优化、车辆调度、生物信息等多方面得到运用，具有宽广的发展前景。

绯鲵鲣优化算法(Yellow Saddle GoatfishAlgorithm，YSGA)是由ErikCuevas等学者于2018年提出的一种新型的群智能优化算法.绯鲵鲣优化算法通过对绯鲵鲣鱼群协作捕食行为的模拟，抽象构建出一种寻优策略，将整个鱼群通过适应度值分为两种不同的搜索代理：追击鱼和拦截鱼，两者通过不同的搜索方式对空间进行探索和开采，以实现对问题的优化求解，该算法在寻优精度，收敛性等方面有所提升，但在一些角度仍然有待改进。

发明内容

具体涉及一种基于动态步长和高斯扰动的绯鲵鲣优化方法。针对传统绯倪鲣优化算法收敛速度慢、易陷入局部最优的问题，提出一种基于动态步长和高斯扰动的绯鲵鲣优化方法。首先采用模糊控制设计出基于个体适应度的动态步长公式，取消分段性步长，根据个体不同特性确定不同步长，提高算法收敛速度。然后引入高斯扰动策略，对部分陷入局部最优的个体进行扰动，提升算法逃离局部最优的能力。

本发明提出的基于动态步长和高斯扰动的绯鲵鲣优化方法，也称为DGYSGA，包括如下步骤：

S1：在传统绯鲵鲣算法对鱼群进行聚类的过程中加入最优簇数，提升了算法寻优效果；

S2：在传统绯鲵鲣算法选择追击鱼的过程中设计了筛选机制，降低算法寻优时间；

S3：将经过筛选机制的个体进行分类，设计了一种动态步长公式，通过对不同追击鱼设置合适的移动步长，从而减少寻优时间，提升收敛速度；

S4：在传统绯鲵鲣算法寻优过程中加入高斯扰动策略，增加种群多样性，使算法能够跳出局最优。

其中所述步骤S1加入的最优簇数如下：

绯鲵鲣优化算法英文名称为Yellow Saddle GoatfishAlgorithm，下文都写为YSGA，YSGA中采用K-均值算法进行分簇，该算法通过给定的k值来确定最优簇数，经测试发现，k值的大小会影响绯鲵鲣优化算法的效果，因此加入间隔统计量，英文名称为GapStatistic，间隔统计量的定义方式如下：

Gap_n(k)＝E_n(log(W_k))-log(W_k)

其中m为个体数量，n是样本数，k为最优聚类数，D_r为所有聚类内个体间的距离平方总和。W_K为所有聚类平均离差程度之和，log(W_K)是对W_K求对数，E_n(log(W_K))是对log(W_K)使用蒙特卡洛模拟产生的数学期望，x_i、x_j是簇c_r内的个体，n_r是簇c_r内的样本个数，最终找到使Gap Statistic能够取得最大值时k的值就是所求的最优簇数。