混沌精英黏菌算法-附代码

混沌精英黏菌算法

文章目录

• 混沌精英黏菌算法

• 1.黏菌算法
• 2.改进黏菌算法

• 2.1 混沌初始化
• 2.2 精英反向学习策略

• 3.实验结果
• 4.参考文献
• 5.Matlab代码
• 6.python代码

摘要：为进一步提高标准黏菌算法的收敛速度和求解精度，采用 Tent 混沌映射丰富种群多样性，同时引入精英反向学习策略扩大搜索范围。

1.黏菌算法

2.改进黏菌算法

2.1 混沌初始化

采用 Tent 混沌映射在 SMA 算法迭代初期进行种群初始化，使得个体位置均匀分布在搜索空间内, 有助于提高算法求解 效率。Tent 混池映射的数学表达式为
$X_{n+1}=\left\{\begin{array}{ll} 2 X_n, & 0 \leqslant X_n<\frac{1}{2} \\ 2\left(1-X_n\right), & \frac{1}{2} \leqslant X_n \leqslant 1 \end{array}, n=0,1,2, \cdots\right. \tag{10}$
式（10）中: $n$ 表示映射次数; $X_n$ 表示第 $n$

2.2 精英反向学习策略

反向学习策略(opposition-based learning, OBL) 是由 Tizhoosh ${ }^{[19]}$ 于 2005 年提出一种优化机制, 其主 要原理是针对当前可行解, 同时计算和评估其反向 解, 从中选取较优的解作为下一代个体 ${ }^{[20]}$ 。精英反 向学习 (elite opposition-based learning, EOBL) 在前 者基础上利用精英个体比一般个体包括更加丰富 的有效信息和反向种群来增加种群多样性 ${ }^{[21]}$, 扩大 搜索空间; 通讨引入 EOBL 策略能够有效增强算法 的全局搜索能力, 进一步提高算法的寻优性能。假 设当前黏窗种群中精英个体（即当前最优解）为 $X_{i j}=\left(X_{i, 1}, X_{i, 2}, \cdots X_{i, D}\right)$, 其中 $D$ 为优化问题的空间 维度, 则其精英反向解 $X_{i j}^*=\left(X_{i, 1}^*, X_{i, 2}^*, \cdots, X_{i, D}^*\right)$ 可 以定义为
$X_{i, j}^*=\alpha\left(\mathrm{LB}_j+\mathrm{UB}_j\right)-X_{i, j}, \quad j=1,2, \cdots, D \tag{11}$
式 (11) 中: $X_{i, j}$ 为第 $j$ 维个体的数值; $\alpha$ 为区间 $[0,1]$ 内服从正态分布的随机数; $\left(\mathrm{LB}_j, \mathrm{UB}_j\right)$ 表示第 $j$ 维搜 索空间的动态边界, 其定义为
$\mathrm{LB}_j=\min \left(X_{i, j}\right) (12)$
$\mathrm{UB}_j=\max \left(X_{i, j}\right) (13)$
式中: $\min \left(X_{i, j}\right) 、 \max \left(X_{i, j}\right)$ 分别为第 $j$ 维个体的最小 值和最大值。
当生成的反向解超出 $\left(\mathrm{LB}_j, \mathrm{UB}_j\right)$ 边界范眷时, 使用随机生成的方法进行越界重置, 具体描述为
$X_{i, j}^*=\operatorname{rand}\left(\mathrm{LB}_j, \mathrm{UB}_j\right)(14)$
综合上述, 改进的混池精英秥菌算法 (chaotic elite slime mould algorithm, CESMA) 可以利用伪代 码表述其执行流程,如表 1 所示。

3.实验结果

4.参考文献

[1]肖亚宁,孙雪,李三平,姚金言.基于混沌精英黏菌算法的无刷直流电机转速控制[J].科学技术与工程,2021,21(28):12130-12138.

5.Matlab代码

6.python代码