文獻(xiàn)標(biāo)識碼: A
DOI: 10.20044/j.csdg.2097-1788.2022.02.012
引用格式: 吳超略,韋文山,郭羿,等. 基于t分布變異的改進(jìn)麻雀搜索算法[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理,2022,41(2):74-78.
0 引言
群智能優(yōu)化算法是一種仿生算法,旨在模擬自然界中某些生物的行為或某些物理現(xiàn)象,因其尋優(yōu)能力強(qiáng)、操作簡單等特點(diǎn),被許多科研人員研究。常見的群智能優(yōu)化算法有:粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)[1]、螢火蟲算法(Firefly Algorithm,F(xiàn)A)[2]、灰狼優(yōu)化算法(Grey Wolf Optimizer,GWO)[3]、烏鴉搜索算法(Crow Search Algorithm,CSA)[4]和飛蛾火焰優(yōu)化算法(Moth-Flame Optimization,MFO)[5]。受自然界中麻雀種群覓食行為的啟發(fā),薛建凱[6]等人于2020年提出了麻雀搜索算法(Sparrow Search Algorithm,SSA)。相比之下,該算法擁有更優(yōu)的收斂率、更高的精度和易于實(shí)現(xiàn)等特點(diǎn)。但是,在算法運(yùn)行的末期,SSA算法也不能避免收斂速度下降、易陷入局部最優(yōu)的問題。
為了改善麻雀搜索算法跳出局部最優(yōu)難的問題,加強(qiáng)算法運(yùn)行效率,許多學(xué)者提出了有效的改進(jìn)策略:呂鑫等[7]通過Tent混沌序列初始化麻雀種群,同時(shí)引入高斯變異和Tent混沌擾動(dòng)對個(gè)體進(jìn)行變異和擾動(dòng),使算法不易陷入局部最優(yōu)點(diǎn);柳長安等[8]融合反向?qū)W習(xí)策略和自適應(yīng)t分布變異,引入精英粒子,擴(kuò)大了算法搜索范圍,增強(qiáng)算法后期局部搜索能力;付華等[9]在加入者位置更新時(shí)加入雞群算法的隨機(jī)跟隨策略,保證多樣性的同時(shí)又提高了搜索性能;Zhang等[10]利用Logistic混沌映射對種群位置進(jìn)行初始化提高初始解的質(zhì)量,為了加快SSA算法的收斂速度和效率,采用兩個(gè)自適應(yīng)參數(shù)更新發(fā)現(xiàn)者位置和預(yù)警麻雀數(shù)量。
本文詳細(xì)內(nèi)容請下載:http://ihrv.cn/resource/share/2000004862
作者信息:
吳超略,韋文山,郭 羿,鄔貴昌
(廣西民族大學(xué) 電子信息學(xué)院,廣西 南寧530006)