《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 基于t分布變異的改進(jìn)麻雀搜索算法
基于t分布變異的改進(jìn)麻雀搜索算法
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 2期
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)
摘要： 針對麻雀搜索算法收斂速度慢、難以跳出局部最優(yōu)等問題，提出一種基于t分布變異的改進(jìn)麻雀搜索算法。在更新麻雀種群加入者位置后，引入自適應(yīng)t分布變異，對加入者位置產(chǎn)生擾動(dòng)，避免陷入局部最優(yōu)，增強(qiáng)算法性能；通過比較灰狼優(yōu)化算法、飛蛾火焰優(yōu)化算法和原始麻雀搜索算法，在6個(gè)基準(zhǔn)函數(shù)上進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果和Wilcoxon符號秩檢驗(yàn)結(jié)果都表明所提出的改進(jìn)麻雀搜索算法的收斂精度與速度均優(yōu)于其他算法，達(dá)到提高算法收斂速度，增強(qiáng)算法跳出局部極值能力的效果。
中圖分類號： TP18
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.
Improved sparrow search algorithm based on t-distribution variation
Wu Chaolue，Wei Wenshan，Guo Yi，Wu Guichang
(College of Electronic Information，Guangxi University for Nationalities，Nanning 530006，China)
Abstract： Aiming at the problems of slow convergence speed and difficult to jump out of local optimization of sparrow search algorithm, an improved sparrow search algorithm based on t-distribution mutation is proposed. After updating the position of the follower, the adaptive t-distribution mutation is introduced to disturb the position of the follower, avoid falling into local optimization and enhance the performance of the algorithm. By comparing gray wolf optimizer, moth-flame optimization and original sparrow search algorithm, simulation experiments are carried out on six benchmark functions. The experimental results and Wilcoxon′s signed rank test results both show that the convergence accuracy and speed of the proposed improved sparrow search algorithm are better than other algorithms, which can improve the convergence speed of the algorithm and enhance the ability of the algorithm to jump out of local extremum.
Key words : sparrow search algorithm；intelligent optimization algorithm；Sin map；t-distribution

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)

微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。